基于多尺度残差密集网络和对抗学习的图像超分辨率重建方法研究

来源 :中国矿业大学 | 被引量 : 0次 | 上传用户:dr404070578
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
图像具有信息储存量大、直观等优点,在信息时代的发展过程中占据着重要的地位。图像的分辨率是图像质量最重要的评价指标之一,代表了图像中储存的信息量。通常图像的分辨率越高,其包含的信息量就越大,因此,提升图像分辨率对于信息的存储和利用有十分重要的意义。图像超分辨率重建主要通过软件方法来实现图像分辨率的提升,重点在于软件算法的提升,而不是硬件的提升,大大的降低了研究和应用成本。在生产生活中,超分辨率重建在视频监控、遥感测绘和医学影像等领域有很广阔的应用前景。随着深度学习的研究与发展,卷积神经网络得到快速发展。近期的研究证明,深度卷积神经网络可以显著提高图像超分辨率的重建效果。根据目前图像超分辨率领域的研究来看,对重建图像质量的评价分为主观评价和客观评价,两种评价标准的区别在于主观评价标准为重建图像与原图像的视觉误差,而客观评价标准为图像间的像素误差。本文针对这两个问题,分别提出了多尺度残差密集网络(MSRDN)和Wasserstein超分辨率对抗网络(SRWGAN),MSRDN目的是减少重建图像与原图像的像素误差,SRWGAN则是为了生成视觉上更好的图像。首先,考虑到以往的深度神经网络中,图像特征没有被充分提取,各个卷积层的信息没有被充分利用。本文提出多尺度残差密集网(MSRDN),通过不同的卷积核来获取多尺度特征,充分提取了图像的信息。通过全局和局部的特征融合以及残差学习,充分利用每个卷积层的信息。最后考虑到不同上采样系数图像之间的内在联系,我们在网络的开头和结尾引入多上采样系数的结构和训练方法,使得在一个模型中可以实现多个上采样任务,大大减少了训练时间和占用的资源。其次,考虑到提升超分辨率图像重建的视觉效果,我们改进了生成式对抗网络模型,引入多尺度残差密集块和全局特征融合,充分利用原始低分辨率图像特征。考虑到生成式对抗网络难于训练的问题,我们引入WGAN,通过Wasserstein距离来表示两个数据集分布的差异程度,解决了训练不稳定的问题,提供可靠的训练进程指标。最后,我们将模型应用在遥感图像领域,设计遥感图像的超分辨率重建原型系统,得到较好的重建结果,证明我们的模型可以在现实生活中得到应用。
其他文献
随着智能移动设备数量的持续爆发式增长,人们对更高性能移动通信的需求日益增强。多输入多输出(Multiple Input Multiple Output,MIMO)作为提升通信系统容量和频谱利用率的关
随着半导体技术工艺节点不断推进,传统闪存(Flash)面临着许多缺陷和一系列技术难题。一方面,由于Flash存储器编程电压较高,需要特殊的结构提升电压(如电荷泵,Charge Pump)从
自经济重心南移以来,太湖流域就有着优良的农业传统。到了清代,水旱灾害的频繁发生给当地群众的生产生活带来了巨大的损失,严重影响了农业生产以及群众的人身财产安全。清政
遥感卫星微波观测资料具有覆盖范围广,观测密度高等特点,已经成为了数值预报使用的全部探测资料中所占比例最高的观测资料。然而,目前在使用遥感卫星资料进行同化时主要采用
人体姿态估计通过对图像或视频信息中的人体进行关节点检测进而得到具体姿态,是很多人机交互任务的基础。在智能安全驾驶领域驾驶员姿态估计技术具有广泛的应用前景,本文针对
本文基于分子模拟软件Materials Studio 8.0,使用动态交联算法搭建聚天冬氨酸水凝胶的动态交联模型,在已报道的相关实验结论基础上,使用分子力学和分子动力学等方法,对交联聚
二氧化锰模压片式固体电解质钽电容器(以下简称“片式钽电容器”)的DCL值是其性能高低的最重要的决定性参数,特别是产品漏电流的衰减速度和高温时的漏电流变化率将对产品的可
随着计算机技术的高速发展以及物联网规模的持续扩大,以机器为中心的计算模式正朝着以人为中心的计算模式不断演变。实现高层次的人机交互,从而促进物理世界和信息世界的融合
金融素养是消费者具备的掌握并运用金融知识管理自身所拥有的金融资源的一种能力。金融素养的缺失会影响消费者做出正确的金融决策,而对于一个国家来说,良好的金融素养水平有
空间激光通信前提是信标光束的精确对准,因此复合轴的跟踪技术是关键,双探测器伺服系统技术成熟,跟踪精度高,应用广泛。相比双探测器型系统,单探测型复合轴伺服系统减少一个