基于深度残差模型的单帧图像超分辨率方法研究

发布时间：2020-12-25 16:04

　　高分辨图像具有画面清晰、色彩丰富等优点,很多应用场景对图像分辨率都有着较高的要求。然而现实世界中,成像过程受众多因素影响,往往无法获得高质量的图像。为了解决这一问题,可以利用超分辨率重建技术恢复出图像损失的细节信息,提高分辨率。深度学习的发展使得图像超分辨率重建技术获得了很大的突破,是近年国内外学者研究的重点。本文重点关注基于深度学习的超分辨重建方法,主要研究内容如下:1.论文首先介绍图像超分辨率重建的相关研究背景及其基础知识,并对这项技术的研究现状进行分析,着重阐述深度学习在超分辨重建中的应用。为了进一步提升重建质量,改进现有算法的不足,利用残差学习思想提出基于卷积神经网络和生成对抗网络的超分网络模型。2.传统前馈神经网络在提取图像特征时容易出现丢失局部信息的情况,为此,在充分考虑信息持久性在网络传播过程中的影响的基础上,本文提出增强型两阶段超分辨重建残差网络模型,在增加网络深度的同时可以有效地融合各层学习到的特征。重建第一阶段是通过稠密残差单元完成对图像特征的分层学习,提升信息的整合程度。重建第二阶段主要是对在第一阶段学习到的图像高频信息进行残差再学习,缩小重建误差。在这两个阶段中... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图像退化模型

高分辨率图片。图像的成像过程受噪声扰动时，重建出的图片会伪图块，这也使得很多超分辨重建算法重建出的而成像噪声是无法消除的，因此超分辨率重建问题超分辨率重建是一种不适应的逆问题，实际的重建程，为了克服这种病态性，重建出令人满意的高分许多经典算法。法的方法方法是早期超分辨率重建的主要研究方向，这类息选择不同的插值方法对放大后图像中的位置区算法有：最近邻插值和双线性插值。值

图 2. 3 双线性插值示意图Fig 2.3 The illustration of bilinear interpolation能力不强。双线性插值计算像素值时在水平方向和样一来，邻近区域内的所有已知位置的像素点信息都意图。已知图像中某一区域中的 A，B，C，D 四个双线性插值首先在水平方向对 A 和 B，C 和 D 进行素值，{ ( ) = ( ) ( ) ( ) = ( ) ( )得到 E 点的像素值，双线性插值再在竖直方向进行 ( ) = ( ) ( ) 的方法方法首先需要从图像退化模型中挖掘出高、低分辨建立数学模型完成从低分辨率图像到高分辨率的逆

【参考文献】：
期刊论文
[1]结合深度残差学习和感知损失的图像去噪[J]. 吴从中,陈曦,季栋,詹曙.  中国图象图形学报. 2018(10)



本文编号：2937975