基于深度学习的图像超分辨率重建技术研究

发布时间：2020-09-25 19:28

　　 图像是信息传递的重要载体之一,在现实生活中的人们有70%左右的信息是通过视觉获取。而图像的分辨率能够反映出图像中包含信息的丰富度,如何高效获取高分辨率图像成为当前亟待解决的难题之一。从硬件角度提升图像分辨率会面临研发难度大,花费成本高等问题。图像超分辨率重建是一种通过软件途径提高图像分辨率方法,具有较高的性价比,在多个领域具有广泛的应用价值。因此也成为专家学者们关注的热点。本文从前人学者研究的图像超分辨率算法着手,阐述了该技术的研究现状,同时复现了多个深度学习图像超分辨率网络模型,分析并综合现有网络模型优点,结合深度学习基础理论知识对单幅图像超分辨率技术进行研究。本文主要工作如下:(1)查找图像超分辨率技术方面的资料,并且对图像超分辨率技术的现状进行说明。复现图像超分辨率技术多种实现算法,重点研究超分辨率深度学习算法。分析其各个网络模型的优缺点,并且将实验结果进行对比。(2)针对当前图像超分辨率重建网络中对提取的特征信息利用率低的缺点,使得重建后的超分辨率图像纹理细节部分略显不足,纹理部分恢复较难的问题。本文构建了一种将低分辨率图像的高频信息作为重建图像的补偿信息模型,形成特征补偿深度卷积神经网络(Deep Convolutional Neural Network,DCNN)图像超分辨率重建算法。将原始低分辨率图像经过插值处理后传输进U形网络以提取图像的纹理信息,再与经DCNN模型重建后的图像相加形成纹理特征补偿,得到最终的高分辨率图像。经过实验对比,本文方法重建出的超分辨率图像可以得到较高的图像质量评价客观数据以及更强的边缘特征。(3)针对当前图像超分辨算法多采用单链式网络结构,且多使用单种尺度的卷积核提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏。另外,为了获得更好的图像超分辨率重建效果,网络模型也在不断的被加深,伴随而来的梯度消失问题会使得训练时间延长,难度加大等问题。本文结合GoogleNet思想、残差网络思想和密集型卷积网络思想,研究了一种多尺度密集型残差网络模型。该模型中使用三种不同尺度卷积核对输入的低分辨率图像进行卷积处理,采集不同卷积核下的底层特征,这样可以较多的提取低分辨率图像上的细节信息,有利于图像的恢复。再将采集的特征信息分别输入三个通道的残差块中进行深度特征提取。最后,重建融合后的三种卷积核提取的特征信息得到清晰图像。实验数据以及效果图证明本文算法能够较好的恢复低分辨率图像的边缘和纹理信息,优于当前主流超分辨率重建算法。
【学位单位】：五邑大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18
【部分图文】：

a) 原图 b) Y通道图像图 3-3 颜色空间转换Fig.3-3 Color space conversion合 U 形网络的基本原理，使用灰度图像提取纹理信息。提传输进 U 形网络用以提取纹理特征，此部分的目的是为重

a) 输入图像 b) 原始高分辨率图像 c) 插值法 d) SRCNNe) 本文算法图 3-9 本文算法与其他算法效果图对比Fig.3-9 Qualitative comparison of our models with other works将重建后的图像局部放大后可以比较清楚的观察到，本文重建出的 HR 图像纹理相比于其他两种算法纹理更加清晰，边缘较为完整。因为进行图像高频特征

a) 高分辨率图像 b) 插值法 c) 图 4-4 本文算法与Fig.4-4 Qualitative compariso在本文的网络模型中是将 3×3 像素表4-4中分别将3种尺度的底层特征提取

【相似文献】

相关期刊论文 前10条

1 李昂;宋晓莹;;基于生成对抗网络的遥感图像超分辨率重建[J];光学与光电技术;2019年06期

2 孙旭;李晓光;李嘉锋;卓力;;基于深度学习的图像超分辨率复原研究进展[J];自动化学报;2017年05期

3 曾凯;丁世飞;;图像超分辨率重建的研究进展[J];计算机工程与应用;2017年16期

4 沈焕锋;李平湘;张良培;王毅;;图像超分辨率重建技术与方法综述[J];光学技术;2009年02期

5 丁海勇;卞正富;;数字图像超分辨率重构技术研究[J];计算机与数字工程;2007年10期

6 孔玲莉,黄华,齐春,刘美娟;图像超分辨率研究的最新进展[J];光学技术;2004年03期

7 张清勇;陈智勇;骆潇原;;基于生成网络的遥感图像超分辨率的研究[J];实验室研究与探索;2019年03期

8 王威;张彤;王新;;用于图像超分辨率重构的深度学习方法综述[J];小型微型计算机系统;2019年09期

9 谢雪晴;;基于残差密集网络的单幅图像超分辨率重建[J];计算机应用与软件;2019年10期

10 李昂;;基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用[J];有线电视技术;2019年11期

相关会议论文 前10条

1 林国强;王博;孔英会;胡启杨;;基于压缩感知的变电站巡检图像超分辨率重建[A];第37届中国控制会议论文集（F）[C];2018年

2 姜倩茹;白煌;;基于双字典设计的图像超分辨率重构[A];信号处理在生仪2014学术年会论文集[C];2014年

3 杨浩;高建坡;陈向东;吴镇扬;;利用示例图像获取先验知识的图像超分辨率重建算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

4 张东;韩军;;图像超分辨率重建算法研究[A];2010年西部光子学学术会议摘要集[C];2010年

5 阮小燕;陈向宁;高孟男;;基于相位相关法与小波变换的图像超分辨率重建[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

6 张煜东;吴乐南;奚吉;王水花;;变长小生境算法用于图像超分辨率复原[A];2009年通信理论与信号处理学术年会论文集[C];2009年

7 闫允一;郭宝龙;;基于小波的图像超分辨率重建算法研究[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年

8 张琼;付怀正;沈民奋;;基于稀疏表示的彩色图像超分辨率重建算法[A];第十五届全国图象图形学学术会议论文集[C];2010年

9 姚林;;基于双边滤波插值图像超分辨率重建算法研究[A];云南省测绘地理信息学会2015年学术年会论文集[C];2015年

10 韩玉兵;殷玮玮;吴乐南;;基于Wavelet-HMM的图像超分辨率重建[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

相关重要报纸文章 前2条

1 记者 刘肖勇 蔡敏霞 通讯员 严PrPr;一套算法让模糊低清小视频变高清[N];广东科技报;2019年

2 本报见习记者 丁宁宁 通讯员 严PrPr;一套算法夺四项冠军[N];中国科学报;2019年

相关博士学位论文 前10条

1 邱康;基于机器学习的图像超分辨率重建关键技术研究[D];武汉大学;2018年

2 李莹华;基于压缩感知的图像处理方法及应用研究[D];西安电子科技大学;2019年

3 张凤珍;分离字典优化及其在图像处理中的应用[D];北京交通大学;2018年

4 肖斐;图像超分辨率与基于目标模型的目标识别方法研究[D];华中科技大学;2017年

5 唐永亮;单幅图像超分辨率重建方法研究[D];重庆大学;2018年

6 岳波;基于学习的图像超分辨率重建方法研究[D];西安电子科技大学;2018年

7 孙镱诚;基于压缩感知的图像超分辨率重建方法研究[D];南京理工大学;2018年

8 魏烨;单幅图像超分辨率重建方法及其视觉位移测量应用研究[D];中国科学技术大学;2019年

9 翟海天;图像超分辨率重建关键技术研究[D];西北工业大学;2016年

10 查志远;基于稀疏表示与低秩模型的图像复原算法研究[D];南京大学;2018年

相关硕士学位论文 前10条

1 段然;基于生成对抗的图像超分辨率研究[D];华北电力大学(北京);2019年

2 赵丽娟;基于递归残差网络的图像超分辨率研究[D];华北电力大学(北京);2019年

3 柴晓亮;基于深层残差卷积神经网络的图像超分辨率重建算法[D];华北电力大学(北京);2019年

4 刘闯闯;精确与高感知质量的单幅图像超分辨率问题研究[D];华南理工大学;2019年

5 彭亮;基于学习的图像超分辨率重建算法研究[D];华南理工大学;2019年

6 贾晓义;基于深度学习的图像超分辨率算法研究[D];华南理工大学;2019年

7 刘村;基于深度学习的图像超分辨率重建方法研究[D];上海交通大学;2018年

8 黄金;SAR图像超分辨率增强关键算法研究[D];电子科技大学;2019年

9 况奇刚;面向全尺度倍增比的图像超分辨率关键技术研究[D];东华大学;2019年

10 汪海敏;基于卷积神经网络的图像超分辨率重建[D];电子科技大学;2019年

本文编号：2826969