基于改进的GAN图像超分辨率重建研究
发布时间：2022-01-23 01:28
当下,图像是获取信息的重要手段,在许多行业都发挥着重要的作用。例如:刑侦通过图像发现线索;遥感通过图像识别目标物体,做出下一步操作;医生通过医疗影像诊断病患病情等等。图像分辨率的高低代表了图像储存信息量的多少,然而现实生活中,由于受到不当传输、设备落后、环境限制等因素的影响,导致大量图像质量不高,细节信息不完善,难以为我们提供有价值的信息。因此,当前首要任务是改善图像生成的质量,确保生成的图像能够满足实际运用所需。为了解决获取的图像出现不清晰,大量信息丢失,缺少关键细节纹理等问题,本文通过对现有技术手段的学习和实验,对比了不同方法对图像重建的效果,通过结合SRGAN、残差网络、密集连接、空洞卷积等算法模型重构了基于生成对抗网络的超分辨率图像重建模型,最后搭建了图像超分辨率重建系统,为用户提供可视化、可操作的图形图像处理系统。本文的主要贡献如下:（1）总结概括了基于残差密集网络的超分辨率重建算法模型的优越性能,深入分析该模型的局限性,包括较低的可信度、斑驳的边缘和缺失的图像细节等,提出了改进的生成对抗网络超分辨率图像重建模型。该方法在生成器模型中使用了空洞残差密集连接网络构建生成器模型用...
【文章来源】：云南师范大学云南省
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
卷积网络模型
第2章图像超分辨率相关介绍13积层由若干个卷积核（Filter）组成，各个卷积核用以计算各自对应的特征图。所有卷积核之间在进行卷积时可共享参数，从而减少了训练过程中的参数量。如图2-5所示，表示的是卷积操作。图2-5卷积操作示意图（2）池化层（Pooling）池化实质上是对高分辨率的图像进行降质处理，它是一种非线性下采样方式。池化层能够有效减少全连接层内结点数目，从而有效控制网络中的参数总量。池化操作主要包括最大池化和平均池化。最大池化是降低维度，提取图像的主要特征，保留更多的纹理信息。平均池化是取一个区域的平均值，用来保留图像的背景信息。（3）全连接层（Fully-connected）全连接层全部结点均同上层结点连接，可实现前序全部特征的整合。经过多层卷积和池化层的处理后，在神经网络最后一般由1至2个全连接层来输出最后的结果。全连接层在整个神经网络中起到“分类器”的作用。卷积层和池化层相当于图像特征提取自动化，待提取完毕，全连接层执行最终分类工作。全连接层的核心操作是矩阵向量乘积，本质是由一个特征空间变换到另一个特征空间。（4）非线性变换（ActivationFunction，激活函数）LeakyReLu、ReLu、Tanh和Sigmoid等激活函数在神经元中引入了非线性参数，确保将神经元的输入非线性地映射到输出端。生物领域常用的S型函数就是上述提到的Sigmoid函数。在信息科学中，由于
第2章图像超分辨率相关介绍14其单增以及反函数单增的性质，常被用做神经网络的阈值函数，将变量映射到[0,1]之间[45]，函数图像如图2-6所示。图2-6Sigmoid函数图像用公式表示为：f()=11+（2.7）Tanh是双曲函数中的一个，表示的是双曲正切，双曲正切由基本的双曲函数双曲正弦和双曲余弦推导而来，是在Sigmoid函数基础上为解决均值问题提出的激活函数。函数图像如图2-7所示。图2-7Tanh函数图像其函数范围为（-1，+1），用公式表示为：f()=+（2.8）
【参考文献】：
期刊论文
[1]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪. 软件学报. 2019(02)
[2]Adam优化的CNN超分辨率重建[J]. 赵小强,宋昭漾. 计算机科学与探索. 2019(05)
[3]利用多尺度卷积神经网络的图像超分辨率算法[J]. 陈书贞,解小会,杨郁池,练秋生. 信号处理. 2018(09)
[4]基于生成对抗网络的单帧红外图像超分辨算法[J]. 邵保泰,汤心溢,金璐,李争. 红外与毫米波学报. 2018(04)
[5]多尺度残差深度神经网络的卫星图像超分辨率算法[J]. 汪家明,卢涛. 武汉工程大学学报. 2018(04)
[6]基于通道注意力的卷积神经网络在图像超分辨率重建中的应用[J]. 王东飞. 广播与电视技术. 2018(06)
[7]基于WGAN的图像修复应用[J]. 哈文全. 电子技术与软件工程. 2018(10)
[8]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳. 计算机应用. 2018(09)
[9]基于深度学习的毫米波和亚毫米波成像仪的图像增强技术[J]. 胡伟东,张文龙,安大伟,王璐,陈实,岳芬,LIGTHART Leo P.. 上海航天. 2018(02)
[10]基于生成式对抗网络的鲁棒人脸表情识别[J]. 姚乃明,郭清沛,乔逢春,陈辉,王宏安. 自动化学报. 2018(05)
博士论文
[1]基于邻域学习和稀疏原子聚类字典的图像超分辨率重构算法研究[D]. 王新蕾.东南大学 2016
硕士论文
[1]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
[2]基于DCGAN算法的图像生成技术研究[D]. 蔡晓龙.青岛理工大学 2018
[3]基于成对映射的单帧图像超分辨重建[D]. 谢芳.西安电子科技大学 2014
[4]超分辨率文档图像复原方法研究[D]. 詹晓媚.华东师范大学 2013
本文编号：3603314
【文章来源】：云南师范大学云南省
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
卷积网络模型
第2章图像超分辨率相关介绍13积层由若干个卷积核（Filter）组成，各个卷积核用以计算各自对应的特征图。所有卷积核之间在进行卷积时可共享参数，从而减少了训练过程中的参数量。如图2-5所示，表示的是卷积操作。图2-5卷积操作示意图（2）池化层（Pooling）池化实质上是对高分辨率的图像进行降质处理，它是一种非线性下采样方式。池化层能够有效减少全连接层内结点数目，从而有效控制网络中的参数总量。池化操作主要包括最大池化和平均池化。最大池化是降低维度，提取图像的主要特征，保留更多的纹理信息。平均池化是取一个区域的平均值，用来保留图像的背景信息。（3）全连接层（Fully-connected）全连接层全部结点均同上层结点连接，可实现前序全部特征的整合。经过多层卷积和池化层的处理后，在神经网络最后一般由1至2个全连接层来输出最后的结果。全连接层在整个神经网络中起到“分类器”的作用。卷积层和池化层相当于图像特征提取自动化，待提取完毕，全连接层执行最终分类工作。全连接层的核心操作是矩阵向量乘积，本质是由一个特征空间变换到另一个特征空间。（4）非线性变换（ActivationFunction，激活函数）LeakyReLu、ReLu、Tanh和Sigmoid等激活函数在神经元中引入了非线性参数，确保将神经元的输入非线性地映射到输出端。生物领域常用的S型函数就是上述提到的Sigmoid函数。在信息科学中，由于
第2章图像超分辨率相关介绍14其单增以及反函数单增的性质，常被用做神经网络的阈值函数，将变量映射到[0,1]之间[45]，函数图像如图2-6所示。图2-6Sigmoid函数图像用公式表示为：f()=11+（2.7）Tanh是双曲函数中的一个，表示的是双曲正切，双曲正切由基本的双曲函数双曲正弦和双曲余弦推导而来，是在Sigmoid函数基础上为解决均值问题提出的激活函数。函数图像如图2-7所示。图2-7Tanh函数图像其函数范围为（-1，+1），用公式表示为：f()=+（2.8）
【参考文献】：
期刊论文
[1]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪. 软件学报. 2019(02)
[2]Adam优化的CNN超分辨率重建[J]. 赵小强,宋昭漾. 计算机科学与探索. 2019(05)
[3]利用多尺度卷积神经网络的图像超分辨率算法[J]. 陈书贞,解小会,杨郁池,练秋生. 信号处理. 2018(09)
[4]基于生成对抗网络的单帧红外图像超分辨算法[J]. 邵保泰,汤心溢,金璐,李争. 红外与毫米波学报. 2018(04)
[5]多尺度残差深度神经网络的卫星图像超分辨率算法[J]. 汪家明,卢涛. 武汉工程大学学报. 2018(04)
[6]基于通道注意力的卷积神经网络在图像超分辨率重建中的应用[J]. 王东飞. 广播与电视技术. 2018(06)
[7]基于WGAN的图像修复应用[J]. 哈文全. 电子技术与软件工程. 2018(10)
[8]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳. 计算机应用. 2018(09)
[9]基于深度学习的毫米波和亚毫米波成像仪的图像增强技术[J]. 胡伟东,张文龙,安大伟,王璐,陈实,岳芬,LIGTHART Leo P.. 上海航天. 2018(02)
[10]基于生成式对抗网络的鲁棒人脸表情识别[J]. 姚乃明,郭清沛,乔逢春,陈辉,王宏安. 自动化学报. 2018(05)
博士论文
[1]基于邻域学习和稀疏原子聚类字典的图像超分辨率重构算法研究[D]. 王新蕾.东南大学 2016
硕士论文
[1]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
[2]基于DCGAN算法的图像生成技术研究[D]. 蔡晓龙.青岛理工大学 2018
[3]基于成对映射的单帧图像超分辨重建[D]. 谢芳.西安电子科技大学 2014
[4]超分辨率文档图像复原方法研究[D]. 詹晓媚.华东师范大学 2013
本文编号：3603314
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3603314.html
