資源描述:
《基于深度學(xué)習(xí)的圖像超分辨率重建算法研究》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于深度學(xué)習(xí)的圖像超分辨率重建算法研究ImageSuper-resolutionReconstructionBasedonDeepLearning學(xué)科專業(yè):信息與通信工程作者姓名:范如指導(dǎo)教師:李素梅副教授天津大學(xué)電氣自動化與信息工程學(xué)院二零一七年十一月摘要隨著科學(xué)技術(shù)的快速發(fā)展,人們對圖像分辨率的要求越來越高,以便用于圖像的理解、分割和識別等方面,但獲取高清晰圖像還存在一定困難。因此,如何獲取高分辨的圖像和視頻成為圖像處理領(lǐng)域的熱點研究問題之一。該研究在目標(biāo)檢測、圖像編碼、衛(wèi)星遙感、視頻監(jiān)控和醫(yī)療診
2、斷等領(lǐng)域有著廣泛的應(yīng)用。目前,圖像超分辨率重建的算法主要包括傳統(tǒng)方法(插值法,重構(gòu)法,學(xué)習(xí)法)和深度學(xué)習(xí)方法。傳統(tǒng)方法人工提取特征,存在一定的局限性。深度學(xué)習(xí)方法可以自動提取特征,得到了越來越多的關(guān)注。但仍存在一些不足,如需要進行放大預(yù)處理、卷積核尺度單一、通道單一、不符合人眼視覺感知等。因此,基于上述問題,本文提出采用兩種結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)進行單幅圖像的超分辨率重建。第一,本文提出了一種淺層和深層相結(jié)合的雙通道卷積神經(jīng)網(wǎng)絡(luò)用于單幅圖像超分辨重建。首先,淺層通道主要恢復(fù)圖像的大致輪廓,深層通道用于提取
3、詳細的紋理信息,兩者很好地互補;其次,該算法直接學(xué)習(xí)低分辨率至高分辨率圖像之間的端到端映射。通過反卷積將上采樣嵌入到兩個通道中,無需提前采取插值的預(yù)處理操作;最后,在重建階段,深層通道采取多尺度的方式,以提取不同大小尺度的紋理特征。該方法在三個不同公共數(shù)據(jù)集(包括圖像和視頻)上進行評估,平均PSNR值高于現(xiàn)有算法。lenna圖像擴大3倍后的重建圖像PSNR值高達39.97dB,且細節(jié)豐富,紋理清晰。且一幅280*280大小的圖像重建只需要約0.17s。實驗結(jié)果表明,該方法的精度以及視覺效果明顯優(yōu)于現(xiàn)有
4、方法。第二,針對采用均方誤差作為損失函數(shù)的算法,所得重建圖像易過平滑的問題。生成對抗網(wǎng)絡(luò)將均方誤差和人眼感知融入損失函數(shù)進行超分辨率重建,用于解決此類問題。本文在此基礎(chǔ)上提出了改進的生成對抗網(wǎng)絡(luò)。該算法采用子像素卷積進行上采樣,更易找到相鄰像素間的關(guān)聯(lián),而且,中間無需進行卷積操作,運算速度更快。實驗中用lenna圖像進行測試,盡管擴大2倍后的重建圖像的PSNR值僅為29.20dB,但該模型得到的重建圖像細節(jié)豐富,更符合人眼的視覺感知。關(guān)鍵詞:超分辨率;深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);生成對抗網(wǎng)絡(luò);多尺度變換I
5、ABSTRACTWiththedevelopmentofscienceandtechnology,higherrequirementsontheimageresolutionhavebeenputforwardtoimageanalysis,understandingandrecognition.Buttherearestillsomeproblemstocaptureanimageatadesiredhigh-resolutionlevel.Therefore,howtoobtainhighreso
6、lutionimagesandvideoshasbecomeoneofhotresearchproblemsinthefieldofimageprocessing.Super-resolutiontechnologyhasbeenwidelyusedinthefieldsofobjectdetection,imagecoding,satelliteremotesensing,videomonitoringandmedicaldiagnosisandsoon.Algorithmsofimageresol
7、utionincludesinterpolationbasedmethods,reconstructionmethods,learningbasedmethods,deeplearningbasedmethods.Traditionalmethodsneedmanuallyextractfeatures.Thereisalimitation.Deeplearningbasedmethodscouldautomaticallyextractfeatures,gettingmoreandmoreatten
8、tion.Buttherearestillsomeinsufficient,suchasneedenlargepreprocessing,singlesizeofkernelsize,singlechannel,can’tmeetthedemandofthehumaneyetowatch,etc.Therefore,inordertosolvetheaboveproblems,weproposetwokindsofstructuresofdeeplear