【摘要】：數(shù)字圖像的分辨率表示圖像系統(tǒng)所能分辨的最小目標(biāo)尺寸,若同一場景的圖像像素密度越高,則圖像的分辨率就越高,所包含的細節(jié)信息就越豐富。在圖像成像過程中,由于受到成像硬件、拍攝環(huán)境及拍攝誤差等因素的限制,造成了原始場景中的細節(jié)信息丟失,采集到的圖像的分辨率往往無法滿足實際的應(yīng)用需求。圖像超分辨率是一種采用軟件方式增加圖像細節(jié)信息的方法,無需更新硬件即可提高圖像的清晰度,在遙感與遙測、高清電視轉(zhuǎn)換、醫(yī)學(xué)圖像處理及視頻監(jiān)控等領(lǐng)域有著廣泛的應(yīng)用,是圖像處理技術(shù)研究的重點之一。本論文研究的重點是基于插值及學(xué)習(xí)的圖像超分辨率方法。論文對超分辨率重建理論及方法進行了深入地分析與研究,闡述了徑向基函數(shù)插值、梯度提升及卷積神經(jīng)網(wǎng)絡(luò)等相關(guān)理論基礎(chǔ),旨在將徑向基函數(shù)及泛化能力強的學(xué)習(xí)算法應(yīng)用到圖像超分辨率重建中,在保護放大圖像的邊緣和紋理細節(jié)的同時引入高頻信息,從而生成視覺效果較好的放大圖像。論文針對不同的應(yīng)用需求分別提出了三種不同的圖像超分辨率算法:(1)基于局部區(qū)域自適應(yīng)的圖像插值方法;(2)基于梯度提升的圖像超分辨率方法;(3)基于深度可分離卷積的圖像超分辨率方法。最后,利用自然圖像及磁共振圖像對這三種算法的超分辨率重建能力進行了驗證。本論文的主要內(nèi)容有:1)提出了一個局部區(qū)域自適應(yīng)的圖像插值方法。該方法首先采用LPA-ICI算法搜索待插值點的最優(yōu)形狀鄰域,然后利用徑向基函數(shù)擬合待插值點像素值。論文進一步使用了引導(dǎo)圖像濾波來增強插值圖像的邊緣及紋理細節(jié),提升了圖像的視覺效果。該方法具有算法簡單、模型無需訓(xùn)練等優(yōu)點,適用于無訓(xùn)練數(shù)據(jù)下的圖像超分辨率應(yīng)用。2)針對傳統(tǒng)的基于學(xué)習(xí)的超分辨率算法的泛化能力較弱,重建圖像的誤差較大的問題,本論文將梯度提升引入到超分辨率重建中。首先,本論文將梯度提升框架擴充成多輸出的形式,使用決策樹作為弱學(xué)習(xí)器,采用序列方式訓(xùn)練決策樹,以減小模型的偏差及方差;其次,使用了縮減(shrinkage)策略來提高模型的泛化能力,同時采用子抽樣(subsampling)減少了訓(xùn)練樣本數(shù)目,在加快訓(xùn)練速度的同時降低決策樹之間的相關(guān)性;最后,在測試時將每棵決策樹獨立預(yù)測的結(jié)果進行線性加權(quán),生成高分辨率圖像。實驗結(jié)果證實了本文算法比傳統(tǒng)的基于學(xué)習(xí)的超分辨率算法更精確,重建圖像的細節(jié)也更加清晰。該方法使用較小的訓(xùn)練集就能獲得較高的超分辨率性能,訓(xùn)練速度也相對較快,因此適用于基于較小訓(xùn)練集的圖像超分辨率應(yīng)用。3)針對深度超分辨率算法存在的復(fù)雜度較高、難以訓(xùn)練及收斂速度慢等問題,本論文設(shè)計了一個基于深度可分離卷積的超分辨率模型。首先,模型中使用深度可分離卷積層替代常規(guī)卷積層,并去掉了歸一化層,減少了網(wǎng)絡(luò)的參數(shù)量;其次,該方法直接在低分辨率圖像中提取特征,然后使用轉(zhuǎn)置卷積將低分辨率特征映射到高分辨率特征空間,進一步降低模型的復(fù)雜度;并且,模型中使用了密集跳層連接和殘差網(wǎng)絡(luò)結(jié)構(gòu)來提高其魯棒性;最后,本論文設(shè)計了大量的實驗來選擇模型的超參數(shù),包括模塊的數(shù)目、模塊內(nèi)卷積層的數(shù)目等。實驗數(shù)據(jù)表明本文的算法具有較強的泛化能力,重建圖像的客觀評價指標(biāo)及視覺效果相比其它算法更優(yōu)。該算法適用于基于較大訓(xùn)練集且對準(zhǔn)確度要求較高的圖像超分辨率的應(yīng)用。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18
【圖文】：

16圖 2-1 超分辨率重建的圖像退化模型Fig 2-1 The degradation model for image super resolution

圖 2-2 基于學(xué)習(xí)的超分辨率重建算法一般過程Fig 2-2 The general process of learning based super resolution reconstruction algorithm述訓(xùn)練過程可形式化敘述如下。設(shè)學(xué)習(xí)的模型為函數(shù) ： ，

4]。如前所述，圖像降質(zhì)過程不可避免地會造成高頻信息丟失，對于輸入的低分像，將會有多幅高分辨率圖像與之相對應(yīng)。因此由低分辨率圖像重建高分辨一個病態(tài)問題�；趯W(xué)習(xí)的超分辨率算法利用學(xué)習(xí)到的端到端的低-高分辨射關(guān)系，通過借用其它高分辨率圖像的高頻信息來恢復(fù)低分辨率圖像對應(yīng)的率圖像，將超分辨率重建轉(zhuǎn)化為適定問題。 決策樹與卷積神經(jīng)網(wǎng)絡(luò)在機器學(xué)習(xí)算法中，梯度提升是最具魯棒性的算法之一[110-113]，在許多極具應(yīng)用中都取得了很好的效果[114]；深度學(xué)習(xí)[101-103,109]也是當(dāng)今預(yù)測準(zhǔn)確性最能力最強的機器學(xué)習(xí)算法之一。下面介紹與本論文的研究工作相關(guān)的學(xué)習(xí)模策樹（Decision Tree，DT）[95,96,97]與卷積神經(jīng)網(wǎng)絡(luò)[100,109]。在后續(xù)的章節(jié)中對這兩個模型進行改進，使之適合于處理圖像超分辨率。

【相似文獻】

相關(guān)期刊論文 前10條

1 李昂;宋曉瑩;;基于生成對抗網(wǎng)絡(luò)的遙感圖像超分辨率重建[J];光學(xué)與光電技術(shù);2019年06期

2 孫旭;李曉光;李嘉鋒;卓力;;基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進展[J];自動化學(xué)報;2017年05期

3 曾凱;丁世飛;;圖像超分辨率重建的研究進展[J];計算機工程與應(yīng)用;2017年16期

4 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術(shù)與方法綜述[J];光學(xué)技術(shù);2009年02期

5 丁海勇;卞正富;;數(shù)字圖像超分辨率重構(gòu)技術(shù)研究[J];計算機與數(shù)字工程;2007年10期

6 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學(xué)技術(shù);2004年03期

7 張清勇;陳智勇;駱瀟原;;基于生成網(wǎng)絡(luò)的遙感圖像超分辨率的研究[J];實驗室研究與探索;2019年03期

8 王威;張彤;王新;;用于圖像超分辨率重構(gòu)的深度學(xué)習(xí)方法綜述[J];小型微型計算機系統(tǒng);2019年09期

9 謝雪晴;;基于殘差密集網(wǎng)絡(luò)的單幅圖像超分辨率重建[J];計算機應(yīng)用與軟件;2019年10期

10 李昂;;基于對抗神經(jīng)網(wǎng)絡(luò)和語義分割技術(shù)的圖像超分辨率系統(tǒng)的研發(fā)和應(yīng)用[J];有線電視技術(shù);2019年11期

相關(guān)會議論文 前10條

1 林國強;王博;孔英會;胡啟楊;;基于壓縮感知的變電站巡檢圖像超分辨率重建[A];第37屆中國控制會議論文集（F）[C];2018年

2 姜倩茹;白煌;;基于雙字典設(shè)計的圖像超分辨率重構(gòu)[A];信號處理在生儀2014學(xué)術(shù)年會論文集[C];2014年

3 楊浩;高建坡;陳向東;吳鎮(zhèn)揚;;利用示例圖像獲取先驗知識的圖像超分辨率重建算法[A];第一屆中國高校通信類院系學(xué)術(shù)研討會論文集[C];2007年

4 張東;韓軍;;圖像超分辨率重建算法研究[A];2010年西部光子學(xué)學(xué)術(shù)會議摘要集[C];2010年

5 阮小燕;陳向?qū)?高孟男;;基于相位相關(guān)法與小波變換的圖像超分辨率重建[A];中國電子學(xué)會第十六屆信息論學(xué)術(shù)年會論文集[C];2009年

6 張煜東;吳樂南;奚吉;王水花;;變長小生境算法用于圖像超分辨率復(fù)原[A];2009年通信理論與信號處理學(xué)術(shù)年會論文集[C];2009年

7 閆允一;郭寶龍;;基于小波的圖像超分辨率重建算法研究[A];第三屆全國數(shù)字成像技術(shù)及相關(guān)材料發(fā)展與應(yīng)用學(xué)術(shù)研討會論文摘要集[C];2004年

8 張瓊;付懷正;沈民奮;;基于稀疏表示的彩色圖像超分辨率重建算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

9 姚林;;基于雙邊濾波插值圖像超分辨率重建算法研究[A];云南省測繪地理信息學(xué)會2015年學(xué)術(shù)年會論文集[C];2015年

10 韓玉兵;殷瑋瑋;吳樂南;;基于Wavelet-HMM的圖像超分辨率重建[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

相關(guān)重要報紙文章 前2條

1 記者 劉肖勇 蔡敏霞 通訊員 嚴(yán)PrPr;一套算法讓模糊低清小視頻變高清[N];廣東科技報;2019年

2 本報見習(xí)記者 丁寧寧 通訊員 嚴(yán)PrPr;一套算法奪四項冠軍[N];中國科學(xué)報;2019年

相關(guān)博士學(xué)位論文 前10條

1 李瑩華;基于壓縮感知的圖像處理方法及應(yīng)用研究[D];西安電子科技大學(xué);2019年

2 王新華;面向復(fù)雜場景的圖像處理技術(shù)若干問題研究及其在計算光學(xué)成像系統(tǒng)中的應(yīng)用[D];吉林大學(xué);2019年

3 熊東平;基于邊緣增強和深度學(xué)習(xí)的圖像超分辨率重建方法研究[D];華中科技大學(xué);2019年

4 邱康;基于機器學(xué)習(xí)的圖像超分辨率重建關(guān)鍵技術(shù)研究[D];武漢大學(xué);2018年

5 張鳳珍;分離字典優(yōu)化及其在圖像處理中的應(yīng)用[D];北京交通大學(xué);2018年

6 肖斐;圖像超分辨率與基于目標(biāo)模型的目標(biāo)識別方法研究[D];華中科技大學(xué);2017年

7 唐永亮;單幅圖像超分辨率重建方法研究[D];重慶大學(xué);2018年

8 岳波;基于學(xué)習(xí)的圖像超分辨率重建方法研究[D];西安電子科技大學(xué);2018年

9 孫鐿誠;基于壓縮感知的圖像超分辨率重建方法研究[D];南京理工大學(xué);2018年

10 魏燁;單幅圖像超分辨率重建方法及其視覺位移測量應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 楊雯t

本文編號：2790971