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

1、在計算機(jī)視覺領(lǐng)域，圖像超分辨率重建一直是一個研究熱點，具有廣泛的應(yīng)用前景和運用價值。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，以滿足用戶對圖像的視覺要求?；趯W(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，該類算法通過對訓(xùn)練庫中的圖像進(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，相對于其他的機(jī)器學(xué)習(xí)方法，其優(yōu)勢有:1）處理數(shù)據(jù)的能力強(qiáng)，在文字、語音等方面的識別結(jié)果顯示，基于深度學(xué)習(xí)的方法能大幅提高文字和語音的識別性能;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題中，旨在通過設(shè)計基于深度學(xué)習(xí)的模型算法，提高超分辨率圖像的質(zhì)量。
　　本文主要研究內(nèi)容和創(chuàng)新點如下:
　　1.對圖

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)對圖像特征提取的原理，從而說明卷積神經(jīng)網(wǎng)絡(luò)在圖像超分辨率重建中的優(yōu)越性。
　　2.提出一個基于多個特征圖輸入的四層卷積網(wǎng)絡(luò)重建模型。對一個超分辨率重建網(wǎng)絡(luò)模型來說，能否提取到圖像的細(xì)節(jié)特征直接關(guān)系到整個重建網(wǎng)絡(luò)的好壞，而網(wǎng)絡(luò)對圖像細(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)練的過程中，通過不斷調(diào)整網(wǎng)絡(luò)各層卷積層的參數(shù)，最終得

4、到一個比較滿意的參數(shù)集合。實驗證明，此模型對圖像的重建能取得較好的效果，特別是對單幀圖像的重建效果較好，對圖像的邊緣和細(xì)節(jié)特征恢復(fù)效果也不錯。
　　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，通過融合重建層前面的每個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)雜的圖像集來對同一種