基于跳跃连接残差网络与并行通道的图像超分辨率重建
发布时间：2021-01-02 18:25
分辨率是衡量一张图像信息丰富度的重要指标。在图像重建领域,把从一幅低分辨率图像重建出单张高分辨图像的过程称为单张图像超分辨率技术（Single-Image Super-Resolution,SISR）[1]。相对于低分辨率（Low Resolution,LR）图,高分辨率（High Resolution,HR）图像其内部包含的基元信息更加丰富,整体视觉效果也更加良好。人工神经网络凭借其超强的学习能力,使得人工智能得到迅猛的发展,让人工神经网络再次成为研究热点。目前基于多层神经网络的深度学习已经广泛应用于计算机视觉,语音处理,自然语言处理等各个领域,甚至在某些领域已经起到了主导作用。单一图像超分辨率重建技术旨在将一个低分辨率图像经过一系列算法重构出对应的高分辨率图像。目前比较成熟的方法有基于频域法,非均匀图像插值法,凸集投影法,最大后验概率法以及稀疏表示法。本文主要研究利用深度学习实现单一图像超分辨率重建。本文进行的工作包括如下几个方面:（1）首先分析国内外图像超分辨率重建技术的研究现状,列举出目前主要的图像超分辨率重建的技术方法,并对其进行分析。以及介绍了深度学习...
【文章来源】：昆明理工大学云南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图2.2双三次插值基函数
昆明理工大学硕士学位论文8人工神经网络（ArtificialNeuralNetwork，ANN）[18]，是基于生物学中神经网络的基本原理，来模仿大脑神经创建的数学模型。它有并行的分布处理能力、高容错性、自我学习等特征。神经网络中最基本的单元是神经元，也叫感知器，ANN试图重建生物神经网络的计算镜像，尽管它不具有可比性，因为神经元的数量和复杂性以及生物神经网络中使用的数量和复杂性是人工中性网络中的数倍和复杂性的数倍。人工神经元结构如下图所示：图2.3人工神经元结构可以看到，一个神经元由如下部分组成：输入权值：一个神经元可以接受多个输入12{,,|}nixxxx，每个输入都有一个权值i以及一个偏执项b激活函数：用来做非线性映射，比如Sigmoid函数[19]，又称S形函数。f(x)=11+(2-7)输出：神经元的输出由下面公式计算00(())niiiyfwxxb（令）(2-8)我们可以令1=0.5，2=0.5，b0.8，激活函数选择阶跃函数1,0()0,0xfxx(2-9)则当12x,x为真时（真为1，假为0），输出结果为真，其余为假。2．学习方式
第二章图像超分辨率技术与深度学习理论9有监督学习[20]：又叫有导师学习，误差信号就是将待训练样本的数据输入到神经网络的输入端后将期望值和实际输出值的差值，然后通过控制误差信号来调整权值得大小，以此来适应新的环境。无监督学习[21]：又称无导师学习，顾名思义，就是不给定标准数据的样本，我们直接将网络放到环境之中，由自身根据数据特征进行学习。增强学习[22]：又称作再励学习，不需要给定标签，但需要对网络的输出做出评判（奖励），以此来调整网络参数。图2.4简单神经网络的示意图3.激活函数激活函数，又叫激励函数，主要作用是对神经元所获得的输入的变换，反应神经元的特性。常用的激活函数有以下几种形式：1）.sigmod函数函数公式和图表如下图σ(x)=11+(2-10)图2.5sigmod函数sigmod函数的缺点：
【参考文献】：
期刊论文
[1]基于PRe LU的DNN-LSTM混合神经网络在语音识别中的研究[J]. 李明,徐海青,吴立刚,浦正国. 福建茶叶. 2018(12)
[2]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳. 计算机应用. 2018(09)
[3]基于小波的双线性插值算法的改进[J]. 李冰,李勇,钟明光. 电子科技. 2013(04)
[4]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强. 系统仿真学报. 2010(03)
[5]基于学习的超分辨率重建技术[J]. 刘琚,乔建苹. 智能系统学报. 2009(03)
[6]一种保持图像边缘的插值方法[J]. 张雄,毕笃彦,杨宝强. 空军工程大学学报(自然科学版). 2007(03)
[7]自适应滤波器中LMS算法的应用[J]. 曹亚丽. 仪器仪表学报. 2005(S2)
[8]基于无监督学习算法训练径向基概率神经网络[J]. 赵温波,黄德双,王树坤. 模式识别与人工智能. 2003(04)
[9]神经网络增强学习的梯度算法研究[J]. 徐昕,贺汉根. 计算机学报. 2003(02)
[10]基于小波变换和插值的超分辨率图像处理算法[J]. 陶洪久,柳健,田金文. 武汉理工大学学报. 2002(08)
博士论文
[1]基于正则化方法的图像复原算法研究[D]. 徐大宏.国防科学技术大学 2009
硕士论文
[1]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
本文编号：2953412
【文章来源】：昆明理工大学云南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图2.2双三次插值基函数
昆明理工大学硕士学位论文8人工神经网络（ArtificialNeuralNetwork，ANN）[18]，是基于生物学中神经网络的基本原理，来模仿大脑神经创建的数学模型。它有并行的分布处理能力、高容错性、自我学习等特征。神经网络中最基本的单元是神经元，也叫感知器，ANN试图重建生物神经网络的计算镜像，尽管它不具有可比性，因为神经元的数量和复杂性以及生物神经网络中使用的数量和复杂性是人工中性网络中的数倍和复杂性的数倍。人工神经元结构如下图所示：图2.3人工神经元结构可以看到，一个神经元由如下部分组成：输入权值：一个神经元可以接受多个输入12{,,|}nixxxx，每个输入都有一个权值i以及一个偏执项b激活函数：用来做非线性映射，比如Sigmoid函数[19]，又称S形函数。f(x)=11+(2-7)输出：神经元的输出由下面公式计算00(())niiiyfwxxb（令）(2-8)我们可以令1=0.5，2=0.5，b0.8，激活函数选择阶跃函数1,0()0,0xfxx(2-9)则当12x,x为真时（真为1，假为0），输出结果为真，其余为假。2．学习方式
第二章图像超分辨率技术与深度学习理论9有监督学习[20]：又叫有导师学习，误差信号就是将待训练样本的数据输入到神经网络的输入端后将期望值和实际输出值的差值，然后通过控制误差信号来调整权值得大小，以此来适应新的环境。无监督学习[21]：又称无导师学习，顾名思义，就是不给定标准数据的样本，我们直接将网络放到环境之中，由自身根据数据特征进行学习。增强学习[22]：又称作再励学习，不需要给定标签，但需要对网络的输出做出评判（奖励），以此来调整网络参数。图2.4简单神经网络的示意图3.激活函数激活函数，又叫激励函数，主要作用是对神经元所获得的输入的变换，反应神经元的特性。常用的激活函数有以下几种形式：1）.sigmod函数函数公式和图表如下图σ(x)=11+(2-10)图2.5sigmod函数sigmod函数的缺点：
【参考文献】：
期刊论文
[1]基于PRe LU的DNN-LSTM混合神经网络在语音识别中的研究[J]. 李明,徐海青,吴立刚,浦正国. 福建茶叶. 2018(12)
[2]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳. 计算机应用. 2018(09)
[3]基于小波的双线性插值算法的改进[J]. 李冰,李勇,钟明光. 电子科技. 2013(04)
[4]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强. 系统仿真学报. 2010(03)
[5]基于学习的超分辨率重建技术[J]. 刘琚,乔建苹. 智能系统学报. 2009(03)
[6]一种保持图像边缘的插值方法[J]. 张雄,毕笃彦,杨宝强. 空军工程大学学报(自然科学版). 2007(03)
[7]自适应滤波器中LMS算法的应用[J]. 曹亚丽. 仪器仪表学报. 2005(S2)
[8]基于无监督学习算法训练径向基概率神经网络[J]. 赵温波,黄德双,王树坤. 模式识别与人工智能. 2003(04)
[9]神经网络增强学习的梯度算法研究[J]. 徐昕,贺汉根. 计算机学报. 2003(02)
[10]基于小波变换和插值的超分辨率图像处理算法[J]. 陶洪久,柳健,田金文. 武汉理工大学学报. 2002(08)
博士论文
[1]基于正则化方法的图像复原算法研究[D]. 徐大宏.国防科学技术大学 2009
硕士论文
[1]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
本文编号：2953412
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2953412.html
最近更新
教材专著
