圖像超分辨率是圖像處理領(lǐng)域中的經(jīng)典問題,越來越多的研究者們正在開展相關(guān)的研究。本文主要研究使用單張低分辨率圖像,以深度神經(jīng)網(wǎng)絡(luò)結(jié)合軟件算法來計(jì)算低分辨率圖像和高分辨率圖像之間的相關(guān)性,最終可以達(dá)到對任意一張圖像都能夠生成對應(yīng)的高分辨率圖像。這種方式比以硬件升級的方式提升圖像空間分辨率要更加靈活和低成本。本文在對基于深度卷積神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)的兩種深度學(xué)習(xí)的圖像超分辨率方法進(jìn)行研究,分別提出了優(yōu)化方法。在前者的優(yōu)化中,通過加深網(wǎng)絡(luò)深度來進(jìn)一步提升網(wǎng)絡(luò)性能,并且引入殘差網(wǎng)絡(luò)來避免因網(wǎng)絡(luò)太深而出現(xiàn)的退化的問題,同時(shí)修改網(wǎng)絡(luò)模型,將超分辨率步驟移到網(wǎng)絡(luò)內(nèi)進(jìn)行,使得可以通過訓(xùn)練學(xué)習(xí)將低分辨率特征映射到高分辨率輸出,這樣就不用在較高的分辨率上進(jìn)行卷積操作,從而降低了計(jì)算復(fù)雜度。最后以實(shí)驗(yàn)驗(yàn)證,該優(yōu)化算法具有更好的超分辨率效果。在后者的優(yōu)化中,設(shè)計(jì)網(wǎng)絡(luò)模型,將深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合生成對抗網(wǎng)絡(luò),使之更加適合解決圖像超分辨率的問題,極大的提升了訓(xùn)練的速度和穩(wěn)定性,最后以實(shí)驗(yàn)對比傳統(tǒng)算法驗(yàn)證該方法的有效性,同時(shí)設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證,如果訓(xùn)練集的圖像類型和待重建的圖像類型一致,是能得到更好的效果的,實(shí)驗(yàn)中以Ce... 

【文章來源】：武漢工程大學(xué)湖北省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像超分辨率演示圖

第3章 基于卷積網(wǎng)絡(luò)的超分辨率方法的優(yōu)化3.1 卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)。它源于多層前向網(wǎng)絡(luò)，經(jīng)過不斷發(fā)展，成為圖像識(shí)別領(lǐng)域研究的熱點(diǎn)。接下來簡單介紹該網(wǎng)絡(luò)模型的相關(guān)技術(shù)。1) 卷積層卷積是一類特殊的線性運(yùn)算。計(jì)算符號通常使用*，卷積運(yùn)算通�？梢员硎緸閥 ( n ) = x ( n ) *ω( n)（3-1）在神經(jīng)網(wǎng)絡(luò)中，卷積層輸入的第一個(gè)參數(shù)為圖像，即為公式（3-1）的 x，第二個(gè)參數(shù)為卷積核，即為公式（3-1）的 w，輸出被叫做特征映射（feature map）。

圖 3-2 LeNet 網(wǎng)絡(luò)結(jié)構(gòu)[42]從圖 3-2 的網(wǎng)絡(luò)結(jié)構(gòu)可以看出該網(wǎng)絡(luò)由卷積層、池化層、全連接層組成。其中卷積層與池化層配合，組成多個(gè)卷積組，逐層提取特征，最終通過若干個(gè)全連接層完成分類。3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨方法基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率（SRCNN）方法是由 Dong 等人提出的[43]，可以說是深度學(xué)習(xí)在圖像超分辨率重建問題的開山之作。超分辨率問題最難的挑戰(zhàn)是將一張 LR 圖像放大為一張 HR 圖像之后其中的像素填充。SRCNN 認(rèn)為 LR 圖像之所以能通過一定的算法升為 HR 圖像，主要是兩者之間存在“共同特征”，所以在 SRCNN 中，將超分辨率過程分為三個(gè)階段[44]：1) 特征提�。≒atch extraction and representation）此階段就是對 LR 圖像進(jìn)行特征提取和特征表示，利用卷積網(wǎng)絡(luò)的性質(zhì)提取圖像塊的特征；公式如下：( ) ( )1 1 1F Y = max 0, W *Y + B（3-2）2) 非線性映射（Non-linear mapping）將第一階段提取的1n 維特征映射至2n 維；公式如下：( ) ( ( ))2 2 1 2F Y = max 0

【參考文獻(xiàn)】：
期刊論文
[1]基于條件深度卷積生成對抗網(wǎng)絡(luò)的圖像識(shí)別方法[J]. 唐賢倫,杜一銘,劉雨微,李佳歆,馬藝瑋.  自動(dòng)化學(xué)報(bào). 2018(05)
[2]基于深層卷積網(wǎng)絡(luò)的單幅圖像超分辨率重建模型[J]. 龍法寧,朱曉姝,胡春嬌.  廣西科學(xué). 2017(03)
[3]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(03)
[4]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)
[5]基于正則化稀疏表示的圖像超分辨率算法[J]. 朱波,李華,高偉,宋宗璽.  光電子.激光. 2013(10)
[6]基于分類預(yù)測器及退化模型的圖像超分辨率快速重建[J]. 楊欣,費(fèi)樹岷,周大可,唐庭閣.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(01)
[7]一種視頻序列的超分辨率重建算法[J]. 韓玉兵,陳小薔,吳樂南.  電子學(xué)報(bào). 2005(01)
[8]基于MAP估計(jì)的圖像超分辨率重建[J]. 鐘山,陳洪光,沈振康.  國防科技大學(xué)學(xué)報(bào). 2003(04)

博士論文
[1]基于學(xué)習(xí)的圖像超分辨率重建算法研究[D]. 廖秀秀.華南理工大學(xué) 2013

碩士論文
[1]基于學(xué)習(xí)的圖像超分辨率重建方法研究[D]. 于喜娜.西安理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的超分辨率圖像重建算法研究[D]. 黃思煒.太原理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的人臉識(shí)別研究[D]. 程書豪.廣東工業(yè)大學(xué) 2018
[4]面向目標(biāo)識(shí)別的多特征融合研究與實(shí)現(xiàn)[D]. 張建虎.北京交通大學(xué) 2018
[5]基于深度學(xué)習(xí)的圖像超分辨率重建算法研究[D]. 黃冬冬.安徽工業(yè)大學(xué) 2017
[6]基于學(xué)習(xí)的超分辨率重建算法研究[D]. 安娜.哈爾濱理工大學(xué) 2017
[7]基于深度學(xué)習(xí)的圖像超分辨算法研究[D]. 韓小虎.河南大學(xué) 2016
[8]基于學(xué)習(xí)的圖像超分辨率算法研究[D]. 王學(xué)文.華中科技大學(xué) 2016
[9]基于壓縮感知的分布式視頻編解碼及其圖像超分辨率重建研究[D]. 顧瑩.南京郵電大學(xué) 2011



本文編號：3598166