基于学习的图像超分辨率算法研究及在生物电镜上的应用

发布时间：2022-11-06 09:50

　　高效获取高分辨率的生物电镜图像是脑科学研究的重要环节。采集耗时和采集精度是脑微观重建工程的两大难题。由于硬件的限制,从算法的角度解决该问题,成为必要手段。本文以重建速度和重建精度为侧重点,对基于学习的图像超分辨率算法进行研究,并将其应用到电镜图像重建领域。从重建速度的角度,本文基于贝叶斯分层树模型提出了一种改进的快速超分辨率算法。基于贝叶斯学习原理,在图像特征空间中训练分层树,从而获得最优的树节点参数和最大概率叶子节点的回归矩阵。并通过图像空间压缩（幅值、相位、频率）、搜索压缩和回归压缩的方法,减少模型参数和减小计算复杂度,从而提升模型的重建速度和降低对硬件的需求。最后实验验证了算法在重建速度上的优势。该算法可应用于电镜图像前期采集阶段。从重建精度的角度,本文基于多尺度小波网络模型设计了一种全卷积端到端的超分辨率算法。首先构建了网络的主体结构,由编码和解码两个模块构成。然后采用间接预测多尺度小波系数来代替直接预测灰度图像,训练约束模式包括灰度域和小波域。再根据小波尺度对输出系数进行分组,使得模型训练更加稳定、超参数调整更加灵活。实验表明与其它经典算法相比,该算法在细节纹理恢复方面更为突... 

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于传统学习的超分辨率算法研究现状
        1.2.2 基于深度学习的超分辨率算法研究现状
    1.3 本文研究内容及组织结构
第2章 一种基于学习的图像超分辨率技术理论基础
    2.1 图像超分辨率问题数学描述
    2.2 基于学习的图像超分辨率算法
        2.2.1 基于传统学习的图像超分辨率算法
        2.2.2 基于深度学习的图像超分辨率算法
    2.3 超分辨率质量评价标准
        2.3.1 图像质量的主观评价
        2.3.2 图像质量的客观评价
    2.4 本章小结
第3章 基于贝叶斯分层树回归模型的快速超分辨率算法
    3.1 引言
    3.2 贝叶斯分层树回归模型
        3.2.1 超分辨率分层树模型
        3.2.2 多级贝叶斯回归求解
    3.3 加速分层树搜索和重建
        3.3.1 分层树搜索加速
        3.3.2 分层树重建加速
    3.4 实验设置和数据准备
    3.5 实验结果和分析
    3.6 本章小结
第4章 一种基于多尺度小波卷积网络的高精度超分辨率算法
    4.1 引言
    4.2 多尺度小波卷积网络
        4.2.1 图像多尺度小波分解
        4.2.2 超分辨率网络主体结构设计
    4.3 共享嵌入和多尺度小波分支网络结构设计
        4.3.1 共享嵌入子网络结构
        4.3.2 多尺度小波分支网络
    4.4 实验设置和数据准备
    4.5 实验结果和分析
    4.6 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 前景展望
参考文献
攻读学位期间发表的学术论文
致谢


【参考文献】：
期刊论文
[1]基于三维全卷积DenseNet的脑胶质瘤MRI分割[J]. 黄奕晖,冯前进.  南方医科大学学报. 2018(06)
[2]一种基于L1/2正则约束的超分辨率重建算法[J]. 徐志刚,李文文,朱红蕾,朱旭锋.  华中科技大学学报(自然科学版). 2017(06)



本文编号：3703286