基于卷积神经网络的壁画图像超分辨率重建算法研究
发布时间：2020-12-12 17:45
随着超分辨率重构技术的发展,针对壁画图像进行超分辨率重建已经成为重点研究课题。近年来,基于卷积神经网络的深度学习作为一种新兴的图像处理技术,在模式识别、计算机视觉、目标分类和检测等众多领域被广泛应用。而利用卷积神经网络对图像进行超分辨率重建已经成为图像复原领域非常活跃的话题。随着卷积神经网络模型层数的不断加深,其重建图像的自主学习能力不断提升。但目前基于卷积神经网络的图像超分辨率重建模型针对结构细节信息丰富,纹理、色彩复杂多变的壁画图像进行超分辨率重建时仍存在一定问题。因此,本文根据壁画图像的纹理和结构特征,借鉴卷积神经网络的设计思想,对壁画图像超分辨率重建问题展开研究。1.基于多尺度残差注意力网络的壁画图像超分辨率重建方法为了拓展网络的宽度和深度,本文在特征提取阶段运用了GoogleNet中的Inception Block和ResNet中的Residual Block。首先通过多尺度映射单元,运用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征映射图输入到残差通道注意力块,通过建模卷积特征各个通道之间的作用关系,使网络从全局信息出发对各个特征映射图进行权值优化...
【文章来源】：兰州理工大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题的研究背景和意义
1.2 国内外研究现状
1.2.1 古代壁画研究现状
1.2.2 图像超分辨率研究现状
1.3 本文的主要工作和章节安排
1.3.1 问题提出及研究目标
1.3.2 本文主要章节安排
第2章 基于卷积神经网络的超分辨率重建概述
2.1 图像超分辨率重建原理
2.2 卷积神经网络
2.2.1 卷积神经网络的特点
2.2.2 卷积神经网络模型的构成
2.3 卷积神经网络模型的训练
2.3.1 前向传播过程
2.3.2 反向传播过程
2.4 基于卷积神经网络的图像超分辨率重建
2.4.1 网络模型
2.4.2 网络训练
2.5 本章小节
第3章 基于多尺度残差注意力网络的壁画图像超分辨率重建
3.1 引言
3.2 算法设计及网络结构
3.3 通道注意力机制
3.4 局部残差结构
3.5 实验设置与结果分析
3.5.1 实验环境与壁画图像数据集
3.5.2 主/客观实验结果分析
3.5.3 网络层数设置
3.5.4 通道注意力机制对壁画重建的影响
3.6 本章小节
第4章 基于递归残差注意力网络的壁画图像超分辨率重建
4.1 引言
4.2 算法设计及网络结构
4.3 实验设置与结果分析
4.3.1 主/客观实验结果分析
4.3.2 模型结构分析
4.3.3 网络的不同部分对重建性能的影响
4.3.4 网络训练参数设置与运行时间比较
4.4 本章小节
总结与展望
参考文献
致谢
附录A 攻读硕士学位期间发表的学术论文
附录B 攻读硕士学位期间参与的科研项目
【参考文献】：
期刊论文
[1]利用多尺度卷积神经网络的图像超分辨率算法[J]. 陈书贞,解小会,杨郁池,练秋生. 信号处理. 2018(09)
[2]基于卷积神经网络的深度图像超分辨率重建方法[J]. 李伟,张旭东. 电子测量与仪器学报. 2017(12)
[3]基于深层卷积网络的单幅图像超分辨率重建模型[J]. 龙法宁,朱晓姝,胡春娇. 广西科学. 2017(03)
[4]基于深度特征学习的图像超分辨率重建[J]. 胡长胜,詹曙,吴从中. 自动化学报. 2017(05)
[5]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋. 光学学报. 2017(03)
[6]基于跨连卷积神经网络的性别分类模型[J]. 张婷,李玉鑑,胡海鹤,张亚红. 自动化学报. 2016(06)
[7]基于深度学习的图像超分辨率算法研究[J]. 胡传平,钟雪霞,梅林,邵杰,王建,何莹. 铁道警察学院学报. 2016(01)
[8]浅析麦积山石窟壁画保护现状及其应对策略[J]. 孟莹. 丝绸之路. 2015(16)
[9]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[10]一种基于正则化的边缘定向插值算法[J]. 季成涛,何小海,符耀庆,梁子飞,卿粼波. 电子与信息学报. 2014(02)
博士论文
[1]古代壁画图像保护与智能修复技术研究[D]. 刘建明.浙江大学 2010
硕士论文
[1]基于三维重建的超高分辨率壁画快速数字化技术研究[D]. 刘礼铭.浙江大学 2016
[2]古代壁画泥斑病害自动标定及虚拟修复[D]. 李彩艳.西安建筑科技大学 2015
[3]基于线描图智能化生成的计算机辅助壁画修复[D]. 周宇.浙江大学 2003
本文编号：2913008
【文章来源】：兰州理工大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题的研究背景和意义
1.2 国内外研究现状
1.2.1 古代壁画研究现状
1.2.2 图像超分辨率研究现状
1.3 本文的主要工作和章节安排
1.3.1 问题提出及研究目标
1.3.2 本文主要章节安排
第2章 基于卷积神经网络的超分辨率重建概述
2.1 图像超分辨率重建原理
2.2 卷积神经网络
2.2.1 卷积神经网络的特点
2.2.2 卷积神经网络模型的构成
2.3 卷积神经网络模型的训练
2.3.1 前向传播过程
2.3.2 反向传播过程
2.4 基于卷积神经网络的图像超分辨率重建
2.4.1 网络模型
2.4.2 网络训练
2.5 本章小节
第3章 基于多尺度残差注意力网络的壁画图像超分辨率重建
3.1 引言
3.2 算法设计及网络结构
3.3 通道注意力机制
3.4 局部残差结构
3.5 实验设置与结果分析
3.5.1 实验环境与壁画图像数据集
3.5.2 主/客观实验结果分析
3.5.3 网络层数设置
3.5.4 通道注意力机制对壁画重建的影响
3.6 本章小节
第4章 基于递归残差注意力网络的壁画图像超分辨率重建
4.1 引言
4.2 算法设计及网络结构
4.3 实验设置与结果分析
4.3.1 主/客观实验结果分析
4.3.2 模型结构分析
4.3.3 网络的不同部分对重建性能的影响
4.3.4 网络训练参数设置与运行时间比较
4.4 本章小节
总结与展望
参考文献
致谢
附录A 攻读硕士学位期间发表的学术论文
附录B 攻读硕士学位期间参与的科研项目
【参考文献】：
期刊论文
[1]利用多尺度卷积神经网络的图像超分辨率算法[J]. 陈书贞,解小会,杨郁池,练秋生. 信号处理. 2018(09)
[2]基于卷积神经网络的深度图像超分辨率重建方法[J]. 李伟,张旭东. 电子测量与仪器学报. 2017(12)
[3]基于深层卷积网络的单幅图像超分辨率重建模型[J]. 龙法宁,朱晓姝,胡春娇. 广西科学. 2017(03)
[4]基于深度特征学习的图像超分辨率重建[J]. 胡长胜,詹曙,吴从中. 自动化学报. 2017(05)
[5]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋. 光学学报. 2017(03)
[6]基于跨连卷积神经网络的性别分类模型[J]. 张婷,李玉鑑,胡海鹤,张亚红. 自动化学报. 2016(06)
[7]基于深度学习的图像超分辨率算法研究[J]. 胡传平,钟雪霞,梅林,邵杰,王建,何莹. 铁道警察学院学报. 2016(01)
[8]浅析麦积山石窟壁画保护现状及其应对策略[J]. 孟莹. 丝绸之路. 2015(16)
[9]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[10]一种基于正则化的边缘定向插值算法[J]. 季成涛,何小海,符耀庆,梁子飞,卿粼波. 电子与信息学报. 2014(02)
博士论文
[1]古代壁画图像保护与智能修复技术研究[D]. 刘建明.浙江大学 2010
硕士论文
[1]基于三维重建的超高分辨率壁画快速数字化技术研究[D]. 刘礼铭.浙江大学 2016
[2]古代壁画泥斑病害自动标定及虚拟修复[D]. 李彩艳.西安建筑科技大学 2015
[3]基于线描图智能化生成的计算机辅助壁画修复[D]. 周宇.浙江大学 2003
本文编号：2913008
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2913008.html
