圖像恢復是通過計算機的復雜算法,處理圖像數(shù)據(jù)中缺失或者損壞部分,從而對質量下降的圖像加以重建或恢復。近年來,由于深層神經(jīng)網(wǎng)絡具有強大的自主學習特征的能力。大量的神經(jīng)網(wǎng)絡算法被提出來解決圖像恢復領域的一些焦點問題,國內外很多科研工作者投入精力和時間研究其網(wǎng)絡結構的設計,取得了顯著的效果。本文針對圖像恢復領域的兩大焦點問題:圖像超分辨重建和圖像去噪,提出了相應的網(wǎng)絡結構設計,進行的研究如下:提出了一種基于多尺度分布式(MSN)的圖像超分重建網(wǎng)絡。首先利用不同尺度的卷積核來捕獲低分辨圖像的多尺度特征;其次,由相同大小卷積核捕獲的特征映射直接輸入到與其對應的多尺度混合群(MHG)進行特征訓練學習;將所有多尺度混合群(MHG)訓練的特征圖級聯(lián),得到小尺寸的特征圖像;最后,使用Meta上采樣作為圖像放大模塊,以任意比例因子來放大訓練后的特征圖像,獲得圖像超分率重建。其中每個MHG的混合卷積層是由空洞卷積和標準卷積組成的。混合卷積層可以從先前和當前尺度的卷積層充分學習更高層次的細節(jié),并且每一個混合卷積層的輸出通過跳躍連接反饋到后續(xù)的混合卷積層中,從而產生密集連接,形成一個很深且有效的超分辨重建網(wǎng)絡M...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖3-14DN退化圖像的超分辨結果比較（3×倍）

基于多尺度分布式網(wǎng)絡超分辨的圖像重建算法33(a)DN退化圖像(b)Bicubic(c)SRCNN(d)DRRN(e)MDSR(f)RDN(g)Meta-SR(h)本文方法圖3-14DN退化圖像的超分辨結果比較（3×倍）Fig.3-14ComparisonofSRresults(....

圖4-7實驗對比Butterfly圖像：(a)輸入噪聲圖像（b）DnCNN（31.64dB）（c）MenNet（31.78dB）

西安理工大學工程碩士專業(yè)學位論文44(a)(b)(c)(d)(e)(f)圖4-7實驗對比Butterfly圖像：(a)輸入噪聲圖像（b）DnCNN（31.64dB）（c）MenNet（31.78dB）（d）FFDNet(32.12dB)(e)UDNet(32.37dB)(f)本文....

本文編號：3899027