基于深度学习的文本图像重建方法研究

发布时间：2021-04-24 13:49

　　文本图像已成为人们在日常生活中传递信息的重要载体,图像的分辨率与清晰度是衡量图像质量的重要指标。然而,受到硬件设施以及一些外部因素的影响,人们经常难以获得清晰的高分辨率文本图像。为了提高文本图像的可读性,同时帮助后续的文本检测、文字识别等工作,文本图像的重建技术极具意义。近几年,深度学习在图像的重建任务中取得了快速的发展,图像超分辨率与去模糊作为图像重建技术的重要内容,它们通常被分开使用,但生活中存在大量低分辨率且多源模糊的图像。现有的超分辨率方法大多是为已知的单一降采样产生的退化图像设计的,当输入图像具有复杂模糊时,无法重建清晰的超分辨率图像。同时,去模糊算法不能扩大图像的空间分辨率,并由于输入图像分辨率较低导致重建的图像缺乏足够的细节信息。因此,本文提出了基于深度学习的文本图像联合超分辨率与去模糊方法。本文的主要工作如下:第一,提出了基于双分支结构的文档图像联合超分辨率与去模糊方法,该方法将这个联合问题解耦为去模糊分支和超分辨率重建分支,这两个分支共享一个特征提取主干网络,各网络模块间相互促进,利用去模糊分支促使特征提取网络生成更多具有高频信息的特征图,以此来提升超分辨率分支中重建... 

【文章来源】：天津师范大学天津市

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 论文结构安排
第二章 图像重建方法概述
    2.1 图像超分辨率
        2.1.1 基于插值的超分辨率方法
        2.1.2 基于重建的超分辨率方法
        2.1.3 基于学习的超分辨率方法
    2.2 图像去模糊
        2.2.1 传统的图像去模糊方法
        2.2.2 基于深度学习的图像去模糊方法
    2.3 本章小结
第三章 基于双分支结构的文档图像联合超分辨率与去模糊方法
    3.1 引言
    3.2 基于双分支结构的超分辨率与去模糊网络
        3.2.1 网络结构
        3.2.2 损失函数
    3.3 实验
        3.3.1 数据集
        3.3.2 网络训练与参数设置
        3.3.3 评价指标
        3.3.4 实验结果及分析
    3.4 本章小结
第四章 基于生成对抗网络的场景文本图像联合超分辨率与去模糊方法
    4.1 引言
    4.2 基于生成对抗网络的超分辨率与去模糊算法
        4.2.1 网络结构
        4.2.2 损失函数
    4.3 实验
        4.3.1 数据集
        4.3.2 网络训练细节
        4.3.3 评价指标
        4.3.4 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 全文工作总结
    5.2 未来研究展望
参考文献
攻读硕士学位期间论文发表情况
致谢


【参考文献】：
期刊论文
[1]基于生成对抗网络的运动模糊图像复原[J]. 桑亮,高爽,尹增山.  计算机工程与应用. 2019(06)
[2]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力.  自动化学报. 2017(05)
[3]约束最小二乘法实现退化图像复原[J]. 李曼.  电脑知识与技术. 2015(26)
[4]自适应邻域选取的邻域嵌入超分辨率重建算法[J]. 曹明明,干宗良,陈杰,崔子冠,朱秀昌.  信号处理. 2015(01)
[5]基于Lucy-Richardson算法的图像复原[J]. 闫河,闫卫军,李唯唯.  计算机工程. 2010(15)
[6]图像处理中维纳滤波器的推广与应用[J]. 郭水霞,唐拥军.  计算机工程与应用. 2008(14)



本文编号：3157474