當(dāng)下,圖像是獲取信息的重要手段,在許多行業(yè)都發(fā)揮著重要的作用。例如:刑偵通過(guò)圖像發(fā)現(xiàn)線索;遙感通過(guò)圖像識(shí)別目標(biāo)物體,做出下一步操作;醫(yī)生通過(guò)醫(yī)療影像診斷病患病情等等。圖像分辨率的高低代表了圖像儲(chǔ)存信息量的多少,然而現(xiàn)實(shí)生活中,由于受到不當(dāng)傳輸、設(shè)備落后、環(huán)境限制等因素的影響,導(dǎo)致大量圖像質(zhì)量不高,細(xì)節(jié)信息不完善,難以為我們提供有價(jià)值的信息。因此,當(dāng)前首要任務(wù)是改善圖像生成的質(zhì)量,確保生成的圖像能夠滿足實(shí)際運(yùn)用所需。為了解決獲取的圖像出現(xiàn)不清晰,大量信息丟失,缺少關(guān)鍵細(xì)節(jié)紋理等問(wèn)題,本文通過(guò)對(duì)現(xiàn)有技術(shù)手段的學(xué)習(xí)和實(shí)驗(yàn),對(duì)比了不同方法對(duì)圖像重建的效果,通過(guò)結(jié)合SRGAN、殘差網(wǎng)絡(luò)、密集連接、空洞卷積等算法模型重構(gòu)了基于生成對(duì)抗網(wǎng)絡(luò)的超分辨率圖像重建模型,最后搭建了圖像超分辨率重建系統(tǒng),為用戶提供可視化、可操作的圖形圖像處理系統(tǒng)。本文的主要貢獻(xiàn)如下:（1）總結(jié)概括了基于殘差密集網(wǎng)絡(luò)的超分辨率重建算法模型的優(yōu)越性能,深入分析該模型的局限性,包括較低的可信度、斑駁的邊緣和缺失的圖像細(xì)節(jié)等,提出了改進(jìn)的生成對(duì)抗網(wǎng)絡(luò)超分辨率圖像重建模型。該方法在生成器模型中使用了空洞殘差密集連接網(wǎng)絡(luò)構(gòu)建生成器模型用... 

【文章來(lái)源】：云南師范大學(xué)云南省

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積網(wǎng)絡(luò)模型

第2章圖像超分辨率相關(guān)介紹13積層由若干個(gè)卷積核（Filter）組成，各個(gè)卷積核用以計(jì)算各自對(duì)應(yīng)的特征圖。所有卷積核之間在進(jìn)行卷積時(shí)可共享參數(shù)，從而減少了訓(xùn)練過(guò)程中的參數(shù)量。如圖2-5所示，表示的是卷積操作。圖2-5卷積操作示意圖（2）池化層（Pooling）池化實(shí)質(zhì)上是對(duì)高分辨率的圖像進(jìn)行降質(zhì)處理，它是一種非線性下采樣方式。池化層能夠有效減少全連接層內(nèi)結(jié)點(diǎn)數(shù)目，從而有效控制網(wǎng)絡(luò)中的參數(shù)總量。池化操作主要包括最大池化和平均池化。最大池化是降低維度，提取圖像的主要特征，保留更多的紋理信息。平均池化是取一個(gè)區(qū)域的平均值，用來(lái)保留圖像的背景信息。（3）全連接層（Fully-connected）全連接層全部結(jié)點(diǎn)均同上層結(jié)點(diǎn)連接，可實(shí)現(xiàn)前序全部特征的整合。經(jīng)過(guò)多層卷積和池化層的處理后，在神經(jīng)網(wǎng)絡(luò)最后一般由1至2個(gè)全連接層來(lái)輸出最后的結(jié)果。全連接層在整個(gè)神經(jīng)網(wǎng)絡(luò)中起到“分類(lèi)器”的作用。卷積層和池化層相當(dāng)于圖像特征提取自動(dòng)化，待提取完畢，全連接層執(zhí)行最終分類(lèi)工作。全連接層的核心操作是矩陣向量乘積，本質(zhì)是由一個(gè)特征空間變換到另一個(gè)特征空間。（4）非線性變換（ActivationFunction，激活函數(shù)）LeakyReLu、ReLu、Tanh和Sigmoid等激活函數(shù)在神經(jīng)元中引入了非線性參數(shù)，確保將神經(jīng)元的輸入非線性地映射到輸出端。生物領(lǐng)域常用的S型函數(shù)就是上述提到的Sigmoid函數(shù)。在信息科學(xué)中，由于

第2章圖像超分辨率相關(guān)介紹14其單增以及反函數(shù)單增的性質(zhì)，常被用做神經(jīng)網(wǎng)絡(luò)的閾值函數(shù)，將變量映射到[0,1]之間[45]，函數(shù)圖像如圖2-6所示。圖2-6Sigmoid函數(shù)圖像用公式表示為：f()=11+（2.7）Tanh是雙曲函數(shù)中的一個(gè)，表示的是雙曲正切，雙曲正切由基本的雙曲函數(shù)雙曲正弦和雙曲余弦推導(dǎo)而來(lái)，是在Sigmoid函數(shù)基礎(chǔ)上為解決均值問(wèn)題提出的激活函數(shù)。函數(shù)圖像如圖2-7所示。圖2-7Tanh函數(shù)圖像其函數(shù)范圍為（-1，+1），用公式表示為：f()=+（2.8）

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法綜述[J]. 田萱,王亮,丁琪.  軟件學(xué)報(bào). 2019(02)
[2]Adam優(yōu)化的CNN超分辨率重建[J]. 趙小強(qiáng),宋昭漾.  計(jì)算機(jī)科學(xué)與探索. 2019(05)
[3]利用多尺度卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 陳書(shū)貞,解小會(huì),楊郁池,練秋生.  信號(hào)處理. 2018(09)
[4]基于生成對(duì)抗網(wǎng)絡(luò)的單幀紅外圖像超分辨算法[J]. 邵保泰,湯心溢,金璐,李爭(zhēng).  紅外與毫米波學(xué)報(bào). 2018(04)
[5]多尺度殘差深度神經(jīng)網(wǎng)絡(luò)的衛(wèi)星圖像超分辨率算法[J]. 汪家明,盧濤.  武漢工程大學(xué)學(xué)報(bào). 2018(04)
[6]基于通道注意力的卷積神經(jīng)網(wǎng)絡(luò)在圖像超分辨率重建中的應(yīng)用[J]. 王東飛.  廣播與電視技術(shù). 2018(06)
[7]基于WGAN的圖像修復(fù)應(yīng)用[J]. 哈文全.  電子技術(shù)與軟件工程. 2018(10)
[8]基于深度殘差生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)影像超分辨率算法[J]. 高媛,劉志,秦品樂(lè),王麗芳.  計(jì)算機(jī)應(yīng)用. 2018(09)
[9]基于深度學(xué)習(xí)的毫米波和亞毫米波成像儀的圖像增強(qiáng)技術(shù)[J]. 胡偉東,張文龍,安大偉,王璐,陳實(shí),岳芬,LIGTHART Leo P..  上海航天. 2018(02)
[10]基于生成式對(duì)抗網(wǎng)絡(luò)的魯棒人臉表情識(shí)別[J]. 姚乃明,郭清沛,喬逢春,陳輝,王宏安.  自動(dòng)化學(xué)報(bào). 2018(05)

博士論文
[1]基于鄰域?qū)W習(xí)和稀疏原子聚類(lèi)字典的圖像超分辨率重構(gòu)算法研究[D]. 王新蕾.東南大學(xué) 2016

碩士論文
[1]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
[2]基于DCGAN算法的圖像生成技術(shù)研究[D]. 蔡曉龍.青島理工大學(xué) 2018
[3]基于成對(duì)映射的單幀圖像超分辨重建[D]. 謝芳.西安電子科技大學(xué) 2014
[4]超分辨率文檔圖像復(fù)原方法研究[D]. 詹曉媚.華東師范大學(xué) 2013



本文編號(hào)：3603314