基于深度卷积神经网络的单幅图像超分辨率算法研究

发布时间：2024-03-20 19:43

　　图像作为网络时代重要的信息载体,其分辨率的高低意味着包含信息的丰富程度。高分辨率图像包含边缘、纹理等重要的视觉特征,能够准确地表达其中的关键信息。但由于现实环境或硬件设备的影响,人们往往得到内容不完整的低分辨率图像。图像超分辨率技术可以从一张或多张低分辨率图像中重建高分辨率估计图像。目前,超分辨率重建已经成为图像处理等领域的研究热点,具有广阔的应用场景和现实意义。本文针对单幅低分辨率图像进行重建,提出两种基于深度卷积神经网络的超分辨率算法。结合密集网络架构和经典残差网络的优点,提出基于残差重构密集网络(Residual Reconstructed Dense Network,RRDN)的超分辨率算法。(1)网络级联多个残差重构密集块(Residual Reconstructed Dense Block,RRDBlock),探索更高层次的抽象特征;引入全局跳跃连接,学习低级特征和高级特征之间的残差系数。(2)RRDBlock的瓶颈层,增加了低分辨率特征的多样性同时保证了较小的密集增长率;RRDBlock的持久内存机制,实现了特征信息在网络中更高效快速地流通,显著地提升了网络重建性能;RR...

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统超分辨率算法
        1.2.2 卷积神经网络超分辨率算法
    1.3 重建图像质量评价标准
    1.4 本文研究内容及结构安排
第二章 深度学习理论及数据处理
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 反卷积层
        2.1.3 非线性激活层
    2.2 经典深度卷积神经网络
        2.2.1 残差网络
        2.2.2 密集连接网络
        2.2.3 双路径网络
    2.3 网络模型中的优化算法
        2.3.1 随机梯度下降算法
        2.3.2 Adam优化算法
    2.4 数据增强及数据预处理
    2.5 本章小结
第三章 基于残差重构密集网络的超分辨率算法
    3.1 引言
    3.2 残差重构密集网络
        3.2.1 瓶颈层
        3.2.2 残差重构密集块
        3.2.3 残差重构密集网络
        3.2.4 实现细节
    3.3 网络结构讨论
    3.4 网络训练设置
    3.5 RRDN性能分析与实验结果
        3.5.1 消融实验
        3.5.2 网络权重范数分析
        3.5.3 与其他算法的实验对比与分析
        3.5.4 算法复杂度及时间性能分析
        3.5.5 网络适用场景分析
    3.6 本章小结
第四章 基于紧凑型双路径网络的超分辨率算法
    4.1 引言
    4.2 紧凑型双路径网络
        4.2.1 网络框架
        4.2.2 双路径单元
        4.2.3 双路径块
        4.2.4 反卷积部分和重建部分
    4.3 网络训练设置
    4.4 CDPN网络超参数分析
        4.4.1 网络深度对重建性能的影响
        4.4.2 双路径单元中超参数B,G和E的分析
    4.5 CDPN实验结果与分析
        4.5.1 网络权重范数分析
        4.5.2 与其他算法的对比结果与分析
        4.5.3 信息保真度的实验结果与分析
        4.5.4 时间性能的实验结果与分析
        4.5.5 RRDN与CDPN性能对比分析
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3933206