發(fā)布時(shí)間：2024-02-15 02:18

　　圖像恢復(fù)是通過計(jì)算機(jī)的復(fù)雜算法,處理圖像數(shù)據(jù)中缺失或者損壞部分,從而對(duì)質(zhì)量下降的圖像加以重建或恢復(fù)。近年來(lái),由于深層神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自主學(xué)習(xí)特征的能力。大量的神經(jīng)網(wǎng)絡(luò)算法被提出來(lái)解決圖像恢復(fù)領(lǐng)域的一些焦點(diǎn)問題,國(guó)內(nèi)外很多科研工作者投入精力和時(shí)間研究其網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì),取得了顯著的效果。本文針對(duì)圖像恢復(fù)領(lǐng)域的兩大焦點(diǎn)問題:圖像超分辨重建和圖像去噪,提出了相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì),進(jìn)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(luò)。首先利用不同尺度的卷積核來(lái)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(duì)應(yīng)的多尺度混合群(MHG)進(jìn)行特征訓(xùn)練學(xué)習(xí);將所有多尺度混合群(MHG)訓(xùn)練的特征圖級(jí)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(lái)放大訓(xùn)練后的特征圖像,獲得圖像超分率重建。其中每個(gè)MHG的混合卷積層是由空洞卷積和標(biāo)準(zhǔn)卷積組成的�；旌暇矸e層可以從先前和當(dāng)前尺度的卷積層充分學(xué)習(xí)更高層次的細(xì)節(jié),并且每一個(gè)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(chǎn)生密集連接,形成一個(gè)很深且有效的超分辨重建網(wǎng)絡(luò)M...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-14DN退化圖像的超分辨結(jié)果比較（3×倍）

基于多尺度分布式網(wǎng)絡(luò)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(jié)果比較（3×倍）Fig.3-14ComparisonofSRresults(....

圖4-7實(shí)驗(yàn)對(duì)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(xué)工程碩士專業(yè)學(xué)位論文44(a)(b)(c)(d)(e)(f)圖4-7實(shí)驗(yàn)對(duì)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(hào)：3899027