基于红外图像的超分辨率重建技术的研究及应用
发布时间：2021-01-08 07:24
红外成像技术应用广泛,但图像分辨率较低限制了其发展,因此对红外图像的超分辨率重建研究很有必要。为了解决上述问题,本文设计了一种单帧红外图像超分辨率重建算法ISRGAN。另外,由于基于单帧红外图像的算法无法利用视频中相邻帧之间的信息。因此本文在ISRGAN算法的基础上,设计了一种多帧红外图像超分辨率重建算法,加入了相邻帧对目标帧的信息补充,获取了多帧之间的信息相关性。本文的主要研究内容及结果概括如下:（1）针对目前SRGAN算法在红外图像超分辨率重建中的问题,设计了一种新的算法ISRGAN,核心是改进以SRGAN算法为基础的网络结构,分别改进模型的生成网络、判别网络以及损失函数。其中生成网络的改进为,将SRGAN算法的生成网络与双三次插值算法进行结合,保持图像低频区域的信息;判别网络的改进为,使用相对判别网络来代替原来SRGAN算法的标准判别网络,使生成的图像高频纹理细节更细致;损失函数的改进为,在SRGAN算法的感知损失函数中加入均方误差损失,达到清晰的视觉效果与较高的PSNR及SSIM值之间的平衡。对每一个模块的改进都进行分析及实验验证,最后对整体算法进行主观及客观评价指标上的实验和...
【文章来源】： 周兰兰 电子科技大学
【文章页数】：101 页
【学位级别】：硕士
【部分图文】：
SRGAN算法的重建效果图
６运?小后的图像进行光流估计得到位移值，接着按照规定的放大倍数放大得到的这个位移值，对放大后的图像继续进行光流估计，直到达到原始图像的像素大小就停止这个过程，得到最终的像素位移值。本章多帧图像超分辨率重建算法中的运动估计模块用的是FlowNet光流估计算法，其网络模型如图4-2所示，主要由编码模块和解码模块组成。编码模块由9个conv卷积层和一个ReLU激活函数层组成，图中标明了卷积层的尺寸及特征个数。将两帧相邻的图像按通道维度进行堆叠后输入到该光流算法模型中，网络会提取两帧图像之间的运动信息。图4-2FlowNet算法网络模型图图4-2中的refinement指的是解码模块，也称为细化模块。它的具体网络结构
电子科技大学硕士学位论文58如图4-3所示，解码模块主要由4个反卷积层upconv和ReLU激活函数层构成。具体工作流程如下：（1）首先，在解码过程中，每层反卷积的激活函数层的输入包括前一层的输出、前一层预测到的光流以及相对应的编码模块的特征层。这样设计的目的是使每一层反卷积层在解码时，既能够得到低分辨率图像特征中的最新信息，又能够保留较低尺度图像特征中的局部信息，以此来弥补因为图像尺寸缩小变化而损失的信息。（2）每执行一个反卷积层，图像的分辨率就会放大二倍，执行了四个反卷积层之后得到的光流信息的分辨率依然比输入的低分辨率图像小四倍。（3）最后，解码模型使用了一个双线性插值将光流信息采样到与输入的低分辨率图像同样的大小尺寸。（4）最终得到的光流文件包含了两帧相邻图像之间的运动物体的x坐标和y坐标的位移矢量。图4-3FlowNet网络模型中的refinement部分结构图FlowNet光流运动估计算法在多帧图像超分辨率重建中的作用如图4-4所示。1LRtILRtIFlowNet光流运动估计逐像素相加1,LRtflowI"1LRtI图4-4FlowNet光流运动估计算法的功能框图
【参考文献】：
期刊论文
[1]基于单幅图像的保边插值超分辨率优化算法[J]. 戴瑾,武欣仪. 计算机应用. 2018(S1)
[2]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[3]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力. 自动化学报. 2017(05)
[4]高性能探测成像与识别的研究进展及展望[J]. 王雪松,戴琼海,焦李成,洪文,徐立军,邢孟道,冯德军,陈思伟,代大海. 中国科学:信息科学. 2016(09)
[5]改进的自适应冲击滤波图像超分辨率插值算法[J]. 肖进胜,饶天宇,贾茜,唐路敏,岳显昌. 计算机学报. 2015(06)
[6]基于插值与剪切波融合的图像超分辨率重建[J]. 殷明,水珺,栾静,白瑞峰. 计算机工程. 2015(05)
[7]基于低秩矩阵恢复和联合学习的图像超分辨率重建[J]. 陈晓璇,齐春. 计算机学报. 2014(06)
[8]基于多尺度结构自相似性的单幅图像超分辨率算法[J]. 潘宗序,禹晶,胡少兴,孙卫东. 自动化学报. 2014(04)
[9]使用改进的POCS算法的超分辨率图像复原[J]. 谢甜. 电子设计工程. 2013(18)
[10]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
本文编号：2964183
【文章来源】： 周兰兰 电子科技大学
【文章页数】：101 页
【学位级别】：硕士
【部分图文】：
SRGAN算法的重建效果图
６运?小后的图像进行光流估计得到位移值，接着按照规定的放大倍数放大得到的这个位移值，对放大后的图像继续进行光流估计，直到达到原始图像的像素大小就停止这个过程，得到最终的像素位移值。本章多帧图像超分辨率重建算法中的运动估计模块用的是FlowNet光流估计算法，其网络模型如图4-2所示，主要由编码模块和解码模块组成。编码模块由9个conv卷积层和一个ReLU激活函数层组成，图中标明了卷积层的尺寸及特征个数。将两帧相邻的图像按通道维度进行堆叠后输入到该光流算法模型中，网络会提取两帧图像之间的运动信息。图4-2FlowNet算法网络模型图图4-2中的refinement指的是解码模块，也称为细化模块。它的具体网络结构
电子科技大学硕士学位论文58如图4-3所示，解码模块主要由4个反卷积层upconv和ReLU激活函数层构成。具体工作流程如下：（1）首先，在解码过程中，每层反卷积的激活函数层的输入包括前一层的输出、前一层预测到的光流以及相对应的编码模块的特征层。这样设计的目的是使每一层反卷积层在解码时，既能够得到低分辨率图像特征中的最新信息，又能够保留较低尺度图像特征中的局部信息，以此来弥补因为图像尺寸缩小变化而损失的信息。（2）每执行一个反卷积层，图像的分辨率就会放大二倍，执行了四个反卷积层之后得到的光流信息的分辨率依然比输入的低分辨率图像小四倍。（3）最后，解码模型使用了一个双线性插值将光流信息采样到与输入的低分辨率图像同样的大小尺寸。（4）最终得到的光流文件包含了两帧相邻图像之间的运动物体的x坐标和y坐标的位移矢量。图4-3FlowNet网络模型中的refinement部分结构图FlowNet光流运动估计算法在多帧图像超分辨率重建中的作用如图4-4所示。1LRtILRtIFlowNet光流运动估计逐像素相加1,LRtflowI"1LRtI图4-4FlowNet光流运动估计算法的功能框图
【参考文献】：
期刊论文
[1]基于单幅图像的保边插值超分辨率优化算法[J]. 戴瑾,武欣仪. 计算机应用. 2018(S1)
[2]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[3]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力. 自动化学报. 2017(05)
[4]高性能探测成像与识别的研究进展及展望[J]. 王雪松,戴琼海,焦李成,洪文,徐立军,邢孟道,冯德军,陈思伟,代大海. 中国科学:信息科学. 2016(09)
[5]改进的自适应冲击滤波图像超分辨率插值算法[J]. 肖进胜,饶天宇,贾茜,唐路敏,岳显昌. 计算机学报. 2015(06)
[6]基于插值与剪切波融合的图像超分辨率重建[J]. 殷明,水珺,栾静,白瑞峰. 计算机工程. 2015(05)
[7]基于低秩矩阵恢复和联合学习的图像超分辨率重建[J]. 陈晓璇,齐春. 计算机学报. 2014(06)
[8]基于多尺度结构自相似性的单幅图像超分辨率算法[J]. 潘宗序,禹晶,胡少兴,孙卫东. 自动化学报. 2014(04)
[9]使用改进的POCS算法的超分辨率图像复原[J]. 谢甜. 电子设计工程. 2013(18)
[10]超分辨率图像重建方法综述[J]. 苏衡,周杰,张志浩. 自动化学报. 2013(08)
本文编号：2964183
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2964183.html
