基于机器学习的图像超分辨率重建关键技术研究
发布时间：2022-01-22 04:01
图像超分辨率的目的是从低分辨率图像重建高分辨率图像。经过40多年发展,图像超分辨率技术研究取得较大进步,广泛用于医学影像、遥感影像和安防监控等领域。现有的图像超分辨率方法中,基于插值的方法通常利用低分辨率图像栅格上已知像素值来估计高分辨率图像栅格上的未知像素值,常见的插值方法有:多项式插值和基于边缘驱动的插值。虽然这些方法计算复杂度小,但易造成重建的高分辨率图像出现边缘平滑、模糊和混叠等失真现象。为了突破传统图像插值的缺陷,基于重建的方法结合图像退化过程,利用图像先验建立超分辨率模型来估计高分辨率图像,但描述图像先验的手工刻画特征限制了这种方法的应用范围。基于学习的方法是在样本图像数据上利用机器学习来学习高低分辨率图像之间的映射关系,并把这种学习的映射关系用于高分辨率图像重建。在现实中,图像超分辨率应用场景很多,对算法计算复杂度、重建图像质量和硬件成本等性能指标要求不同。本文针对小规模样本数据和大规模样本数据两种情况,分别研究面向低耗时、低成本应用场景的基于稀疏表示的快速超分辨率重建方法和面向高性能计算场景的基于深度学习的超分辨率重建方法,主要研究工作及研究成果概括如下:（1）提出了基...
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：125 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 图像超分辨率重建问题的数学模型
1.3 国内外研究现状
1.3.1 图像超分辨率重建技术分类
1.3.2 基于图像块样本学习的图像超分辨率重建方法
1.3.3 基于深度学习的图像超分辨率重建方法
1.3.4 各类基于学习的图像超分辨率重建方法性能比较分析
1.4 论文主要工作与结构安排
1.4.1 论文主要工作
1.4.2 论文的结构安排
第二章 面向图像处理的稀疏表示和深度学习相关理论基础
2.1 图像稀疏表示基本理论
2.1.1 图像稀疏表示建模
2.1.2 稀疏表示算法
2.1.3 字典学习算法
2.2 深度卷积神经网络基本理论
2.2.1 网络结构
2.2.2 网络训练
2.3 本章小结
第三章 基于聚类和稀疏表示的分层回归模型实现图像超分辨率重建
3.1 稀疏表示与锚定邻域回归
3.2 基于聚类和稀疏表示的分层回归模型
3.2.1 图像预处理
3.2.2 特征图像块聚类
3.2.3 稀疏字典学习
3.2.4 学习映射矩阵
3.3 图像超分辨率重建
3.4 仿真实验
3.4.1 实验设置
3.4.2 客观评价指标
3.4.3 实验结果与分析
3.4.4 算法复杂度和重建耗时分析
3.5 本章小结
第四章 协作稀疏字典学习实现图像超分辨率重建
4.1 多线性映射模型
4.2 协作稀疏表示
4.3 协作稀疏字典学习
4.3.1 协作稀疏字典学习的数学模型
4.3.2 协作稀疏字典学习算法
4.4 构造多线性映射矩阵
4.5 图像超分辨率重建
4.6 仿真实验
4.6.1 实验设置及参数影响分析
4.6.2 实验结果与分析
4.6.3 算法复杂度及重建耗时分析
4.6.4 分层回归与协作稀疏的重建性能比较分析
4.7 本章小结
第五章 多通道密集连接网络实现图像超分辨率重建
5.1 残差网络与密集连接网络
5.2 经验模态分解
5.3 基于深度卷积神经网络的图像超分辨率重建
5.4 多通道密集连接网络
5.4.1 网络结构
5.4.2 基于密集连接的特征学习子网络
5.5 仿真实验
5.5.1 实验设置
5.5.2 网络训练
5.5.3 残差连接的影响分析
5.5.4 密集连接模块增长速率设置的影响分析
5.5.5 实验结果与分析
5.5.6 算法重建耗时分析
5.6 本章小结
第六章 双路混合网络实现图像超分辨率重建
6.1 高阶递归网络与密集连接网络
6.2 双路混合网络
6.3 DPB模块
6.4 仿真实验
6.4.1 实验设置
6.4.2 DPB模块数量对重建性能影响分析
6.4.3 实验结果与分析
6.4.4 算法重建耗时分析
6.5 本章小结
第七章 总结与展望
7.1 工作总结
7.2 未来工作展望
参考文献
攻读博士学位期间的科研成果
致谢
本文编号：3601514
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：125 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 图像超分辨率重建问题的数学模型
1.3 国内外研究现状
1.3.1 图像超分辨率重建技术分类
1.3.2 基于图像块样本学习的图像超分辨率重建方法
1.3.3 基于深度学习的图像超分辨率重建方法
1.3.4 各类基于学习的图像超分辨率重建方法性能比较分析
1.4 论文主要工作与结构安排
1.4.1 论文主要工作
1.4.2 论文的结构安排
第二章 面向图像处理的稀疏表示和深度学习相关理论基础
2.1 图像稀疏表示基本理论
2.1.1 图像稀疏表示建模
2.1.2 稀疏表示算法
2.1.3 字典学习算法
2.2 深度卷积神经网络基本理论
2.2.1 网络结构
2.2.2 网络训练
2.3 本章小结
第三章 基于聚类和稀疏表示的分层回归模型实现图像超分辨率重建
3.1 稀疏表示与锚定邻域回归
3.2 基于聚类和稀疏表示的分层回归模型
3.2.1 图像预处理
3.2.2 特征图像块聚类
3.2.3 稀疏字典学习
3.2.4 学习映射矩阵
3.3 图像超分辨率重建
3.4 仿真实验
3.4.1 实验设置
3.4.2 客观评价指标
3.4.3 实验结果与分析
3.4.4 算法复杂度和重建耗时分析
3.5 本章小结
第四章 协作稀疏字典学习实现图像超分辨率重建
4.1 多线性映射模型
4.2 协作稀疏表示
4.3 协作稀疏字典学习
4.3.1 协作稀疏字典学习的数学模型
4.3.2 协作稀疏字典学习算法
4.4 构造多线性映射矩阵
4.5 图像超分辨率重建
4.6 仿真实验
4.6.1 实验设置及参数影响分析
4.6.2 实验结果与分析
4.6.3 算法复杂度及重建耗时分析
4.6.4 分层回归与协作稀疏的重建性能比较分析
4.7 本章小结
第五章 多通道密集连接网络实现图像超分辨率重建
5.1 残差网络与密集连接网络
5.2 经验模态分解
5.3 基于深度卷积神经网络的图像超分辨率重建
5.4 多通道密集连接网络
5.4.1 网络结构
5.4.2 基于密集连接的特征学习子网络
5.5 仿真实验
5.5.1 实验设置
5.5.2 网络训练
5.5.3 残差连接的影响分析
5.5.4 密集连接模块增长速率设置的影响分析
5.5.5 实验结果与分析
5.5.6 算法重建耗时分析
5.6 本章小结
第六章 双路混合网络实现图像超分辨率重建
6.1 高阶递归网络与密集连接网络
6.2 双路混合网络
6.3 DPB模块
6.4 仿真实验
6.4.1 实验设置
6.4.2 DPB模块数量对重建性能影响分析
6.4.3 实验结果与分析
6.4.4 算法重建耗时分析
6.5 本章小结
第七章 总结与展望
7.1 工作总结
7.2 未来工作展望
参考文献
攻读博士学位期间的科研成果
致谢
本文编号：3601514
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3601514.html
