基于卷积神经网络和残差字典学习的图像超分辨率重构研究

发布时间：2023-04-29 23:57

　　图像超分辨率重构是指是根据输入的一幅或者多幅低分辨率图像来重构高分辨率图像。高分辨率图像通常包含更加丰富的信息,在满足人类对视觉效果需求的同时,也为图像处理中其他研究方向提供了良好的研究基础。但由于图像退化模型较为复杂,图像超分辨率重构问题通常是一个不适定问题。卷积神经网络具有拟合任意复杂函数的能力,能够在一定程度上解决图像超分辨率重构的不适定问题。但是其重构结果与目标高分辨率图像之间仍然存在残差,这种残差通常为高频信息。为了补偿残差以提高图像超分辨率重构效果,本文提出了一种基于卷积神经网络和残差字典学习的图像超分辨率重构算法,在保留结构化信息的同时,弥补高、低分辨率图像之间的高频信息损失。首先,在超分辨率卷积神经网络的基础上,通过对网络层数、卷积核尺寸以及卷积核数量进行改进,使得卷积神经网络中可训练参数增加,可以更好拟合图像超分辨率重构模型。并在激励函数的选取上进行改进,使用PReLU代替ReLU,增加了其非线性映射能力。其次,使用改进后的网络在训练集中学习得到一个端到端的图像超分辨率重构模型。再次,根据重构的高分辨率图像与目标高分辨率图像之间的残差为高频信息的情况,选取对高频信息敏...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
变量注释表
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 本文的主要工作和结构安排
2 图像超分辨率重构算法基础理论
    2.1 图像超分辨率重构概述
    2.2 基于插值的图像超分辨重构算法
    2.3 基于重构的图像超分辨重构算法
    2.4 基于学习的图像超分辨重构算法
    2.5 本章小结
3 基于卷积神经网络和残差字典学习图像超分辨率重构算法
    3.1 卷积神经网络
    3.2 超分辨率卷积神经网络
    3.3 对于超分辨率卷积神经网络的改进
    3.4 残差字典学习对改进的超分辨率卷积神经网络模型的残差补偿
    3.5 本章小结
4 实验过程及结果分析
    4.1 实验环境平台
    4.2 实验评价标准
    4.3 算法实现过程
    4.4 算法评价与分析
    4.5 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
作者简历
学位论文数据集



本文编号：3806002