隨著科技的發(fā)展和進(jìn)步,越來(lái)越多的設(shè)備擁有了獲取圖像信息的能力。然而由于工作場(chǎng)景、經(jīng)濟(jì)條件或設(shè)備硬件條件的限制,很多成像設(shè)備獲取的圖像分辨率不高,不能滿足實(shí)際要求,給后續(xù)圖像處理任務(wù)帶來(lái)困難。采用圖像處理方法從一序列或者單幅低分辨率圖像中重構(gòu)出高分辨率圖像的過(guò)程叫圖像超分辨率。目前基于深度學(xué)習(xí)的圖像超分辨率算法獲得很高的重建質(zhì)量。然而訓(xùn)練一個(gè)深度學(xué)習(xí)模型不僅需要較長(zhǎng)的時(shí)間而且要占用大量的計(jì)算資源,不利于實(shí)際應(yīng)用。針對(duì)這個(gè)問(wèn)題,本文研究了寬度神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法。第一,提出了一種結(jié)合亞像素與寬度學(xué)習(xí)的圖像超分辨率方法。該算法先將訓(xùn)練樣本中的高分辨率圖像采樣成多個(gè)亞像素圖像,然后用寬度學(xué)習(xí)系統(tǒng)建立低分辨率圖像與亞像素圖像之間的非線性映射關(guān)系。重建階段,根據(jù)學(xué)習(xí)好的寬度網(wǎng)絡(luò)得到低分辨率圖像對(duì)應(yīng)的亞像素圖像,再將亞像素圖像恢復(fù)成高分辨率圖像。由于寬度學(xué)習(xí)系統(tǒng)是單層網(wǎng)絡(luò)并采用最小二乘類算法訓(xùn)練,因此訓(xùn)練快速計(jì)算復(fù)雜性低。亞像素采樣進(jìn)一步降低了訓(xùn)練樣本數(shù)據(jù)的維數(shù),使得最小二乘類算法可以使用較少的內(nèi)存就可以處理更大規(guī)模的訓(xùn)練集合。實(shí)驗(yàn)結(jié)果表明,所提方法重建出來(lái)的高分辨率圖像不僅細(xì)節(jié)、紋理清晰,而... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于插值的圖像超分辨率算法
        1.2.2 基于重建的圖像超分辨率算法
        1.2.3 基于學(xué)習(xí)的圖像超分辨率算法
        1.2.4 圖像超分辨率質(zhì)量的評(píng)估標(biāo)準(zhǔn)
    1.3 研究思路與內(nèi)容安排
        1.3.1 現(xiàn)有方法的不足
        1.3.2 研究思路
        1.3.3 內(nèi)容安排
第2章 基于寬度學(xué)習(xí)系統(tǒng)與亞像素的圖像超分辨率研究
    2.1 寬度學(xué)習(xí)系統(tǒng)
    2.2 基于寬度學(xué)習(xí)系統(tǒng)與亞像素的圖像超分辨率算法
        2.2.1 算法細(xì)節(jié)
        2.2.2 算法訓(xùn)練及超分辨率步驟
    2.3 實(shí)驗(yàn)結(jié)果與分析
        2.3.1 圖像數(shù)據(jù)集的選擇
        2.3.2 參數(shù)設(shè)置
        2.3.3 結(jié)果與分析
    2.4 本章小結(jié)
第3章 寬度Elman網(wǎng)絡(luò)模型
    3.1 Elman神經(jīng)網(wǎng)絡(luò)
    3.2 寬度Elman神經(jīng)網(wǎng)絡(luò)模型
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.2.2 網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)算法
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 圖像數(shù)據(jù)集的選擇
        3.3.2 參數(shù)設(shè)置
        3.3.3 結(jié)果與分析
    3.4 本章小結(jié)
第4章 基于寬度Elman網(wǎng)絡(luò)的圖像超分辨率研究
    4.1 基于寬度Elman的圖像超分辨率算法
        4.1.1 算法細(xì)節(jié)
        4.1.2 算法訓(xùn)練及超分辨率步驟
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 圖像數(shù)據(jù)集的選擇
        4.2.2 參數(shù)設(shè)置
        4.2.3 結(jié)果與分析
    4.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Complex Network Classification with Convolutional Neural Network[J]. Ruyue Xin,Jiang Zhang,Yitong Shao.  Tsinghua Science and Technology. 2020(04)
[2]改進(jìn)相似性度量模型的單幅圖像自學(xué)習(xí)超分辨算法[J]. 趙麗玲,孫權(quán)森.  數(shù)據(jù)采集與處理. 2018(02)
[3]小波雙線性插值迭代算法應(yīng)用于光學(xué)遙感圖像[J]. 劉卜,屈有山,馮桂蘭,楊秀芳,相里斌.  光子學(xué)報(bào). 2006(03)
[4]遞歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)研究[J]. 叢爽,戴誼.  計(jì)算機(jī)應(yīng)用. 2004(08)



本文編號(hào)：3001638