基于权重量化的车载图像超分辨率重建算法及Android APP实现
发布时间：2021-10-25 10:21
随着时代的不断发展进步,深度学习理论和应用取得了令人瞩目的突破,特别是在计算机视觉领域。图像超分辨率重建技术一直以来都是计算机视觉领域的热点问题。超分辨率重建技术是指在保持图像特有结构信息的条件下,将低分辨率的图像转换为更高质量的高分辨率的图像。图像超分辨率重建的算法可分为传统重建算法和基于深度学习的重建算法。基于深度学习的重建算法比传统方法效果更好。而基于深度学习的超分辨率重建算法虽然能取得较好的结果,但通常计算复杂,模型参数量大,存在大量冗余,不利于移动设备上的实现。为了得到便于在移动终端实现的深度学习超分辨率重建算法,本文以深度学习技术为基础对超分辨重建算法进行了深度学习权重量化,并基于安卓平台设计了相应的超分辨率重建APP,主要内容如下:（1）本文详细研究了超分辨率重建的算法及其性能。通过调研近几年深度学习理论和技术,尤其是深度学习在超分辨率重建领域的应用,从前人的工作中获取灵感取长补短,本文新的超分辨率重建算法是基于这些从前的算法提出的。（2）为了得到大量的训练集,本文从行车记录仪中得到大量超清车载图像和降采样、加噪后的标清图像作为深度学习的训练集,并通过裁剪、旋转、翻折等方...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
观测模型系统[36]
华南理工大学硕士学位论文82.2.3结构相似度均方误差和结构相似态度都是比较图像对应位置灰度的差异，没有考虑到像素与像素之间的联系，他们作为评估指标存在一定的局限性。在人眼视觉系统中，对图像的结构信息更加敏感。因此研究人员提出了结构相似度(StructuralSimilarityIndex,SSIM)[37]来衡量原始图像与重建后图像在结构上的关联程度。该方法从亮度、对比度和结构信息三个方面对比了图像之间的相似性。图2-2SSIM计算流程[37]从上图可以清晰看到SSIM的计算体系，他们可以用如下公式表示：12212),(CuuCuuYXLYYYX（2-4）22222),(CCYXCYXYX（2-5）33),(CCYXSYXXY（2-6）其中YXL),(为亮度比较，YXC),(为对比度比较，YXS),(为结构比较X与Y分别表示重建后的图像与真实图像的均值，X与Y分别表示重建图像与真实图像的方差，XY表示重建图像与真实图像的协方差，1C、2C和3C均为常数，防止公式中的分母为0。SSIM的计算公式见（2-7）：YXSYXCYXLYXSSIM)],([)],([)],([),(（2-7）
华南理工大学硕士学位论文102.3基于插值的重建方法图像超分辨率重建最常见方法是使用基于函数或插值内核的插值方法。如最近邻插值、双线性插值以及双三次插值(BicubicInterpolation)[40-42]。因为这些算法计算简单且重建速率相对较快，具有很高的应用价值。如今大多数图像处理函数库和软件都封装了这些方法。这些基于插值的算法都是线性的算法，因此对图像中平滑、边缘等不同区域都采用相同的方法进行插值，因此在细节上会出现模糊，难以满足高清图像所需要的视觉效果。2.3.1最近邻插值最近邻插值是一种极为简单的算法，该方法不需要进行复杂计算。在待求像素的四个相邻像素中，将距离待求区域最近的领域的值赋给它，其过程如图2-3所示，如果点(i+u,j+v)落在A区域，则将左上角的值赋值给这个点，因为距离A区域最近的像素点是左上角的点，同理对于其他区域的值也是相同的处理方式。从这个过程可以看出最近邻插值算法计算简单，这也导致该算法重建出来的图像效果一般，会出现明显的模糊。图2-3最近邻插值算法[40]2.3.2双线性插值双线性插值其核心思想是在两个方向分别进行插值，相对于最近领插值，算法在确定某一个点时考虑了该点周围4个领域的值，并根据距离对周围的像素的值进行加权，所以其计算相比最近邻插值复杂，重建后得到的图像也更加清晰。如下图2-4所示：为了得到yxP),(的值，算法需要考察),(1111yxQ,),(2112yxQ,),(1221yxQ,),(2222yxQ的值。双线性插值用公式见（2-12）：
【参考文献】：
期刊论文
[1]改进残差块和对抗损失的GAN图像超分辨率重建[J]. 张杨忆,林泓,管钰华,刘春. 哈尔滨工业大学学报. 2019(11)
[2]基于深度学习的单幅图片超分辨率重构研究进展[J]. 张宁,王永成,张欣,徐东东. 自动化学报. 2020(12)
[3]智能驾驶技术研究的重要进展[J]. 蔡自兴. 机器人技术与应用. 2019(03)
[4]基于深度跳跃级联的图像超分辨率重建[J]. 袁昆鹏,席志红. 光学学报. 2019(07)
[5]基于反卷积特征学习的图像语义分割算法[J]. 郑菲,孟朝晖,郭闯世. 计算机系统应用. 2019(01)
[6]基于深度超分辨率重建的监控图像人脸识别[J]. 朱海,王国中,范涛,杨露. 电子测量技术. 2018(16)
[7]实现图像缩放功能的Matlab插值算法研究与比较[J]. 丁雪晶. 湖北大学学报(自然科学版). 2018(04)
[8]结合暗通道先验的单幅图像快速去雾算法[J]. 刘杰平,杨业长,韦岗. 华南理工大学学报(自然科学版). 2018(03)
[9]基于非局部自回归学习的医学图像超分辨重建方法[J]. 徐军,刘慧,尹义龙. 模式识别与人工智能. 2017(08)
[10]采用双线性插值收缩的图像修复方法[J]. 王昊京,王建立,王鸣浩,阴玉梅. 光学精密工程. 2010(05)
硕士论文
[1]基于多类特征和深度学习的Android恶意应用检测系统[D]. 秦晓霞.中国科学技术大学 2019
本文编号：3457202
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
观测模型系统[36]
华南理工大学硕士学位论文82.2.3结构相似度均方误差和结构相似态度都是比较图像对应位置灰度的差异，没有考虑到像素与像素之间的联系，他们作为评估指标存在一定的局限性。在人眼视觉系统中，对图像的结构信息更加敏感。因此研究人员提出了结构相似度(StructuralSimilarityIndex,SSIM)[37]来衡量原始图像与重建后图像在结构上的关联程度。该方法从亮度、对比度和结构信息三个方面对比了图像之间的相似性。图2-2SSIM计算流程[37]从上图可以清晰看到SSIM的计算体系，他们可以用如下公式表示：12212),(CuuCuuYXLYYYX（2-4）22222),(CCYXCYXYX（2-5）33),(CCYXSYXXY（2-6）其中YXL),(为亮度比较，YXC),(为对比度比较，YXS),(为结构比较X与Y分别表示重建后的图像与真实图像的均值，X与Y分别表示重建图像与真实图像的方差，XY表示重建图像与真实图像的协方差，1C、2C和3C均为常数，防止公式中的分母为0。SSIM的计算公式见（2-7）：YXSYXCYXLYXSSIM)],([)],([)],([),(（2-7）
华南理工大学硕士学位论文102.3基于插值的重建方法图像超分辨率重建最常见方法是使用基于函数或插值内核的插值方法。如最近邻插值、双线性插值以及双三次插值(BicubicInterpolation)[40-42]。因为这些算法计算简单且重建速率相对较快，具有很高的应用价值。如今大多数图像处理函数库和软件都封装了这些方法。这些基于插值的算法都是线性的算法，因此对图像中平滑、边缘等不同区域都采用相同的方法进行插值，因此在细节上会出现模糊，难以满足高清图像所需要的视觉效果。2.3.1最近邻插值最近邻插值是一种极为简单的算法，该方法不需要进行复杂计算。在待求像素的四个相邻像素中，将距离待求区域最近的领域的值赋给它，其过程如图2-3所示，如果点(i+u,j+v)落在A区域，则将左上角的值赋值给这个点，因为距离A区域最近的像素点是左上角的点，同理对于其他区域的值也是相同的处理方式。从这个过程可以看出最近邻插值算法计算简单，这也导致该算法重建出来的图像效果一般，会出现明显的模糊。图2-3最近邻插值算法[40]2.3.2双线性插值双线性插值其核心思想是在两个方向分别进行插值，相对于最近领插值，算法在确定某一个点时考虑了该点周围4个领域的值，并根据距离对周围的像素的值进行加权，所以其计算相比最近邻插值复杂，重建后得到的图像也更加清晰。如下图2-4所示：为了得到yxP),(的值，算法需要考察),(1111yxQ,),(2112yxQ,),(1221yxQ,),(2222yxQ的值。双线性插值用公式见（2-12）：
【参考文献】：
期刊论文
[1]改进残差块和对抗损失的GAN图像超分辨率重建[J]. 张杨忆,林泓,管钰华,刘春. 哈尔滨工业大学学报. 2019(11)
[2]基于深度学习的单幅图片超分辨率重构研究进展[J]. 张宁,王永成,张欣,徐东东. 自动化学报. 2020(12)
[3]智能驾驶技术研究的重要进展[J]. 蔡自兴. 机器人技术与应用. 2019(03)
[4]基于深度跳跃级联的图像超分辨率重建[J]. 袁昆鹏,席志红. 光学学报. 2019(07)
[5]基于反卷积特征学习的图像语义分割算法[J]. 郑菲,孟朝晖,郭闯世. 计算机系统应用. 2019(01)
[6]基于深度超分辨率重建的监控图像人脸识别[J]. 朱海,王国中,范涛,杨露. 电子测量技术. 2018(16)
[7]实现图像缩放功能的Matlab插值算法研究与比较[J]. 丁雪晶. 湖北大学学报(自然科学版). 2018(04)
[8]结合暗通道先验的单幅图像快速去雾算法[J]. 刘杰平,杨业长,韦岗. 华南理工大学学报(自然科学版). 2018(03)
[9]基于非局部自回归学习的医学图像超分辨重建方法[J]. 徐军,刘慧,尹义龙. 模式识别与人工智能. 2017(08)
[10]采用双线性插值收缩的图像修复方法[J]. 王昊京,王建立,王鸣浩,阴玉梅. 光学精密工程. 2010(05)
硕士论文
[1]基于多类特征和深度学习的Android恶意应用检测系统[D]. 秦晓霞.中国科学技术大学 2019
本文编号：3457202
本文链接：https://www.wllwen.com/kejilunwen/qiche/3457202.html
