深度學(xué)習(xí)在圖像復(fù)原中的應(yīng)用研究.pdf

1、本文主要研究超分辨率圖像重建以及圖像去噪技術(shù)?；趯W(xué)習(xí)的單幀超分辨率重建問題通過機(jī)器學(xué)習(xí)方法從訓(xùn)練樣本集中提取所需的高頻信息，從而對低分辨率測試樣本缺少的信息進(jìn)行預(yù)測，達(dá)到提高圖像分辨率的目的。受深度學(xué)習(xí)理論和PMJ模型啟發(fā)，本文構(gòu)建了一個(gè)應(yīng)用于超分辨率重建的PMJ模型(PMJ-SR)，包括感知、記憶、決策三個(gè)階段。針對不同的特征學(xué)習(xí)方法，各階段完成任務(wù)有所差異。但總的來說都是在感知階段對圖像進(jìn)行初步地特征提取;在記憶階段通過兩種不同的

2、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)獲得超分辨率重建所需的過完備字典;在決策階段，將過完備字典作為超分辨率重建的依據(jù)，對單幀圖像進(jìn)行超分辨率重建。
　　在PMJ-SR模型的基礎(chǔ)上，本文首先介紹了基于淺層稀疏編碼網(wǎng)絡(luò)學(xué)習(xí)的超分辨率重建模型，在PMJ-SR模型的記憶階段使用淺層稀疏編碼神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到超分辨率重建的過完備字典，并應(yīng)用到超分辨率圖像重建中。結(jié)果表明淺層網(wǎng)絡(luò)提取的特征更利于觀察和識別，對單幀圖像具有良好重建能力，能夠較好重建低分辨率圖像，但訓(xùn)練

3、樣本較少，不具有推廣性。
　　本文接著重點(diǎn)介紹了基于多層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的超分辨率重建模型。在PMJ-SR模型的記憶階段使用深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到超分辨率重建的過完備字典。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)方法和新興方法相比，該模型具有良好的重建能力，能夠較好地放大低分辨率圖像，且訓(xùn)練樣本數(shù)量多，對不同類別圖像都能獲得較好的效果。
　　本文最后介紹了基于多層卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的圖像去噪模型。運(yùn)用OMP算法對圖像進(jìn)行稀疏表示，并使用多層卷積