圖像超分辨率重建是一種典型的底層計算機視覺任務(wù),其目標是從低分辨率（Low Resolution,LR）圖像中恢復(fù)出細節(jié)更加豐富的高分辨率（High Resolution,HR）圖像。近年來,卷積神經(jīng)網(wǎng)絡(luò)在單幅圖像超分辨率重建的應(yīng)用中取得了巨大的成功,相較于傳統(tǒng)方法獲得了更好的重建效果。但是現(xiàn)有的重建模型網(wǎng)絡(luò)結(jié)構(gòu)淺,卷積核感受野較小,難以學習大范圍的圖像特征,導(dǎo)致重建過程中沒能充分利用圖像的上下文信息,不利于復(fù)雜紋理細節(jié)特征的重建,從而影響重建的圖像質(zhì)量。針對現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建方法存在的問題和不足,本文提出了一種多尺度特征融合遞歸殘差網(wǎng)絡(luò)模型,由多尺度特征提取、遞歸殘差網(wǎng)絡(luò)和反卷積重建網(wǎng)絡(luò)組成。特征提取單元使用不同尺度的卷積核自適應(yīng)檢測不同尺度下的圖像特征信息,提取LR圖像的淺層特征信息。遞歸殘差網(wǎng)絡(luò)使用全局殘差和多路徑模式下的局部殘差相結(jié)合的方式來學習LR圖像和HR圖像之間的非線性映射,從不同路徑提取的特征不僅會在網(wǎng)絡(luò)尾部融合,而且會在網(wǎng)絡(luò)的前向傳輸過程中融合,其結(jié)合了殘差塊和多路徑鏈接的優(yōu)點,以充分利用不同尺度的淺層和深層局部圖像特征。同時在殘差塊中引入遞歸學... 

【文章來源】：西安科技大學陜西省

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖像超分辨率重建技術(shù)在生活中的應(yīng)用

西安科技大學碩士學位論文6高圖像的重建質(zhì)量。隨著網(wǎng)絡(luò)深度的增加，訓練過程中出現(xiàn)的問題越來越多，訓練難度越來越大，在圖像傳輸?shù)倪^程中，容易出現(xiàn)局部特征消失的問題，如何充分利用局部多尺度特征和層次特征是獲得HR圖像的關(guān)鍵。為了解決上述問題，本文提出了一種多尺度特征融合遞歸殘差網(wǎng)絡(luò)模型（Multi-scalefeaturefusionrecursiveresidualnetwork，MFFRR），由多尺度特征提娶遞歸殘差網(wǎng)絡(luò)的非線性映射和反卷積重建網(wǎng)絡(luò)三部分組成，如圖1.2所示。圖1.2多尺度特征融合遞歸殘差網(wǎng)絡(luò)模型框圖（1）特征提取單元是在單尺度模型的基礎(chǔ)上，構(gòu)造一個多尺度特征提取網(wǎng)絡(luò)，使用不同尺度的卷積核提取原始LR圖像的多尺度特征信息，全面檢測具有不同尺度卷積核的淺層圖像特征，最大限度的利用LR圖像的層次特征，在提取到更多的圖像細節(jié)特征后，進一步利用特征融合塊進行多尺度特征融合。（2）遞歸殘差網(wǎng)絡(luò)用來學習LR圖像和HR圖像之間的非線性映射，本文使用全局殘差和多路徑模式下的局部殘差相結(jié)合的方式來傳輸不同卷積層之間的圖像特征，通過在不同的卷積層中重用深層特征來提高遞歸殘差網(wǎng)絡(luò)的表示能力。多路徑模式的局部殘差將每一層提取到的圖像特征傳輸?shù)胶竺婢矸e層，提取并融合多層遞歸殘差特征，充分利用不同尺度的淺層和深層局部圖像特征。同時在殘差塊中引入遞歸策略，在加深網(wǎng)絡(luò)結(jié)構(gòu)的同時，使用較少的參數(shù)訓練網(wǎng)絡(luò)，增加感受野的同時還可以提高網(wǎng)絡(luò)的收斂速度。（3）在圖像重建部分，使用反卷積層實現(xiàn)圖像的上采樣操作，將LR圖像使用雙三次插值法放大后與反卷積上采樣得到的圖像形成全局殘差學習實現(xiàn)最終高分辨率圖像的重建。（4）為了驗證本文重建模型的性能，本文在四個基準數(shù)據(jù)集和一個醫(yī)學數(shù)據(jù)集上進行了定性分析和定量評估，其中這四個

西安科技大學碩士學位論文82圖像超分辨率重建技術(shù)與經(jīng)典算法要想設(shè)計一個重建質(zhì)量較高的圖像超分辨率模型，就需要了解低分辨率圖像的成像過程，對LR圖像的成像過程進行建模得到其降質(zhì)模型。本文主要研究單幅圖像的超分辨率重建算法，但是多幅圖像的超分辨率重建技術(shù)與之息息相關(guān)，本章將對圖像超分辨率重建技術(shù)整體進行介紹，包括傳統(tǒng)的SR方法、基于卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典算法以及圖像質(zhì)量的評價標準。2.1圖像降質(zhì)模型通常來說，圖像的分辨率越高，圖像表達細節(jié)信息的能力就越強，圖像也就越清晰，質(zhì)量就越高。但是由于成像設(shè)備和環(huán)境的限制，人們往往獲取的圖像是由各種劣化因素引起的低分辨率圖像，如果通過改善硬件設(shè)備提高圖像的分辨率，那么所花費的成本較高，并且技術(shù)的實現(xiàn)難度較大。所以圖像超分辨率技術(shù)通過軟件的方式來提高圖像的分辨率已經(jīng)應(yīng)用于各種領(lǐng)域，例如視頻監(jiān)控[28]、醫(yī)學成像[29]、遙感圖像觀測[30]，生物特征信息識別等。如圖2.1所示，單幅圖像超分辨率重建技術(shù)將低分辨圖像LR損失的高頻細節(jié)信息有效地恢復(fù)出來，從而得到高分辨率圖像HR，從圖2.1中可以很直觀地看出，圖像超分辨率的重建效果。圖2.1圖像超分辨率重建結(jié)果示例圖像超分辨率重建的任務(wù)是從下采樣或模糊導(dǎo)致的LR圖像中恢復(fù)出相對應(yīng)的HR圖像，因此首先需要了解低分辨率圖像的成像過程。一般來說，低分辨率圖像的成像過程是通過一系列的幾何變形、模糊、降采樣、加入噪聲等形成的，如圖2.2所示，這些過程對應(yīng)于一個數(shù)學模型。

【參考文獻】：
期刊論文
[1]基于自適應(yīng)下采樣和超分重建的圖像壓縮框架[J]. 張達明,何小海,任超,吳曉紅,李興龍,范夢.  太赫茲科學與電子信息學報. 2020(02)
[2]一種優(yōu)化的迭代反投影超分辨率重建方法[J]. 劉克儉,陳淼焱,馮琦.  遙感信息. 2019(03)
[3]用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的設(shè)計[J]. 王紅霞,周家奇,辜承昊,林泓.  浙江大學學報(工學版). 2019(07)
[4]基于深度學習的單圖像超分辨率重建研究綜述[J]. 南方哲,錢育蓉,行艷妮,趙京霞.  計算機應(yīng)用研究. 2020(02)
[5]基于Dopout與ADAM優(yōu)化器的改進CNN算法[J]. 楊觀賜,楊靜,李少波,胡建軍.  華中科技大學學報(自然科學版). 2018(07)
[6]圖像融合質(zhì)量評價方法研究綜述[J]. 楊艷春,李嬌,王陽萍.  計算機科學與探索. 2018(07)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的視頻圖像超分辨率重建方法[J]. 劉村,李元祥,周擁軍,駱建華.  計算機應(yīng)用研究. 2019(04)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)綜述[J]. 景晨凱,宋濤,莊雷,劉剛,王樂,劉凱倫.  計算機應(yīng)用與軟件. 2018(01)
[9]基于稀疏表示和塊匹配的圖像超分辨率重建方法[J]. 王芳,趙少林,朱長征.  湘潭大學自然科學學報. 2017(01)
[10]一種反投影模型下的圖像重建迭代算法[J]. 趙芳薇,邱鈞,劉暢.  中北大學學報(自然科學版). 2015(05)



本文編號：3291132