基于多路前馈深度网络的图像超分辨重建方法研究

发布时间：2021-08-04 04:48

　　高分辨率图像包含了丰富的图像细节信息,因而在图像压缩、公共安防以及遥感成像等多个领域发挥重要的作用。但是由于环境以及硬件等原因,实际获得的图像分辨率一般都较低。为了解决这个问题,超分辨率重建技术被提了出来,其旨在利用算法去提升观察到的低分辨图像的分辨率,以补充缺失的细节信息。近年来,超分辨率重建技术取得了重大的突破,尤其是基于深度学习的超分辨率重建技术。与传统的方法相比,深度学习的方法摒弃手工提取特征的弊端,利用网络逐层提取图像细节信息,因而在恢复图像高频细节的能力上更为突出。通过对基于深度学习的重建方法进行深入的分析,本文提出基于修改卷积神经网络模型的超分辨率重建方法,并通过实验验证其有效性。全文的主要研究内容如下:1.分析讨论了超分辨率重建技术的研究背景及意义,并对现有重建算法的类别进行了详细的分析。本文重点关注了基于深度学习的超分辨率重建方法,首先系统地描述了卷积神经网络的基本知识,然后介绍了常见的深度学习的重建方法,并分析其优缺点。2.针对现有的基于卷积神经网络的重建模型大都采用单路前馈结构,不利于使用网络的分层特征,容易丢失已经获得的特征信息的问题,提出了多路前馈的网络结构。... 

【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】：76 页

【学位级别】：硕士

【部分图文】：

Set5中Baby重建对比图效果对比

(e) VDSR(35.37/0.9261) (f) DRCN(35.49/0.9272) (g) DRRN(35.53/0.9273) (h) Ours(35.56/0.9281)图 3.5 Set5 中 Baby 重建对比图效果对比Fig 3.5 Result of super resolution on Baby image(a) HR(PSNR/SSIM) (b) Bicubic(23.71/0.8745) (c)A+(26.10/0.8923) (d) SRCNN(26.97/0.9083)

图 4.6 状态数量对重建效果的影响Fig 4.6 The effect of the number of states递归结构引入到多路径前馈网络中，缓解了提升的问题。这里测试了递归轮数,也即完全图 4.7 可以看出，递归次数越多，PSNR 值加了网络的深度，即通过更大的感受野以及更但是递归的结构保证了参数量不会大幅增加。


本文编号：3321035