基于生成对抗网络的图像超分辨率算法的设计与实现
发布时间：2022-01-20 04:24
图像超分辨率是图像处理领域中的经典问题,越来越多的研究者们正在开展相关的研究。本文主要研究使用单张低分辨率图像,以深度神经网络结合软件算法来计算低分辨率图像和高分辨率图像之间的相关性,最终可以达到对任意一张图像都能够生成对应的高分辨率图像。这种方式比以硬件升级的方式提升图像空间分辨率要更加灵活和低成本。本文在对基于深度卷积神经网络和生成对抗网络的两种深度学习的图像超分辨率方法进行研究,分别提出了优化方法。在前者的优化中,通过加深网络深度来进一步提升网络性能,并且引入残差网络来避免因网络太深而出现的退化的问题,同时修改网络模型,将超分辨率步骤移到网络内进行,使得可以通过训练学习将低分辨率特征映射到高分辨率输出,这样就不用在较高的分辨率上进行卷积操作,从而降低了计算复杂度。最后以实验验证,该优化算法具有更好的超分辨率效果。在后者的优化中,设计网络模型,将深度卷积神经网络结合生成对抗网络,使之更加适合解决图像超分辨率的问题,极大的提升了训练的速度和稳定性,最后以实验对比传统算法验证该方法的有效性,同时设计实验验证,如果训练集的图像类型和待重建的图像类型一致,是能得到更好的效果的,实验中以Ce...
【文章来源】：武汉工程大学湖北省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图像超分辨率演示图
第3章 基于卷积网络的超分辨率方法的优化3.1 卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种带有卷积结构的深度神经网络。它源于多层前向网络，经过不断发展，成为图像识别领域研究的热点。接下来简单介绍该网络模型的相关技术。1) 卷积层卷积是一类特殊的线性运算。计算符号通常使用*，卷积运算通常可以表示为y ( n ) = x ( n ) *ω( n)（3-1）在神经网络中，卷积层输入的第一个参数为图像，即为公式（3-1）的 x，第二个参数为卷积核，即为公式（3-1）的 w，输出被叫做特征映射（feature map）。
图 3-2 LeNet 网络结构[42]从图 3-2 的网络结构可以看出该网络由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。3.2 基于卷积神经网络的图像超分辨方法基于卷积神经网络的超分辨率（SRCNN）方法是由 Dong 等人提出的[43]，可以说是深度学习在图像超分辨率重建问题的开山之作。超分辨率问题最难的挑战是将一张 LR 图像放大为一张 HR 图像之后其中的像素填充。SRCNN 认为 LR 图像之所以能通过一定的算法升为 HR 图像，主要是两者之间存在“共同特征”，所以在 SRCNN 中，将超分辨率过程分为三个阶段[44]：1) 特征提取（Patch extraction and representation）此阶段就是对 LR 图像进行特征提取和特征表示，利用卷积网络的性质提取图像块的特征；公式如下：( ) ( )1 1 1F Y = max 0, W *Y + B（3-2）2) 非线性映射（Non-linear mapping）将第一阶段提取的1n 维特征映射至2n 维；公式如下：( ) ( ( ))2 2 1 2F Y = max 0
【参考文献】：
期刊论文
[1]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[2]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)
[3]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[5]基于正则化稀疏表示的图像超分辨率算法[J]. 朱波,李华,高伟,宋宗玺. 光电子.激光. 2013(10)
[6]基于分类预测器及退化模型的图像超分辨率快速重建[J]. 杨欣,费树岷,周大可,唐庭阁. 东南大学学报(自然科学版). 2013(01)
[7]一种视频序列的超分辨率重建算法[J]. 韩玉兵,陈小蔷,吴乐南. 电子学报. 2005(01)
[8]基于MAP估计的图像超分辨率重建[J]. 钟山,陈洪光,沈振康. 国防科技大学学报. 2003(04)
博士论文
[1]基于学习的图像超分辨率重建算法研究[D]. 廖秀秀.华南理工大学 2013
硕士论文
[1]基于学习的图像超分辨率重建方法研究[D]. 于喜娜.西安理工大学 2018
[2]基于深度学习的超分辨率图像重建算法研究[D]. 黄思炜.太原理工大学 2018
[3]基于深度学习的人脸识别研究[D]. 程书豪.广东工业大学 2018
[4]面向目标识别的多特征融合研究与实现[D]. 张建虎.北京交通大学 2018
[5]基于深度学习的图像超分辨率重建算法研究[D]. 黄冬冬.安徽工业大学 2017
[6]基于学习的超分辨率重建算法研究[D]. 安娜.哈尔滨理工大学 2017
[7]基于深度学习的图像超分辨算法研究[D]. 韩小虎.河南大学 2016
[8]基于学习的图像超分辨率算法研究[D]. 王学文.华中科技大学 2016
[9]基于压缩感知的分布式视频编解码及其图像超分辨率重建研究[D]. 顾莹.南京邮电大学 2011
本文编号：3598166
【文章来源】：武汉工程大学湖北省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图像超分辨率演示图
第3章 基于卷积网络的超分辨率方法的优化3.1 卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种带有卷积结构的深度神经网络。它源于多层前向网络，经过不断发展，成为图像识别领域研究的热点。接下来简单介绍该网络模型的相关技术。1) 卷积层卷积是一类特殊的线性运算。计算符号通常使用*，卷积运算通常可以表示为y ( n ) = x ( n ) *ω( n)（3-1）在神经网络中，卷积层输入的第一个参数为图像，即为公式（3-1）的 x，第二个参数为卷积核，即为公式（3-1）的 w，输出被叫做特征映射（feature map）。
图 3-2 LeNet 网络结构[42]从图 3-2 的网络结构可以看出该网络由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终通过若干个全连接层完成分类。3.2 基于卷积神经网络的图像超分辨方法基于卷积神经网络的超分辨率（SRCNN）方法是由 Dong 等人提出的[43]，可以说是深度学习在图像超分辨率重建问题的开山之作。超分辨率问题最难的挑战是将一张 LR 图像放大为一张 HR 图像之后其中的像素填充。SRCNN 认为 LR 图像之所以能通过一定的算法升为 HR 图像，主要是两者之间存在“共同特征”，所以在 SRCNN 中，将超分辨率过程分为三个阶段[44]：1) 特征提取（Patch extraction and representation）此阶段就是对 LR 图像进行特征提取和特征表示，利用卷积网络的性质提取图像块的特征；公式如下：( ) ( )1 1 1F Y = max 0, W *Y + B（3-2）2) 非线性映射（Non-linear mapping）将第一阶段提取的1n 维特征映射至2n 维；公式如下：( ) ( ( ))2 2 1 2F Y = max 0
【参考文献】：
期刊论文
[1]基于条件深度卷积生成对抗网络的图像识别方法[J]. 唐贤伦,杜一铭,刘雨微,李佳歆,马艺玮. 自动化学报. 2018(05)
[2]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)
[3]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[5]基于正则化稀疏表示的图像超分辨率算法[J]. 朱波,李华,高伟,宋宗玺. 光电子.激光. 2013(10)
[6]基于分类预测器及退化模型的图像超分辨率快速重建[J]. 杨欣,费树岷,周大可,唐庭阁. 东南大学学报(自然科学版). 2013(01)
[7]一种视频序列的超分辨率重建算法[J]. 韩玉兵,陈小蔷,吴乐南. 电子学报. 2005(01)
[8]基于MAP估计的图像超分辨率重建[J]. 钟山,陈洪光,沈振康. 国防科技大学学报. 2003(04)
博士论文
[1]基于学习的图像超分辨率重建算法研究[D]. 廖秀秀.华南理工大学 2013
硕士论文
[1]基于学习的图像超分辨率重建方法研究[D]. 于喜娜.西安理工大学 2018
[2]基于深度学习的超分辨率图像重建算法研究[D]. 黄思炜.太原理工大学 2018
[3]基于深度学习的人脸识别研究[D]. 程书豪.广东工业大学 2018
[4]面向目标识别的多特征融合研究与实现[D]. 张建虎.北京交通大学 2018
[5]基于深度学习的图像超分辨率重建算法研究[D]. 黄冬冬.安徽工业大学 2017
[6]基于学习的超分辨率重建算法研究[D]. 安娜.哈尔滨理工大学 2017
[7]基于深度学习的图像超分辨算法研究[D]. 韩小虎.河南大学 2016
[8]基于学习的图像超分辨率算法研究[D]. 王学文.华中科技大学 2016
[9]基于压缩感知的分布式视频编解码及其图像超分辨率重建研究[D]. 顾莹.南京邮电大学 2011
本文编号：3598166
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3598166.html
