基于卷積神經(jīng)網(wǎng)絡(luò)的單幀圖像超分辨率重建.pdf

1、在計(jì)算機(jī)視覺(jué)領(lǐng)域，圖像超分辨率重建一直是一個(gè)研究熱點(diǎn)，具有廣泛的應(yīng)用前景和運(yùn)用價(jià)值。它主要關(guān)注在硬件設(shè)備性能受限的情況下，利用所獲取的單幅或者多幅圖像，盡可能地提高圖像分辨率，最大限度地恢復(fù)圖像的細(xì)節(jié)特征，以滿足用戶對(duì)圖像的視覺(jué)要求。基于學(xué)習(xí)的圖像超分辨率重建算法是當(dāng)前最流行的超分辨率重建算法，該類算法通過(guò)對(duì)訓(xùn)練庫(kù)中的圖像進(jìn)行學(xué)習(xí)，得到高分辨率和低分辨率圖像之間的非線性的映射關(guān)系，從而預(yù)測(cè)得到低分辨率圖像中丟失的大量高頻信息。當(dāng)前基于學(xué)

2、習(xí)的超分辨率重建方法還有較大的提升空間。深度學(xué)習(xí)是新興的機(jī)器學(xué)習(xí)算法，相對(duì)于其他的機(jī)器學(xué)習(xí)方法，其優(yōu)勢(shì)有:1）處理數(shù)據(jù)的能力強(qiáng)，在文字、語(yǔ)音等方面的識(shí)別結(jié)果顯示，基于深度學(xué)習(xí)的方法能大幅提高文字和語(yǔ)音的識(shí)別性能;2）能處理大規(guī)模的訓(xùn)練數(shù)據(jù)，是處理大數(shù)據(jù)的有效工具。受此啟發(fā)，本文將深度學(xué)習(xí)算法引入到超分辨率重建問(wèn)題中，旨在通過(guò)設(shè)計(jì)基于深度學(xué)習(xí)的模型算法，提高超分辨率圖像的質(zhì)量。
　　本文主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下:
　　1.對(duì)圖

3、像梯度與圖像紋理的關(guān)系作了詳細(xì)介紹，分析了卷積神經(jīng)網(wǎng)絡(luò)的卷積核與梯度算子之間的關(guān)系和卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像特征提取的原理，從而說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)在圖像超分辨率重建中的優(yōu)越性。
　　2.提出一個(gè)基于多個(gè)特征圖輸入的四層卷積網(wǎng)絡(luò)重建模型。對(duì)一個(gè)超分辨率重建網(wǎng)絡(luò)模型來(lái)說(shuō)，能否提取到圖像的細(xì)節(jié)特征直接關(guān)系到整個(gè)重建網(wǎng)絡(luò)的好壞，而網(wǎng)絡(luò)對(duì)圖像細(xì)節(jié)特征的提取與網(wǎng)絡(luò)各層參數(shù)的設(shè)置關(guān)系密切;本文在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中，通過(guò)不斷調(diào)整網(wǎng)絡(luò)各層卷積層的參數(shù)，最終得

4、到一個(gè)比較滿意的參數(shù)集合。實(shí)驗(yàn)證明，此模型對(duì)圖像的重建能取得較好的效果，特別是對(duì)單幀圖像的重建效果較好，對(duì)圖像的邊緣和細(xì)節(jié)特征恢復(fù)效果也不錯(cuò)。
　　3.為了更進(jìn)一步提高圖像的超分辨率重建能力，基于多個(gè)特征圖輸入的四層網(wǎng)絡(luò)重建模型，本文改進(jìn)了網(wǎng)絡(luò)中的重建層，通過(guò)融合重建層前面的每個(gè)卷積層的輸出的特征圖作為重建層的輸入，最大程度地獲取了圖像的特征，更有利于圖像的重建。
　　4.為了研究分別使用特征單一和特征復(fù)雜的圖像集來(lái)對(duì)同一種