基于多特征融合的图像超分辨率重建网络研究

发布时间：2024-11-19 12:35

　　图像超分辨率技术的目的是从低分辨率图像中重建出对应的高分辨率图像,使其具有更多的纹理细节信息。近年来,深度学习技术被引入图像超分辨率领域。通过不断改进卷积神经网络结构,优化损失函数,图像的恢复效果得到了很好的提升。然而,卷积神经网络方法仍然存在着诸多问题,包括:单一尺寸的卷积核无法挖掘图像的多尺度信息、层次特征未得到有效的融合、无法有效地利用图像先验信息等问题。为此,本文针对以上问题开展研究,并据此设计有效的图像超分辨率模型。本文的主要工作如下:(1)卷积神经网络模型通常采用单一尺寸的卷积核提取图像特征,但是单一尺寸的卷积核无法有效挖掘图像的多尺度信息,使得图像纹理的恢复效果较差,影响模型整体性能。为此,本文提出了一种多尺度特征融合网络。该网络在每层并行采用多种尺寸的卷积核,这样既能有效地扩大网络的感受野,提高对于不同纹理细节的感知能力,又能有效地解决网络过深带来的训练和收敛困难的问题。我们在4个公开的测试数据集上进行了实验,实验结果表明,该模型可以有效提高图像恢复质量。(2)目前图像超分辨率模型研究很少关注先验信息对于图像恢复的作用,模型对于图像的不同纹理感知能力不足。为此,本文提出了...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图3-2MSRN模型结构图

3基于多尺度特征融合的单帧图像超分辨率重建研究35图3-2MSRN模型结构图Figure3-2MSRNmodelstructurediagram3.3基于多尺度特征融合的单帧图像超分辨率重建研究受GoogleNet网络的启发，提出了一种基于多尺度特征融合网络的超分辨率重建算法，以....

图3-3多尺度特征融合网络整体结构图

3基于多尺度特征融合的单帧图像超分辨率重建研究35图3-2MSRN模型结构图Figure3-2MSRNmodelstructurediagram3.3基于多尺度特征融合的单帧图像超分辨率重建研究受GoogleNet网络的启发，提出了一种基于多尺度特征融合网络的超分辨率重建算法，以....

图1.1基于插值的图像超分辨率方法

合肥工业大学学术硕士研究生学位论文4图1.1基于插值的图像超分辨率方法Fig1.1Imagesuper-resolutionmethodbasedoninterpolation通常在图像进行放大操作时，会产生新的空像素点，为了得到新像素点的赋值，就必须找到新像素点与原图像中像素点....

图1.2基于样例的图像超分辨率方法

第一章绪论5相似图像块的重建过程。最早提出基于实例学习方法的Ni[8]等人，提出了基于支持向量机回归的实例学习方法，首先将样例学习方法引入图像超分辨率。近年来，分段线性回归成为研究热点，Timefte[9]等人提出的锚点领域回归，通过聚类方法建立低分辨率特征空间中的多个锚点，在低....

本文编号：4012266