單幅圖像超分辨重建技術(shù)旨在從一幅低分辨率(Low Resolution,LR)圖像中重構(gòu)出紋理清晰的高分辨率(High Resolution,HR)圖像。作為圖像處理領(lǐng)域中一項(xiàng)關(guān)鍵技術(shù),圖像超分辨一直受到學(xué)者們的廣泛關(guān)注,且在諸多實(shí)際場景中具有重要應(yīng)用價(jià)值。近年來,利用深度學(xué)習(xí)理論解決圖像超分辨成為研究熱點(diǎn)。本文圍繞基于深度學(xué)習(xí)的超分辨算法的現(xiàn)存問題,從集成學(xué)習(xí)的角度展開研究。本文的主要貢獻(xiàn)如下:(1)本文提出一種基于深層與淺層集成網(wǎng)絡(luò)的端到端超分辨算法,旨在有效提升網(wǎng)絡(luò)深度,改善深層超分辨模型的性能飽和問題。深層網(wǎng)絡(luò)雖建模能力強(qiáng),但優(yōu)化難度制約了其性能的提升。為此,本文提出將輕量級(jí)的淺層網(wǎng)絡(luò)與深層網(wǎng)絡(luò)集成,使二者分工合作并聯(lián)合優(yōu)化,從而易優(yōu)化的淺層網(wǎng)絡(luò)能較快捕獲HR圖像的主要結(jié)構(gòu)信息,降低深層網(wǎng)絡(luò)的學(xué)習(xí)難度,促進(jìn)優(yōu)化過程中的梯度傳播;在淺層網(wǎng)絡(luò)的輔助下,深層網(wǎng)絡(luò)可以充分發(fā)揮自身優(yōu)勢(shì),重建出精細(xì)的HR細(xì)節(jié)信息。為進(jìn)一步提升算法性能,本文提出利用多尺度上下文信息重構(gòu)HR細(xì)節(jié),且在特征空間采用學(xué)習(xí)的方式對(duì)圖像上采樣,從而實(shí)現(xiàn)端到端可訓(xùn)練的集成模型。本文通過大量實(shí)驗(yàn)驗(yàn)證了該集成算法的有效性。... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：133 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１．２雙立方插值算法對(duì)圖像的Ｘ３超分辨結(jié)果??

?基于深度集成學(xué)習(xí)的圖像超分辨率算法研究???�。撸{．？．細(xì)??Ｌ—???————?－１?ＨＲ圖像??卷積神經(jīng)網(wǎng)絡(luò)??圖１．４基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨算法示意圖??Ｆｉｇ．?１．４?Ｉｌｌｕｓｔｒａｔｉｏｎ?ｏｆ?ＣＮＮ－ｂａｓｅｄ?ｉｍａｇｅ?ｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎ?ｍｅｔｈｏｄ??進(jìn)行與錨點(diǎn)相關(guān)的選擇近鄰并線性回歸器的建立。Ｙａｎｇ等人提出利用Ｋ均值（Ｋｍｅａｎｓ）??對(duì)訓(xùn)練庫中的ＬＲ與ＨＲ圖像塊進(jìn)行聚類，并對(duì)每個(gè)聚類的ＬＲ／ＨＲ子集分別一個(gè)建立線??性映射關(guān)系。文獻(xiàn)［５１］則提出基于高斯過程回歸（Ｇａｕｓｓｉａｎ?Ｐｒｏｃｅｓｓ?Ｒｅｇｒｅｓｓｉｏｎ，?ＧＰＲ）的??超分辨算法。該算法采用ＧＰＲ得到圖像中各個(gè)像素點(diǎn)的局部結(jié)構(gòu)信息，并基于非參數(shù)??的貝葉斯模型，對(duì)局部圖像塊的邊緣進(jìn)行自適應(yīng)地預(yù)測(cè)。??（４）基于深度學(xué)習(xí)的超分辨算法??近年來，深度學(xué)習(xí)理論的飛速發(fā)展，它的出現(xiàn)彌補(bǔ)了傳統(tǒng)淺層學(xué)習(xí)方法的不足，在??諸多計(jì)算機(jī)視覺領(lǐng)域（如圖像識(shí)別、目標(biāo)檢測(cè)、語義分割等）己取得了重大突破。深度學(xué)??習(xí)在圖像超分辨領(lǐng)域也引起廣泛關(guān)注［５２］，并極大地推動(dòng)了該領(lǐng)域的發(fā)展。??基于深度學(xué)習(xí)的超分辨算法通過設(shè)計(jì)多層祌經(jīng)網(wǎng)絡(luò)建立模型，直接擬合從ＬＲ??到ＨＲ圖像之間的非線性映射關(guān)系。圖１．４為基于卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ??Ｎｅｔｗｏｒｋ，?ＣＮＮ）的圖像超分辨算法示意圖。這類算法的開篇之作是Ｄｏｎｇ等人［５３］提??出的基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨（Ｓｕｐｅｒ－Ｒｅｓｏｌｕｔｉｏｎ?ｕｓｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，??ＳＲＣＮＮ）算

這兩個(gè)網(wǎng)絡(luò)??進(jìn)行博弈式的訓(xùn)練，最終使生成器重建出逼近真實(shí)場景的ＨＲ圖像。由于ＧＡＮ訓(xùn)練過??程非常棘手不穩(wěn)定，研究者們也提出了一些列改進(jìn)版的對(duì)抗生成超分辨算法［７１－７３］。??與本文研宄最為相關(guān)的是利用集成學(xué)習(xí)（Ｅｎｓｅｍｂｌｅ?Ｌｅａｒｎｉｎｇ）思想設(shè)汁深度祌經(jīng)網(wǎng)絡(luò)??—？網(wǎng)絡(luò)１?；?．■－二，，二…??德——，融合－雜??ＬＲ輸入??￣￣？網(wǎng)絡(luò)Ｎ???ＨＲ輸出??（ａ）??????????????二＇?潑ｃ??則?▲?ＨＲ輸石緣舞??（ｂ）??圖１．５兩種基于集成學(xué)習(xí)的圖像超分辨結(jié)構(gòu)示意圖??Ｆｉｇ．?１．５?Ｅｘａｍｐｌｅｓ?ｏｆ?ｔｗｏ?ｅｎｓｅｍｂｌｅ?ｓｔｒｕｃｔｕｒｅｓ?ｆｏｒ?ｉｍａｇｅ?ｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎ??－１１－??

【參考文獻(xiàn)】：
期刊論文
[1]基于小波域的深度殘差網(wǎng)絡(luò)圖像超分辨率算法[J]. 段立娟,武春麗,恩擎,喬元華,張韻東,陳軍成.  軟件學(xué)報(bào). 2019(04)
[2]基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建[J]. 周登文,趙麗娟,段然,柴曉亮.  自動(dòng)化學(xué)報(bào). 2019(06)
[3]小波域多角度輪廓模板變分模型的單幅圖像超分辨率重建[J]. 王相海,趙曉陽,畢曉昀,陶兢喆.  電子學(xué)報(bào). 2018(09)
[4]基于二階廣義方向性全變分的圖像超分辨率重建方法[J]. 伍政華,孫明健,顧宗山,范明意.  電子學(xué)報(bào). 2017(11)
[5]基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進(jìn)展[J]. 孫旭,李曉光,李嘉鋒,卓力.  自動(dòng)化學(xué)報(bào). 2017(05)

博士論文
[1]基于稀疏表示的圖像超分辨率重建模型研究[D]. 謝超.東南大學(xué) 2018
[2]基于學(xué)習(xí)的單幅圖像超分辨率重建方法研究[D]. 程培濤.西安電子科技大學(xué) 2017



本文編號(hào)：2921677