基于宽度神经网络的图像超分辨率研究

发布时间：2021-01-26 18:50

　　随着科技的发展和进步,越来越多的设备拥有了获取图像信息的能力。然而由于工作场景、经济条件或设备硬件条件的限制,很多成像设备获取的图像分辨率不高,不能满足实际要求,给后续图像处理任务带来困难。采用图像处理方法从一序列或者单幅低分辨率图像中重构出高分辨率图像的过程叫图像超分辨率。目前基于深度学习的图像超分辨率算法获得很高的重建质量。然而训练一个深度学习模型不仅需要较长的时间而且要占用大量的计算资源,不利于实际应用。针对这个问题,本文研究了宽度神经网络的图像超分辨率算法。第一,提出了一种结合亚像素与宽度学习的图像超分辨率方法。该算法先将训练样本中的高分辨率图像采样成多个亚像素图像,然后用宽度学习系统建立低分辨率图像与亚像素图像之间的非线性映射关系。重建阶段,根据学习好的宽度网络得到低分辨率图像对应的亚像素图像,再将亚像素图像恢复成高分辨率图像。由于宽度学习系统是单层网络并采用最小二乘类算法训练,因此训练快速计算复杂性低。亚像素采样进一步降低了训练样本数据的维数,使得最小二乘类算法可以使用较少的内存就可以处理更大规模的训练集合。实验结果表明,所提方法重建出来的高分辨率图像不仅细节、纹理清晰,而... 

【文章来源】：燕山大学河北省

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的背景
    1.2 国内外研究现状
        1.2.1 基于插值的图像超分辨率算法
        1.2.2 基于重建的图像超分辨率算法
        1.2.3 基于学习的图像超分辨率算法
        1.2.4 图像超分辨率质量的评估标准
    1.3 研究思路与内容安排
        1.3.1 现有方法的不足
        1.3.2 研究思路
        1.3.3 内容安排
第2章 基于宽度学习系统与亚像素的图像超分辨率研究
    2.1 宽度学习系统
    2.2 基于宽度学习系统与亚像素的图像超分辨率算法
        2.2.1 算法细节
        2.2.2 算法训练及超分辨率步骤
    2.3 实验结果与分析
        2.3.1 图像数据集的选择
        2.3.2 参数设置
        2.3.3 结果与分析
    2.4 本章小结
第3章 宽度Elman网络模型
    3.1 Elman神经网络
    3.2 宽度Elman神经网络模型
        3.2.1 网络结构设计
        3.2.2 网络训练及预测算法
    3.3 实验结果与分析
        3.3.1 图像数据集的选择
        3.3.2 参数设置
        3.3.3 结果与分析
    3.4 本章小结
第4章 基于宽度Elman网络的图像超分辨率研究
    4.1 基于宽度Elman的图像超分辨率算法
        4.1.1 算法细节
        4.1.2 算法训练及超分辨率步骤
    4.2 实验结果与分析
        4.2.1 图像数据集的选择
        4.2.2 参数设置
        4.2.3 结果与分析
    4.3 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢


【参考文献】：
期刊论文
[1]Complex Network Classification with Convolutional Neural Network[J]. Ruyue Xin,Jiang Zhang,Yitong Shao.  Tsinghua Science and Technology. 2020(04)
[2]改进相似性度量模型的单幅图像自学习超分辨算法[J]. 赵丽玲,孙权森.  数据采集与处理. 2018(02)
[3]小波双线性插值迭代算法应用于光学遥感图像[J]. 刘卜,屈有山,冯桂兰,杨秀芳,相里斌.  光子学报. 2006(03)
[4]递归神经网络的结构研究[J]. 丛爽,戴谊.  计算机应用. 2004(08)



本文编号：3001638