資源描述：
《基于.深度學習的圖像超分辨率重建設計研究》由會員上傳分享，免費在線閱讀，更多相關內容在工程資料-天天文庫。
1、.........................畢業(yè)設計(論文)基于深度學習的圖像超分辨率重建研究院別數學與統計學院專業(yè)名稱信息與計算科學班級學號5133117學生姓名楚文玉指導教師張琨2017年06月10日專業(yè)資料分享.........................基于深度學習的圖像超分辨率重建研究摘要人工神經網絡憑借其超強的學習能力，使得人工智能得到迅猛的發(fā)展，讓人工神經網絡再次成為研究熱點。目前深度學習已經廣泛應用于計算機視覺，語音處理，自然語言處理等各個領域，甚至在某些領域已經起到了主導作用。單一圖像超分辨率重建技術旨在將一個低分辨率圖像經過一系列算法重構出對應的高分辨
2、率圖像。目前比較成熟的方法有基于頻域法，非均勻圖像插值法，凸集投影法，最大后驗概率法以及稀疏表示法。本文主要研究利用深度學習實現單一圖像超分辨率重建。本文首先簡要介紹人工神經網絡的發(fā)展歷程，然后介紹深度學習在計算機視覺方面的應用。然后介紹神經網絡的一些理論知識，最后介紹深度學習中的卷積神經網絡（CNN,ConvolutionalNeuralNetwork）。本文研究如何利用卷積神經網絡實現超分辨率重建。卷積神經網絡分為三層結構，第一層的作用是特征塊的提取和表示，第二層的作用是非線性映射，第三層的作用是重建出高分辨率圖像。本文首先將一個圖像降采樣再雙三次插值作為低分辨率圖像，作為卷積
3、神經網絡的輸入，而高分辨率圖像作為卷積神經網絡的輸出，利用卷積神經網絡建立低分辨率，高分辨率之間的映射。最后針對該模型進行改進，再加入一層作為特征提取。最后利用深度學習框架TensorFlow實現上述模型。最后研究快速超分辨率重建模型，并針對模型層數和過濾器大小進行改進，與先前實驗做比對。關鍵字：超分辨率重建，卷積神經網絡，深度學習，TensorFlow專業(yè)資料分享.........................ImageSuper-ResolutionUsingDeeplearningAuthor:ChuWen-yuTutor:ZhangKunAbstractArtificia
4、lNeuralNetworkbecauseofitsstrongabilitytolearn,getrapiddevelopmentofartificialintelligence,lettheArtificialNeuralNetworkbecometheresearchupsurgeagain.Deeplearninghasbeenwidelyusedincomputervision,speechprocessing,naturallanguageprocessingandsoon.Thesuper-resolution(SR)techniqueisdesignedtorefa
5、ctoralow-resolutionimagethroughaseriesofalgorithmstoreconstructthecorrespondinghigh-resolutionimage.Currently,themethodoffrequencydomain,Non-uniformimageinterpolation,Projectionontoconvexset(POCS),Maximumaposterior(MPA)andsparsematrixmethodarethemorematuremethods.Thispapermainlyresearchesthere
6、alizationofsuper-resolution(SR)reconstructionusingdeeplearning.Inthisthesis,firstisabriefintroductionofthedevelopmentofartificialneuralnetwork,thenintroducestheapplicationofdeeplearningincomputervision.Withthatintroducessometheoreticalknowledgeofneuralnetwork,andfinallyintroducestheconvolution
7、neuralnetwork(CNN)indeeplearning.Thisarticlemainlyresearcheshowtousetheconvolutionneuralnetwork(CNN)togetthesuper-resolutionreconstruction.Theconvolutionneuralnetworkcontainsthreestructures,theeffectofthefirstlayerisPatchextractionandre
