高铁基础设施视觉监测中的图像超分辨率重建关键技术研究
发布时间：2021-07-28 17:03
随着我国高速铁路的飞速发展,车辆运行速度的不断提高,对铁路基础设施安全性提出了更高的要求,基于计算机视觉的监测体系,在保障车辆安全、高速运行,发挥着极为重要的作用。但是视觉成像系统受到硬件分辨率、恶劣自然环境等复杂因素影响,导致采集到的监测图像分辨率不足,质量下降,严重影响了监测效果,给行车安全带来隐患。采用图像超分辨率重建技术将低分辨率监测图像恢复为高分辨率图像,对于提高高铁基础设施视觉监测的准确性、及时性,保障高铁运营安全具有重要的应用价值。本文对接高铁基础设施非接触式视觉监测的迫切需求,以深度学习理论为基础,针对高铁基础设施视觉监测图像细节,尤其是几何特征或边缘特征重建效果不佳的问题,以深度卷积网络为主要研究对象,从损失函数、网络结构等方面入手,以提高基础设施视觉监测图像质量为目的,研究针对高铁基础设施视觉监测图像的超分辨率重建方法。本文主要研究内容如下:（1）提出了一种基于边缘引导的生成对抗网络超分辨率算法。受生成对抗网络生成器和判别器之间博弈思想的启发,考虑到监测图像的边缘特征先验,利用边缘检测器,在生成器中加入边缘损失,经过充分训练后,生成器能更充分地学习到图像的边缘特征,...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
图１－２直接获取的监测图像（左）和超分辨率重建后监测图像（右）对比图（左上角图像为图中??蓝色框线区域的放大展示）??
由此对图像进行超分辨率重建。２００２年，Ｆｒｅｅｍａｎ［ｕ］等提出基于样例学习的重??建算法，从此掀起了对基于学习的图像超分辨率技术的研宄热潮。现阶段，图像超??分辨率重建算法主要分为三大类，如图１－３所示：??［－基于插值的算法??超分辨率重建算法分类－－基于重构的算法???ｐ｜浅层学习??Ｉ－基于学习的算法－????１匕深度学习??图１－３超分辨率重建算法分类??Ｆｉｇｕｒｅ?１－３?ＳＲ?ａｌｇｏｒｉｔｈｍ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??（ｉ）基于插值的方法??插值（ｉｎｔｅｒｐｏｌａｔｉｏｎ）是提高图像分辨率比较常见的技术之一，是最直观的重建方??４??
基于重构的方法主要包括频域法和空域法。频域法主要使用消混叠重建方法，??直观易懂，但是受制于频带的有限性问题，而且只能够处理多帧图像整体平移的特??殊情况，普适性差；空域法对先验知识具有很强的约束能力，代表方法有最大后验??概率法，非均匀插值法，迭代反向投影法，凸集投影法等。最大后验概率法利用贝??叶斯相关理论构造高分辨率图像，使得超分辨问题可解且解唯一，但是其收敛速度??极慢，计算量非常大；非均匀插值法通过配准，把采样点插入到均匀的采样点内，??通过中间处理得到高分辨率图像，该方法简单直观，计算复杂度小，但需假设多帧??ＬＲ图像具有相同的噪声和模糊，所以其适用范围较小。迭代反向投影法是由ＩｒａｎｉｔＭ??等人运用反向迭代投影方法，使重构误差最小化，并提出迭代反向投影方法，该方??法经常在后处理中使用，思想简单直观，计算速度快，但是其反向投影算子的选择??比较困难、解也不唯一而且非常依赖于初始值，无法利用先验约束；凸集投影法是??由Ｔｅｋａｌｐ等人受到空间变换中点的扩散函数启发，并结合集合论相关知识，提出??了改进的凸集投影方法［｜８］，该方法充分考虑多种图像的先验知识，简单直观，但是??其计算复杂度相对较高、收敛慢、且其解不唯一、对初始估计严重依赖。??
【参考文献】：
期刊论文
[1]亮度——梯度联合约束的车牌图像超分辨率重建[J]. 孙京,袁强强,李冀玮,周春平,沈焕锋. 中国图象图形学报. 2018(06)
[2]基于卷积神经网络的图像纹理的超分辨率重建[J]. 蒋雪,韩芳. 微型机与应用. 2017(20)
[3]基于小波分析的TM遥感图像超分辨率重建[J]. 王金亮,曾浩,王艳英,刘广杰. 遥感技术与应用. 2016(03)
[4]基于图像分解与边缘检测的图像去噪方法[J]. 张力娜,李小林. 咸阳师范学院学报. 2014(02)
[5]计算机视觉技术在铁路检测领域的应用[J]. 段汝娇,赵伟,黄松岭,陈建业. 中国铁路. 2010(01)
[6]基于RCM的铁路基础设施维修管理信息系统的设计[J]. 余泽西. 交通运输系统工程与信息. 2009(02)
[7]基于学习的人脸图像超分辨率重建方法[J]. 郑梅兰,章品正,郭伟伟,鲍旭东. 计算机工程与应用. 2009(01)
[8]高保真影像超分辨率重建应用研究[J]. 梁立恒,邢立新,姜红艳,王明常. 吉林大学学报(地球科学版). 2007(S1)
[9]基于识别的凸集投影人脸图像超分辨率重建[J]. 黄华,樊鑫,齐春,朱世华. 计算机研究与发展. 2005(10)
[10]计算机视觉及其应用[J]. 周国清,唐晓芳. 中国计算机用户. 1996(08)
硕士论文
[1]基于深度学习的图像超分辨率重构技术研究[D]. 连逸亚.江南大学 2018
[2]基于深度学习的图像超分辨率重构算法研究[D]. 吴科永.西安电子科技大学 2018
[3]基于深度学习的图像超分辨率方法研究[D]. 陈展鸿.华南理工大学 2018
[4]基于卷积神经网络的单帧图像超分辨率重建[D]. 陈颖龙.浙江理工大学 2018
[5]基于计算机视觉的高精度测量方法研究及应用[D]. 胡仁东.北京交通大学 2017
[6]视觉测量关键技术研究及其在尖轨伸缩位移监测中的应用[D]. 刘文才.北京交通大学 2016
[7]基于SURE的图像重建正则化理论研究[D]. 王克兰.南京理工大学 2013
[8]数字图像去雾与超分辨率重建算法研究[D]. 侯天峰.合肥工业大学 2011
本文编号：3308292
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
图１－２直接获取的监测图像（左）和超分辨率重建后监测图像（右）对比图（左上角图像为图中??蓝色框线区域的放大展示）??
由此对图像进行超分辨率重建。２００２年，Ｆｒｅｅｍａｎ［ｕ］等提出基于样例学习的重??建算法，从此掀起了对基于学习的图像超分辨率技术的研宄热潮。现阶段，图像超??分辨率重建算法主要分为三大类，如图１－３所示：??［－基于插值的算法??超分辨率重建算法分类－－基于重构的算法???ｐ｜浅层学习??Ｉ－基于学习的算法－????１匕深度学习??图１－３超分辨率重建算法分类??Ｆｉｇｕｒｅ?１－３?ＳＲ?ａｌｇｏｒｉｔｈｍ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??（ｉ）基于插值的方法??插值（ｉｎｔｅｒｐｏｌａｔｉｏｎ）是提高图像分辨率比较常见的技术之一，是最直观的重建方??４??
基于重构的方法主要包括频域法和空域法。频域法主要使用消混叠重建方法，??直观易懂，但是受制于频带的有限性问题，而且只能够处理多帧图像整体平移的特??殊情况，普适性差；空域法对先验知识具有很强的约束能力，代表方法有最大后验??概率法，非均匀插值法，迭代反向投影法，凸集投影法等。最大后验概率法利用贝??叶斯相关理论构造高分辨率图像，使得超分辨问题可解且解唯一，但是其收敛速度??极慢，计算量非常大；非均匀插值法通过配准，把采样点插入到均匀的采样点内，??通过中间处理得到高分辨率图像，该方法简单直观，计算复杂度小，但需假设多帧??ＬＲ图像具有相同的噪声和模糊，所以其适用范围较小。迭代反向投影法是由ＩｒａｎｉｔＭ??等人运用反向迭代投影方法，使重构误差最小化，并提出迭代反向投影方法，该方??法经常在后处理中使用，思想简单直观，计算速度快，但是其反向投影算子的选择??比较困难、解也不唯一而且非常依赖于初始值，无法利用先验约束；凸集投影法是??由Ｔｅｋａｌｐ等人受到空间变换中点的扩散函数启发，并结合集合论相关知识，提出??了改进的凸集投影方法［｜８］，该方法充分考虑多种图像的先验知识，简单直观，但是??其计算复杂度相对较高、收敛慢、且其解不唯一、对初始估计严重依赖。??
【参考文献】：
期刊论文
[1]亮度——梯度联合约束的车牌图像超分辨率重建[J]. 孙京,袁强强,李冀玮,周春平,沈焕锋. 中国图象图形学报. 2018(06)
[2]基于卷积神经网络的图像纹理的超分辨率重建[J]. 蒋雪,韩芳. 微型机与应用. 2017(20)
[3]基于小波分析的TM遥感图像超分辨率重建[J]. 王金亮,曾浩,王艳英,刘广杰. 遥感技术与应用. 2016(03)
[4]基于图像分解与边缘检测的图像去噪方法[J]. 张力娜,李小林. 咸阳师范学院学报. 2014(02)
[5]计算机视觉技术在铁路检测领域的应用[J]. 段汝娇,赵伟,黄松岭,陈建业. 中国铁路. 2010(01)
[6]基于RCM的铁路基础设施维修管理信息系统的设计[J]. 余泽西. 交通运输系统工程与信息. 2009(02)
[7]基于学习的人脸图像超分辨率重建方法[J]. 郑梅兰,章品正,郭伟伟,鲍旭东. 计算机工程与应用. 2009(01)
[8]高保真影像超分辨率重建应用研究[J]. 梁立恒,邢立新,姜红艳,王明常. 吉林大学学报(地球科学版). 2007(S1)
[9]基于识别的凸集投影人脸图像超分辨率重建[J]. 黄华,樊鑫,齐春,朱世华. 计算机研究与发展. 2005(10)
[10]计算机视觉及其应用[J]. 周国清,唐晓芳. 中国计算机用户. 1996(08)
硕士论文
[1]基于深度学习的图像超分辨率重构技术研究[D]. 连逸亚.江南大学 2018
[2]基于深度学习的图像超分辨率重构算法研究[D]. 吴科永.西安电子科技大学 2018
[3]基于深度学习的图像超分辨率方法研究[D]. 陈展鸿.华南理工大学 2018
[4]基于卷积神经网络的单帧图像超分辨率重建[D]. 陈颖龙.浙江理工大学 2018
[5]基于计算机视觉的高精度测量方法研究及应用[D]. 胡仁东.北京交通大学 2017
[6]视觉测量关键技术研究及其在尖轨伸缩位移监测中的应用[D]. 刘文才.北京交通大学 2016
[7]基于SURE的图像重建正则化理论研究[D]. 王克兰.南京理工大学 2013
[8]数字图像去雾与超分辨率重建算法研究[D]. 侯天峰.合肥工业大学 2011
本文编号：3308292
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3308292.html
