發(fā)布時(shí)間：2020-07-22 14:59

【摘要】：基于學(xué)習(xí)方法的單幀圖像超分辨率重建是指利用訓(xùn)練階段學(xué)習(xí)到的高低分辨率圖像間的映射關(guān)系來將一幅低分辨率圖像還原成高分辨率圖像的過程�；谏疃葘W(xué)習(xí)的超分辨率重建算法相對(duì)于傳統(tǒng)算法的性能有大幅度提升,但重建圖像的感知質(zhì)量距離人類視覺感受還有一定的差距,本文針對(duì)基于深度學(xué)習(xí)的超分辨率重建算法存在的問題作了深入的研究,并提出了三個(gè)新的超分辨率重建算法,取得了較高的客觀評(píng)價(jià)指標(biāo)和較好的主觀視覺效果。(1)提出一種基于增強(qiáng)Inception單元的單幀圖像超分辨率重建算法。針對(duì)現(xiàn)有超分辨率重建算法忽視相鄰卷積層提取特征的相關(guān)性這一問題,該方法通過構(gòu)建基于通道組合和殘差連接的增強(qiáng)Inception單元來融合不同尺度卷積核提取的相鄰卷積層特征,進(jìn)而增強(qiáng)相鄰卷積層的相關(guān)性。針對(duì)中低層特征利用率低,導(dǎo)致重建圖像質(zhì)量難以提升這一問題,該方法將構(gòu)建的單元通過殘差連接組成一個(gè)局部結(jié)構(gòu),在網(wǎng)絡(luò)從輸入到輸出的整個(gè)過程中獲得多個(gè)相同的局部結(jié)構(gòu),最后將這多個(gè)局部結(jié)構(gòu)得到的中低層特征信息以遞歸的方式整合到重建層來豐富輸出端的特征信息,進(jìn)而提升重建圖像質(zhì)量。實(shí)驗(yàn)結(jié)果證明基于增強(qiáng)Inception單元的超分辨率重建算法的重建圖像質(zhì)量優(yōu)于其他算法。(2)提出一種基于自注意力機(jī)制的單幀圖像超分辨率重建算法,該方法包括基于自注意力機(jī)制的整體對(duì)抗網(wǎng)絡(luò)和基于圖像塊的局部對(duì)抗網(wǎng)絡(luò)兩部分。針對(duì)重建紋理時(shí)受到局部感受野的限制這一問題,該方法使用基于自注意力機(jī)制的整體對(duì)抗網(wǎng)絡(luò)來獲取圖像的非局部信息,進(jìn)而利用了更全局的信息來重建紋理。基于生成對(duì)抗網(wǎng)絡(luò)的超分辨率算法重建出來的圖像質(zhì)量符合人眼感受,但局部紋理不夠“真實(shí)”,針對(duì)這一問題,該方法基于圖像塊的局部對(duì)抗網(wǎng)絡(luò)判別重建圖像塊和原始圖像塊的真假性,使得重建圖像塊局部紋理的自然程度逼近原始圖像塊,從而顯得更加“真實(shí)”。實(shí)驗(yàn)結(jié)果證明該方法能在獲取較“真實(shí)”局部紋理的同時(shí)獲取圖像的非局部信息,進(jìn)而使得重建圖像與原始圖像有較大的相似度。(3)提出一種基于紋理選擇和邊緣保留的單幀圖像超分辨率重建算法。現(xiàn)有的圖像超分辨率重建算法大多是針對(duì)包含單一下采樣失真的低分辨率圖像的標(biāo)準(zhǔn)庫進(jìn)行設(shè)計(jì)的,然而真實(shí)場(chǎng)景失真圖像通常包含多種混合失真,因此這些算法在真實(shí)場(chǎng)景失真圖像上的重建效果并不理想。為了解決這個(gè)問題,該方法從真實(shí)場(chǎng)景失真圖像的自身特性來進(jìn)行超分辨率重建。針對(duì)圖像紋理的恢復(fù),該方法通過橫向模塊來選擇性地對(duì)淺層的紋理信息進(jìn)行保留,針對(duì)圖像邊緣的恢復(fù),該方法利用L1和SSIM混合的損失函數(shù)來使得重建圖像的邊緣更加銳化。為了進(jìn)一步提升重建圖像的質(zhì)量,該方法采用平滑空洞卷積來擴(kuò)大輸出特征的感受野。實(shí)驗(yàn)結(jié)果證明該方法在標(biāo)準(zhǔn)數(shù)據(jù)集和真實(shí)場(chǎng)景失真測(cè)試圖像上都能對(duì)紋理和邊緣進(jìn)行了有效還原。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP18
【圖文】：

隨著近幾年深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的圖像超分辨率重建技術(shù)還原出來的高分辨率圖像已經(jīng)能更加符合人的主觀視覺感受。圖1.1 圖像超分辨率重建在日常生活中的應(yīng)用

對(duì)位置的變化）等致使圖像的退化。這里主要考慮外界的變化導(dǎo)致的退化過程，如圖1.2 表示圖像的退化過程。圖1.2 數(shù)字圖像的退化過程從低分辨率圖像還原出高分辨率的圖像，則需要對(duì)圖像的退化過程進(jìn)行建模，但是圖像退化過程是高度非線性的，因此，精確建模每一步退化過程并不實(shí)際，為了模型的可實(shí)現(xiàn)性，一般使用線性系統(tǒng)模型來近似描述圖像退化過程，簡化后的退化模型可以用公式來表示：ny dbmx (1-1)其中x是原始的高分辨率圖像，y是退化后圖像，m是描述原始高分辨率圖像到低分辨率圖像 y 形變過程的算子，由平移和旋轉(zhuǎn)等參數(shù)決定，b是模糊算子，用于模擬由鏡頭和傳感器產(chǎn)生的模糊

[6]等。圖1.3 基于深度學(xué)習(xí)的超分辨率重建算法分類基于學(xué)習(xí)的方法思路一般是以外部實(shí)例作為訓(xùn)練集，通過數(shù)學(xué)公式推導(dǎo)等方式學(xué)習(xí)到低分辨率圖像到高分辨率圖像的映射關(guān)系，然后在測(cè)試過程中通過學(xué)習(xí)到的映射關(guān)系將現(xiàn)有的低分辨率圖像進(jìn)行恢復(fù)。基于學(xué)習(xí)的方法可以分為傳統(tǒng)的機(jī)器方法和深度學(xué)習(xí)方法兩種。傳統(tǒng)的機(jī)器學(xué)習(xí)方法一般結(jié)合矩陣變換的相關(guān)方法來學(xué)習(xí)這個(gè)映射

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柴樺;;基于深度卷積網(wǎng)絡(luò)的壓縮人臉超分辨率研究[J];信息與電腦(理論版);2019年18期

2 朱海;王國中;范濤;楊露;;基于深度超分辨率重建的監(jiān)控圖像人臉識(shí)別[J];電子測(cè)量技術(shù);2018年16期

3 付龍;呂曉琪;李婷;谷宇;;基于擴(kuò)散的自適應(yīng)超分辨率重建[J];現(xiàn)代電子技術(shù);2017年10期

4 劉芳華;阮若林;王建峰;倪浩;;基于在線字典學(xué)習(xí)的人臉超分辨率重建[J];現(xiàn)代電子技術(shù);2017年13期

5 衛(wèi)小強(qiáng);;基于仿生學(xué)多源圖像超分辨率重建的并行優(yōu)化研究[J];電腦編程技巧與維護(hù);2017年13期

6 廖海斌;陳友斌;陳慶虎;;基于非局部相似字典學(xué)習(xí)的人臉超分辨率與識(shí)別[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2016年10期

7 王宇輝;;圖像超分辨率重新建立技術(shù)綜述[J];科技創(chuàng)業(yè)月刊;2016年17期

8 賈志城;;視頻超分辨率重建及其刑偵應(yīng)用[J];中國有線電視;2015年08期

9 趙U

本文編號(hào)：2765973