圖像超分辨率重構(gòu)指的是將給定的低分辨率圖像,通過特定的算法,增加高頻細(xì)節(jié)信息,提升空間分辨率和清晰度,生成對應(yīng)的高分辨率圖像。目前,基于深度學(xué)習(xí)的圖像超分辨率算法能夠解決傳統(tǒng)算法計(jì)算量大、魯棒性差、邊緣模糊、細(xì)節(jié)丟失、生成圖像質(zhì)量不高等問題,但是仍然存在網(wǎng)絡(luò)訓(xùn)練不穩(wěn)定、梯度消失等情況,而且對于色彩豐富、紋理復(fù)雜的圖像超分時易產(chǎn)生細(xì)節(jié)模糊、失真的圖像。針對上述問題,本文研究了卷積神經(jīng)網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)等深度學(xué)習(xí)方法在圖像超分辨率領(lǐng)域中的應(yīng)用,先提出基于殘差稠密跳接網(wǎng)絡(luò)的超分辨率重構(gòu)模型,然后結(jié)合生成對抗網(wǎng)絡(luò),提出了一種新的基于生成對抗網(wǎng)絡(luò)的圖像超分辨率算法。主要工作有:（1）利用殘差網(wǎng)絡(luò)和稠密網(wǎng)絡(luò)的特性,提出基于殘差稠密跳接網(wǎng)絡(luò)（Super-Resolution via Residual Dense connected network,SRRDCN）的超分辨率模型。該網(wǎng)絡(luò)的殘差稠密單元由多個殘差稠密塊級聯(lián)而成,提取具有更豐富語義信息的高層次抽象特征;引入全局快捷連接,將淺層特征和深層特征融合在一起,從原始LR圖像中獲得全局密集特征。殘差稠密塊的局部快捷連接,融合局部低層特征和局部高層特征... 

【文章來源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

傳統(tǒng)全連接神經(jīng)網(wǎng)絡(luò)示意圖

9圖2.2卷積神經(jīng)網(wǎng)絡(luò)示意圖卷積神經(jīng)網(wǎng)絡(luò)分為多層網(wǎng)絡(luò)結(jié)構(gòu)，每層包含多個二維平面，而每個二維平面又由多個獨(dú)立的神經(jīng)元組成。其中卷積層和池化層是卷積神經(jīng)網(wǎng)絡(luò)中使用最多的兩類網(wǎng)結(jié)構(gòu)。假設(shè)X表示網(wǎng)絡(luò)輸入，表示網(wǎng)絡(luò)第i層計(jì)算得出的特征圖，則卷積層的操作見式(2.1)的公式。=(+)（2.1）其中，f(x)是激活函數(shù)，是i層卷積核的權(quán)重值，是第i層的偏置量，記為卷積運(yùn)算。卷積層與池化層往往會被捆綁式的一起作為特征提取單元使用，主要目的是對卷積后所獲得的特征圖進(jìn)行降維，縮小模型并提高計(jì)算速度，減少過擬合現(xiàn)象的發(fā)生。常見的池化層有平均池化層和最大池化層，后者在實(shí)際中使用較多，其池化的降采樣過程見圖2.3所示。圖2.3最大池化降采樣過程通過在網(wǎng)絡(luò)的輸出端，使用全連接網(wǎng)絡(luò)對不同特征圖加以分類，可獲得輸入

9圖2.2卷積神經(jīng)網(wǎng)絡(luò)示意圖卷積神經(jīng)網(wǎng)絡(luò)分為多層網(wǎng)絡(luò)結(jié)構(gòu)，每層包含多個二維平面，而每個二維平面又由多個獨(dú)立的神經(jīng)元組成。其中卷積層和池化層是卷積神經(jīng)網(wǎng)絡(luò)中使用最多的兩類網(wǎng)結(jié)構(gòu)。假設(shè)X表示網(wǎng)絡(luò)輸入，表示網(wǎng)絡(luò)第i層計(jì)算得出的特征圖，則卷積層的操作見式(2.1)的公式。=(+)（2.1）其中，f(x)是激活函數(shù)，是i層卷積核的權(quán)重值，是第i層的偏置量，記為卷積運(yùn)算。卷積層與池化層往往會被捆綁式的一起作為特征提取單元使用，主要目的是對卷積后所獲得的特征圖進(jìn)行降維，縮小模型并提高計(jì)算速度，減少過擬合現(xiàn)象的發(fā)生。常見的池化層有平均池化層和最大池化層，后者在實(shí)際中使用較多，其池化的降采樣過程見圖2.3所示。圖2.3最大池化降采樣過程通過在網(wǎng)絡(luò)的輸出端，使用全連接網(wǎng)絡(luò)對不同特征圖加以分類，可獲得輸入

【參考文獻(xiàn)】：
期刊論文
[1]CNNIC發(fā)布第44次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[J]. 于朝暉.  網(wǎng)信軍民融合. 2019(09)
[2]生成式對抗網(wǎng)絡(luò)及其計(jì)算機(jī)視覺應(yīng)用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學(xué)相.  中國圖象圖形學(xué)報(bào). 2018(10)
[3]大尺寸TFT-TCL電視彩色和圖像增強(qiáng)技術(shù)的處理[J]. 鄧良柄.  中國新技術(shù)新產(chǎn)品. 2016(09)
[4]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)
[5]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[6]基于詞典學(xué)習(xí)和稀疏表示的超分辨率方法[J]. 浦劍,張軍平.  模式識別與人工智能. 2010(03)
[7]基于人眼視覺的結(jié)構(gòu)相似度圖像質(zhì)量評價(jià)方法[J]. 楊威,趙剡,許東.  北京航空航天大學(xué)學(xué)報(bào). 2008(01)

碩士論文
[1]二維CT圖像重建算法研究[D]. 毛小淵.南昌航空大學(xué) 2016



本文編號：3358946