基于卷积神经网络的图像超分辨率重建算法研究

发布时间：2024-05-15 23:24

　　随着科技的发展,低分辨率图像难以满足众多领域的需求,并对高分辨率图像的要求与日剧增。在现实生活中,数字图像在其形成、传输、存储过程中往往会受到复杂因素的影响,以较低分辨率的形式存在。图像超分辨率重建技术是一种通过算法设计获得高分辨率图像的底层视觉技术,其不仅能够改善图像的视觉感知质量,同时也可以提高后续高层语义分析的精确度。随着深度学习的快速发展,基于卷积神经网络的图像超分辨率重建算法得到广泛关注。本文针对目前基于卷积神经网络的图像超分辨率重建算法中存在的问题,提出相应的图像超分辨率重建算法。主要研究内容如下:(1)针对具有不同滤波器或多个分支的深度神经网络难以重构图像的高频信息,同时存在多层次特征提取不充分及感受野范围较小的问题,提出一种基于空洞卷积的多层次残差注意力网络图像超分辨率重建算法。首先,通过具有不同感受野的空洞卷积对同一输入图像进行特征提取,获取不同尺度且具有丰富高频与低频信息的特征图;其次,通过构建的注意力密集残差块,进一步获取高频信息特征,并加入局部残差连接,使多通道间的多尺度特征信息融合;最后,在四个基准测试集上进行对比测试,结果表明所提算法不仅在客观评价指标方面同...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于插值的超分辨率重建算法
        1.2.2 基于重建的超分辨率重建算法
        1.2.3 基于学习的超分辨率重建算法
    1.3 本文主要研究内容
    1.4 本文章节安排
第2章 卷积神经网络及图像超分辨率基础理论知识
    2.1 引言
    2.2 卷积神经网络
        2.2.1 卷积层和激活函数
        2.2.2 池化层
    2.3 图像超分辨率常用数据库和测评指标
        2.3.1 图像超分辨率常用数据库
        2.3.2 图像超分辨率的评价指标
    2.4 本章小结
第3章 基于空洞卷积的多层次注意力网络图像超分辨率重建
    3.1 引言
    3.2 通道注意力机制
    3.3 基于空洞卷积的多层次注意力网络
        3.3.1 注意力密集残差块
        3.3.2 多尺度融合残差块
        3.3.3 模型框架
    3.4 实验结果与分析
        3.4.1 数据集
        3.4.2 实验环境及参数设置
        3.4.3 客观效果和主观效果对比
        3.4.4 网络参数量对比
    3.5 本章小结
第4章 基于动态注意力网络的图像超分辨率重建
    4.1 引言
    4.2 动态卷积
    4.3 动态注意力网络
        4.3.1 动态注意力模块
        4.3.2 模型框架
    4.4 模型分析
        4.4.1 注意力机制的选择
        4.4.2 动态模块的影响
        4.4.3 双蝶式结构的影响
        4.4.4 注意力机制位置的影响
    4.5 实验结果与分析
        4.5.1 实验数据
        4.5.2 实验环境及参数设置
        4.5.3 客观效果和主观效果对比
        4.5.4 LPIPS指标评估
        4.5.5 注意力图对比
    4.6 本章小结
第5章 基于类金字塔图残差网络的图像超分辨率重建
    5.1 引言
    5.2 图卷积网络
    5.3 空洞卷积
    5.4 类金字塔图残差网络
        5.4.1 残差图卷积结构
        5.4.2 类金字塔多空洞卷积结构
        5.4.3 模型框架
    5.5 模型分析
        5.5.1 不同结构对重建结果的影响
        5.5.2 图结构中节点个数的影响
        5.5.3 残差学习的影响
        5.5.4 残差图卷积结构深度的选择
    5.6 实验结果与分析
        5.6.1 实验配置
        5.6.2 客观效果和主观效果对比
    5.7 本章小结
结论与展望
参考文献



本文编号：3974359