基于生成对抗网络的图像超分辨率重建算法研究
发布时间：2021-08-31 17:41
如今,图像与人们的生活息息相关。图像已经成为人们记录信息的主要工具之一。高质量的图像能够记载丰富的信息,而图像的分辨率则直接影响图像的质量,高分辨率的图像能够方便人们更加精准地记录和提取信息。如何让成像设备获得高分辨率的图片,是当今面临的一大挑战,需要硬件和软件的共同协作才能达到最好的效果,超分辨率重建就是通过软件的方式来提高图像的分辨率。在深度学习极速发展的今天,基于深度学习的图像超分辨率重建也在迅速发展与演变。图像超分辨率重建指通过算法从低分辨率图像中生成高分辨率图像,并尽可能地恢复出清晰的纹理和细节。深度学习方法也广泛应用于图像超分辨率重建中,在重建效果上取得显著成效,但是在真实图像与重建图像之间仍然存在很大差异。一些减少图像失真的算法使得重建图像过于平滑,缺少高频细节,不符合人的视觉感知。因此一些致力于提高图像感知的算法被提出,这些算法能够恢复出纹理更加清晰的图像。基于生成对抗网络的算法能够显著提高重建图像的感知质量,ESRGAN就是以提高图像感知质量为目的的算法,但是这类算法重建图像质量较低,存在大量噪声伪影,与原始图像并不相符,本文针对这类问题在ESRGAN的基础上提出改进...
【文章来源】：新疆大学新疆维吾尔自治区 211工程院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图像超分辨率重建效果
第1章绪论34.视频监控，提高公共安全、协助破案等视频监控系统是防护安全系统最重要的一部分，在公共领域和民用领域都被普及。拍摄画面清晰度直接影响视频质量，清晰的画面能够有效帮助公安人员提供信息，协助破案，提高公共安全。5.深度图超分辨率重建深度图记录了视点与场景中的对象之间的深度（即距离），并在许多任务中扮演重要角色，例如姿势估计[6,7]和语义分割[8]。然而，由于经济和生产的限制，由深度传感器产生的深度图通常是低分辨率的，并且受到诸如噪声、量化和缺失值之类的劣化影响。因此引入超分辨率以增加深度图的空间分辨率是十分必要的。1.2图像超分辨率重建面临的挑战图像超分辨率主要目的是将低分辨率（LowResolution,LR）图片映射为高分辨率图片(HighResolution,HR)，使得人们能够从原始的低分辨率图片精准地捕捉到图片的内容和信息。在成像过程中各种噪声、场景运动、模糊等太多的因素会引起图像退化降质，而图像超分辨率重建的算法具有相当的灵活性和适应性。对于超分辨率重建问题，低分辨率图像的成像模型大致如图1-2所示：图1-2低分辨率图像的成像模型数学模型为：DIMnIBHRLR)))((((1-1)其中表示高分辨率图像，表示低分辨率图像。高分辨率图像会受到多种输入条件的影响，比如运动M()（旋转、平移、缩放等）、成像模糊B()（传感器模糊、运动模糊、光学模糊等）、下采样矩阵D()、各种加性噪声n，这些条件的变化将会严重影响低分辨率图像的结果，因此成像过程是个病态问题，而超分辨率重建是个病态反问题。为了便于研究，与很多其他的算法[9-13]一样，本文的研究算法会简化上述的数学模型，将高分辨率到低分辨率图片之间的退化过程简化
第1章绪论4成只有下采样的数学模型，具体表达式如下：),(HRLRIDI(1-2)其中，D()表示下采样，δ表示下采样的参数。超分辨率重建算法可以表示为：),(LRSRIFI(1-3)其中表示为经过重建之后的超分辨率图片，F()表示为重建函数，θ表示中间函数中的参数。SR的目标如下：),(minargHRSRIIL(1-4)其中),(HRSRIIL代表生成的图像SRI和地面真实图像HRI的损失函数，是正则化项，是权重参数。虽然在SR问题中大多数流行的损失函数是逐像素的均方误差，但是使用多种损失函数的组合能够达到更好的效果[14，15]。另外，一张低分辨率图片可能会对应多张的高分辨率重建，这个问题可以根据频域分析[16]，如图1-3所示：图1-3LR图像与对应HR图像在频谱图图1-3(a)和图1-3(b)展示了假设图片空间域无限时，频域中LR和HR的对应关系。图1-3(c)和图1-3(d)都是图1-3(b)中相应LR的可能HR。可能无限数量的HR（表征为图1-3(d)中噪声的部分）具有相同的低频成分。综上所述，超分辨率重建是一个一对多的问题，一个低分辨率图片可能对应多个高分辨率图片，如图1-4所示：
【参考文献】：
期刊论文
[1]级联金字塔结构的深度图超分辨率重建[J]. 付绪文,张旭东,张骏,孙锐. 光电工程. 2019(11)
[2]基于L1/2正则化和局部纹理约束的人脸超分辨率图像重建[J]. 王宝成,李波. 计算机应用研究. 2020(02)
[3]基于深度超分辨率重建的监控图像人脸识别[J]. 朱海,王国中,范涛,杨露. 电子测量技术. 2018(16)
本文编号：3375329
【文章来源】：新疆大学新疆维吾尔自治区 211工程院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
图像超分辨率重建效果
第1章绪论34.视频监控，提高公共安全、协助破案等视频监控系统是防护安全系统最重要的一部分，在公共领域和民用领域都被普及。拍摄画面清晰度直接影响视频质量，清晰的画面能够有效帮助公安人员提供信息，协助破案，提高公共安全。5.深度图超分辨率重建深度图记录了视点与场景中的对象之间的深度（即距离），并在许多任务中扮演重要角色，例如姿势估计[6,7]和语义分割[8]。然而，由于经济和生产的限制，由深度传感器产生的深度图通常是低分辨率的，并且受到诸如噪声、量化和缺失值之类的劣化影响。因此引入超分辨率以增加深度图的空间分辨率是十分必要的。1.2图像超分辨率重建面临的挑战图像超分辨率主要目的是将低分辨率（LowResolution,LR）图片映射为高分辨率图片(HighResolution,HR)，使得人们能够从原始的低分辨率图片精准地捕捉到图片的内容和信息。在成像过程中各种噪声、场景运动、模糊等太多的因素会引起图像退化降质，而图像超分辨率重建的算法具有相当的灵活性和适应性。对于超分辨率重建问题，低分辨率图像的成像模型大致如图1-2所示：图1-2低分辨率图像的成像模型数学模型为：DIMnIBHRLR)))((((1-1)其中表示高分辨率图像，表示低分辨率图像。高分辨率图像会受到多种输入条件的影响，比如运动M()（旋转、平移、缩放等）、成像模糊B()（传感器模糊、运动模糊、光学模糊等）、下采样矩阵D()、各种加性噪声n，这些条件的变化将会严重影响低分辨率图像的结果，因此成像过程是个病态问题，而超分辨率重建是个病态反问题。为了便于研究，与很多其他的算法[9-13]一样，本文的研究算法会简化上述的数学模型，将高分辨率到低分辨率图片之间的退化过程简化
第1章绪论4成只有下采样的数学模型，具体表达式如下：),(HRLRIDI(1-2)其中，D()表示下采样，δ表示下采样的参数。超分辨率重建算法可以表示为：),(LRSRIFI(1-3)其中表示为经过重建之后的超分辨率图片，F()表示为重建函数，θ表示中间函数中的参数。SR的目标如下：),(minargHRSRIIL(1-4)其中),(HRSRIIL代表生成的图像SRI和地面真实图像HRI的损失函数，是正则化项，是权重参数。虽然在SR问题中大多数流行的损失函数是逐像素的均方误差，但是使用多种损失函数的组合能够达到更好的效果[14，15]。另外，一张低分辨率图片可能会对应多张的高分辨率重建，这个问题可以根据频域分析[16]，如图1-3所示：图1-3LR图像与对应HR图像在频谱图图1-3(a)和图1-3(b)展示了假设图片空间域无限时，频域中LR和HR的对应关系。图1-3(c)和图1-3(d)都是图1-3(b)中相应LR的可能HR。可能无限数量的HR（表征为图1-3(d)中噪声的部分）具有相同的低频成分。综上所述，超分辨率重建是一个一对多的问题，一个低分辨率图片可能对应多个高分辨率图片，如图1-4所示：
【参考文献】：
期刊论文
[1]级联金字塔结构的深度图超分辨率重建[J]. 付绪文,张旭东,张骏,孙锐. 光电工程. 2019(11)
[2]基于L1/2正则化和局部纹理约束的人脸超分辨率图像重建[J]. 王宝成,李波. 计算机应用研究. 2020(02)
[3]基于深度超分辨率重建的监控图像人脸识别[J]. 朱海,王国中,范涛,杨露. 电子测量技术. 2018(16)
本文编号：3375329
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3375329.html
