论文部分内容阅读
近年来,图像超分辨率重建技术在生活、军工、卫星遥感等领域取得了快速发展。随着深度学习技术的发展,卷积神经网络被应用于图像超分辨率处理。其中,单帧图像超分辨率卷积神经网络算法(SRCNN)作为一种新的基于学习的图像超分辨率重建算法,具有简单图像预处理、网络结构一致、训练参数相对较少等优势,取得了不错的效果。但卷积神经网络尚未用于序列图像超分辨率处理。传统序列图像超分辨率算法中的运动估计实质是利用了序列图像的时间维运动信息,论文旨在利用卷积神经网络进行序列图像的时空特征信息提取,在单帧图像超分辨率卷积神经网络算法的基础上,研究适用于序列图像的卷积神经网络超分辨率方法,本文主要工作如下:(1)为适用于序列图像超分辨率处理,研究了提取时间维运动信息的3D卷积核,利用卷积神经网络进行序列图像的时空特征信息提取,代替了传统算法的运动估计阶段,避免了传统算法运动估计的误匹配问题,建立了基于3D卷积核的序列图像超分辨率算法模型,取得了良好的超分辨率效果;(2)为提高基于3D卷积核的序列图像超分辨率算法的效率,借鉴基于稀疏表示的字典学习算法,利用卷积神经网络求取高低分辨率图像对应的过完备字典,减小网络规模,从而提高基于3D卷积核的序列图像超分辨率重建算法的效率;(3)利用GPU实现算法训练和超分辨率重建,完成了基于3D卷积核的序列图像超分辨率重建算法验证。