稀疏正则约束下深度神经网络的图像超分辨率方法研究

发布时间：2024-02-22 03:18

　　图像超分辨率是对已知低分辨率图像进行图像视觉效果改善的图像处理技术,即通过建立低分辨率图像和高分辨率图像之间的数学模型,重建获得具有更多高频细节的高质量图像的技术。近年来,随着深度学习和机器视觉技术的发展,基于神经网络的图像超分辨率方法取得了长足的进步,并引起了研究学者们的高度关注。本文以基于深度学习的图像超分辨率算法为切入点,发现神经网络中存在大量参数特征冗余以及网络参数未能有效表达模型等的问题,会严重影响神经网络的性能,导致高分辨率图像重建效果不佳。据此本文提出有效解决参数特征冗余以及参数有效表达的方法。本文的主要研究成果如下:首先分析了图像超分辨率模型,其次总结典型的基于卷积神经网络的图像超分辨率方法框架,从卷积神经网络的组成、结构和网络优化入手,对网络模型进行详细的论述。然后归纳了稀疏正则化方法。其中稀疏正则化方法包括非结构化稀疏正则和结构化稀疏正则。接着具体阐述几种应用在神经网络中的典型正则化方法,并对其优缺点进行分析。最后我们对典型的两类正则化方法进行详细论述。针对卷积神经网络中参数与参数之间、滤波器与滤波器之间、通道与通道之间存在大量参数特征冗余的问题,提出基于卷积神经网...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 图像超分辨率的研究背景及意义
    1.2 图像超分辨率的研究现状
        1.2.1 基于专家知识构造的图像超分辨率方法
        1.2.2 基于机器学习的图像超分辨率方法
    1.3 本文的主要研究内容及章节安排
第2章 基于卷积神经网络稀疏正则化的图像超分辨率算法相关理论
    2.1 图像超分辨率模型
    2.2 基于卷积神经网络的图像超分辨率方法
        2.2.1 基于卷积神经网络的图像超分辨率模型构建
        2.2.2 基于卷积神经网络图像超分辨率模型训练
    2.3 基于卷积神经网络的参数稀疏正则化
        2.3.1 非结构化稀疏正则
        2.3.2 结构化稀疏正则
    2.4 本章小结
第3章 基于卷积神经网络结构化稀疏正则约束的图像超分辨率算法
    3.1 总体框架
    3.2 基于卷积网络的图像超分辨率网络
    3.3 基于组桥正则化的网络参数约束
        3.3.1 网络参数组划分
        3.3.2 结构化组桥正则
    3.4 基于卷积神经网络结构化稀疏正则约束的图像超分辨率算法设计
        3.4.1 训练样本预处理
        3.4.2 超分辨率卷积神经网络架构设计
        3.4.3 超分辨率卷积神经网络训练
        3.4.4 超分辨率图像重建
    3.5 实验结果及分析
        3.5.1 实验设置
        3.5.2 实验参数讨论
        3.5.3 结果对比及分析
    3.6 本章小结
第4章 基于卷积神经网络L0正则约束的图像超分辨率算法
    4.1 总体框架
    4.2 构建基于L0正则化的网络参数约束
        4.2.1 实现L0正则项的连续性
        4.2.2 连续松弛的离散随机变量
        4.2.3 结构化L0正则
    4.3 基于卷积神经网络L0正则约束的图像超分辨率算法设计
        4.3.1 卷积神经网络L0正则约束的图像超分辨率网络训练
    4.4 实验结果及分析
        4.4.1 实验参数设置
        4.4.2 实验参数讨论
        4.4.3 实验结果分析
    4.5 本章小结
总结与展望
    总结
    展望
参考文献
致谢
附录 A 攻读学位期间所取得的主要科研成果



本文编号：3906313