面向图像恢复的深层网络结构研究

发布时间：2024-02-15 02:18

　　图像恢复是通过计算机的复杂算法,处理图像数据中缺失或者损坏部分,从而对质量下降的图像加以重建或恢复。近年来,由于深层神经网络具有强大的自主学习特征的能力。大量的神经网络算法被提出来解决图像恢复领域的一些焦点问题,国内外很多科研工作者投入精力和时间研究其网络结构的设计,取得了显著的效果。本文针对图像恢复领域的两大焦点问题:图像超分辨重建和图像去噪,提出了相应的网络结构设计,进行的研究如下:提出了一种基于多尺度分布式(MSN)的图像超分重建网络。首先利用不同尺度的卷积核来捕获低分辨图像的多尺度特征;其次,由相同大小卷积核捕获的特征映射直接输入到与其对应的多尺度混合群(MHG)进行特征训练学习;将所有多尺度混合群(MHG)训练的特征图级联,得到小尺寸的特征图像;最后,使用Meta上采样作为图像放大模块,以任意比例因子来放大训练后的特征图像,获得图像超分率重建。其中每个MHG的混合卷积层是由空洞卷积和标准卷积组成的。混合卷积层可以从先前和当前尺度的卷积层充分学习更高层次的细节,并且每一个混合卷积层的输出通过跳跃连接反馈到后续的混合卷积层中,从而产生密集连接,形成一个很深且有效的超分辨重建网络M...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图3-14DN退化图像的超分辨结果比较（3×倍）

基于多尺度分布式网络超分辨的图像重建算法33(a)DN退化图像(b)Bicubic(c)SRCNN(d)DRRN(e)MDSR(f)RDN(g)Meta-SR(h)本文方法图3-14DN退化图像的超分辨结果比较（3×倍）Fig.3-14ComparisonofSRresults(....

图4-7实验对比Butterfly图像：(a)输入噪声图像（b）DnCNN（31.64dB）（c）MenNet（31.78dB）

西安理工大学工程硕士专业学位论文44(a)(b)(c)(d)(e)(f)图4-7实验对比Butterfly图像：(a)输入噪声图像（b）DnCNN（31.64dB）（c）MenNet（31.78dB）（d）FFDNet(32.12dB)(e)UDNet(32.37dB)(f)本文....

本文编号：3899027