论文部分内容阅读
数字时代早已来临,图像作为其中主要的信息传播媒介,已经广泛应用于各种场景。在众多领域中,人们对于图像的画质有较高的需求,比如医疗图像领域、卫星遥感领域等。因此对于高速发展的信息时代来说,低分辨率的图像已然很难满足特定场景的需求。超分辨率图像重建技术是通过一些算法将一张或者多张低分辨率图像重建出一张高分辨率图像。已经提出的基于卷积神经网络的图像超分辨率算法虽然解决了传统图像超分辨率重建算法存在鲁棒性不强、计算复杂等问题,但还是存在参数较多、重建后图像不清晰等现象,而且对于细节比较丰富的图像存在重建能力差,视觉效果差的问题。为解决以上问题,且由于卷积神经网络和生成对抗网络在视觉领域的成功,本文深入研究深度学习中的卷积神经网络和生成对抗网络在图像超分辨率领域的优化方法,提出了基于多尺度卷积神经网络的图像超分辨率算法和基于条件生成对抗网络的图像超分辨率算法。本文主要的工作和创新点如下:(1)在阅读大量的中内外文献基础上,对国内外在图像超分辨率领域的研究现状进行了概括性的总结以及图像超分辨率领域的研究意义,并且对于深度学习中的卷积神经网络和生成对抗网络进行了详细的基本原理和基本结构的总结,以及它们存在的优缺点。(2)本文详细介绍了卷积神经网络的基本原理和基本结构,推导了前向传播和反向传播的公式,理论证实了卷积神经网络在图像超分辨率重建中的优越性。因为基于卷积神经网络的图像超分辨率存在参数较多、重建后的图像不清晰等问题,本文在此基础上进行了改进,提出了基于多尺度卷积神经网络的图像超分辨率重建算法。该算法不仅在主观视觉上而且在结构相似性和峰值信噪比上都有一定程度的提高,并且在减少了网络的参数数量的同时其重建的高分辨率图像能够有更加清晰地边缘效果,恢复更多的图像细节信息。(3)本文对生成对抗网络的基本原理进行公式推导,介绍了其基本结构和后续的衍生模型,在生成对抗网络的基础上提出基于条件生成对抗网络的图像超分辨率算法。然后将基于条件生成对抗网络的图像超分辨率算法与比较经典的图像超分辨率算法进行了实验对比,提出的算法在视觉效果上已经达到了原有的基于生成对抗网络的图像超分辨率算法的效果,在一定程度上要好于原有的基于生成对抗网络的图像超分辨率算法。