分辨率是衡量一張圖像信息豐富度的重要指標(biāo)。在圖像重建領(lǐng)域,把從一幅低分辨率圖像重建出單張高分辨圖像的過程稱為單張圖像超分辨率技術(shù)（Single-Image Super-Resolution,SISR）^[1]。相對于低分辨率（Low Resolution,LR）圖,高分辨率（High Resolution,HR）圖像其內(nèi)部包含的基元信息更加豐富,整體視覺效果也更加良好。人工神經(jīng)網(wǎng)絡(luò)憑借其超強的學(xué)習(xí)能力,使得人工智能得到迅猛的發(fā)展,讓人工神經(jīng)網(wǎng)絡(luò)再次成為研究熱點。目前基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于計算機視覺,語音處理,自然語言處理等各個領(lǐng)域,甚至在某些領(lǐng)域已經(jīng)起到了主導(dǎo)作用。單一圖像超分辨率重建技術(shù)旨在將一個低分辨率圖像經(jīng)過一系列算法重構(gòu)出對應(yīng)的高分辨率圖像。目前比較成熟的方法有基于頻域法,非均勻圖像插值法,凸集投影法,最大后驗概率法以及稀疏表示法。本文主要研究利用深度學(xué)習(xí)實現(xiàn)單一圖像超分辨率重建。本文進(jìn)行的工作包括如下幾個方面:（1）首先分析國內(nèi)外圖像超分辨率重建技術(shù)的研究現(xiàn)狀,列舉出目前主要的圖像超分辨率重建的技術(shù)方法,并對其進(jìn)行分析。以及介紹了深度學(xué)習(xí)... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2雙三次插值基函數(shù)

昆明理工大學(xué)碩士學(xué)位論文8人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）[18]，是基于生物學(xué)中神經(jīng)網(wǎng)絡(luò)的基本原理，來模仿大腦神經(jīng)創(chuàng)建的數(shù)學(xué)模型。它有并行的分布處理能力、高容錯性、自我學(xué)習(xí)等特征。神經(jīng)網(wǎng)絡(luò)中最基本的單元是神經(jīng)元，也叫感知器，ANN試圖重建生物神經(jīng)網(wǎng)絡(luò)的計算鏡像，盡管它不具有可比性，因為神經(jīng)元的數(shù)量和復(fù)雜性以及生物神經(jīng)網(wǎng)絡(luò)中使用的數(shù)量和復(fù)雜性是人工中性網(wǎng)絡(luò)中的數(shù)倍和復(fù)雜性的數(shù)倍。人工神經(jīng)元結(jié)構(gòu)如下圖所示：圖2.3人工神經(jīng)元結(jié)構(gòu)可以看到，一個神經(jīng)元由如下部分組成：輸入權(quán)值：一個神經(jīng)元可以接受多個輸入12{,,|}nixxxx，每個輸入都有一個權(quán)值i以及一個偏執(zhí)項b激活函數(shù)：用來做非線性映射，比如Sigmoid函數(shù)[19]，又稱S形函數(shù)。f(x)=11+(2-7)輸出：神經(jīng)元的輸出由下面公式計算00(())niiiyfwxxb（令）(2-8)我們可以令1=0.5，2=0.5，b0.8，激活函數(shù)選擇階躍函數(shù)1,0()0,0xfxx(2-9)則當(dāng)12x,x為真時（真為1，假為0），輸出結(jié)果為真，其余為假。2．學(xué)習(xí)方式

第二章圖像超分辨率技術(shù)與深度學(xué)習(xí)理論9有監(jiān)督學(xué)習(xí)[20]：又叫有導(dǎo)師學(xué)習(xí)，誤差信號就是將待訓(xùn)練樣本的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)的輸入端后將期望值和實際輸出值的差值，然后通過控制誤差信號來調(diào)整權(quán)值得大小，以此來適應(yīng)新的環(huán)境。無監(jiān)督學(xué)習(xí)[21]：又稱無導(dǎo)師學(xué)習(xí)，顧名思義，就是不給定標(biāo)準(zhǔn)數(shù)據(jù)的樣本，我們直接將網(wǎng)絡(luò)放到環(huán)境之中，由自身根據(jù)數(shù)據(jù)特征進(jìn)行學(xué)習(xí)。增強學(xué)習(xí)[22]：又稱作再勵學(xué)習(xí)，不需要給定標(biāo)簽，但需要對網(wǎng)絡(luò)的輸出做出評判（獎勵），以此來調(diào)整網(wǎng)絡(luò)參數(shù)。圖2.4簡單神經(jīng)網(wǎng)絡(luò)的示意圖3.激活函數(shù)激活函數(shù)，又叫激勵函數(shù)，主要作用是對神經(jīng)元所獲得的輸入的變換，反應(yīng)神經(jīng)元的特性。常用的激活函數(shù)有以下幾種形式：1）.sigmod函數(shù)函數(shù)公式和圖表如下圖σ(x)=11+(2-10)圖2.5sigmod函數(shù)sigmod函數(shù)的缺點：

【參考文獻(xiàn)】：
期刊論文
[1]基于PRe LU的DNN-LSTM混合神經(jīng)網(wǎng)絡(luò)在語音識別中的研究[J]. 李明,徐海青,吳立剛,浦正國.  福建茶葉. 2018(12)
[2]基于深度殘差生成對抗網(wǎng)絡(luò)的醫(yī)學(xué)影像超分辨率算法[J]. 高媛,劉志,秦品樂,王麗芳.  計算機應(yīng)用. 2018(09)
[3]基于小波的雙線性插值算法的改進(jìn)[J]. 李冰,李勇,鐘明光.  電子科技. 2013(04)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的車牌字符識別研究[J]. 趙志宏,楊紹普,馬增強.  系統(tǒng)仿真學(xué)報. 2010(03)
[5]基于學(xué)習(xí)的超分辨率重建技術(shù)[J]. 劉琚,喬建蘋.  智能系統(tǒng)學(xué)報. 2009(03)
[6]一種保持圖像邊緣的插值方法[J]. 張雄,畢篤彥,楊寶強.  空軍工程大學(xué)學(xué)報(自然科學(xué)版). 2007(03)
[7]自適應(yīng)濾波器中LMS算法的應(yīng)用[J]. 曹亞麗.  儀器儀表學(xué)報. 2005(S2)
[8]基于無監(jiān)督學(xué)習(xí)算法訓(xùn)練徑向基概率神經(jīng)網(wǎng)絡(luò)[J]. 趙溫波,黃德雙,王樹坤.  模式識別與人工智能. 2003(04)
[9]神經(jīng)網(wǎng)絡(luò)增強學(xué)習(xí)的梯度算法研究[J]. 徐昕,賀漢根.  計算機學(xué)報. 2003(02)
[10]基于小波變換和插值的超分辨率圖像處理算法[J]. 陶洪久,柳健,田金文.  武漢理工大學(xué)學(xué)報. 2002(08)

博士論文
[1]基于正則化方法的圖像復(fù)原算法研究[D]. 徐大宏.國防科學(xué)技術(shù)大學(xué) 2009

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究[D]. 謝寶劍.合肥工業(yè)大學(xué) 2015



本文編號：2953412