导读:本文包含了图像超分辨率重构论文开题报告文献综述及选题提纲参考文献，主要关键词:卷积神经网络,深度学习,残差学习,深度残差密集网络
图像超分辨率重构论文文献综述
李蒸,张彤,朱国涛,王新,王威[1]（2019）在《一种基于深度学习的图像超分辨率重构方法》一文中研究指出近年来,基于卷积神经网络(CNN)的单幅图像超分辨率重构得到了广泛应用﹒然而,随着网络不断加深,也同时出现了参数过多、计算代价过大和难以训练等问题﹒为解决上述问题,提出一种新的深度残差密集网络(DRDN)框架并应用于单幅图像超分辨率重建﹒首先,网络通过密集连接充分利用了低分辨率图像从浅层到深层的各层特征,为超分辨率重构提供更多的低分辨率图像信息;其次,为了充分融合全局特征信息,通过残差学习的方式进行融合重构,同时为了缓解深层网络带来的训练困难等问题,网络采用多路跳步连接,使误差更加快速地传到各层网络;最后,将该方法与深度递归残差网络(DRRN)方法在公共数据集上进行了实验比较,结果表明DRDN在网络稳定性、时间效率、收敛速度和重建效果等方面都优于DRRN﹒(本文来源于《湖南城市学院学报(自然科学版)》期刊2019年06期）
王威,张彤,王新[2]（2019）在《用于图像超分辨率重构的深度学习方法综述》一文中研究指出随着深度学习算法首次被应用于图像超分辨率重构,基于深度学习的重构方法取得了比传统图像超分辨率重构方法更好的重构效果.随后,一系列改进的深度学习算法相继提出,重构效果也不断提升.本文系统地总结了基于深度学习的图像超分辨率重构方法,主要可以分为:基于直连的浅层网络重构方法,基于深层特征的深层网络重构方法和基于生成式对抗网络重构方法.并且对比分析了不同网络模型的特点和不足.在主流数据集上对各种深度学习网络模型进行了比较,并根据当前基于深度学习模型的图像超分辨率重构方法的发展趋势,对基于深度学习模型的图像超分辨率重构方法未来的研究方向做了展望.(本文来源于《小型微型计算机系统》期刊2019年09期）
郭继昌,吴洁,郭春乐,朱明辉[3]（2019）在《基于残差连接卷积神经网络的图像超分辨率重构》一文中研究指出针对基于卷积神经网络超分辨率重构算法中存在的感受野较小、梯度信息易丢失与网络收敛较慢等问题,提出了基于残差连接卷积神经网络的图像超分辨率重构算法。通过在低分辨率空间进行图像的超分辨率重构,减少了图像预处理过程,降低了网络复杂度。利用局部和全局残差连接,对卷积网络结构和亚像素采样层进行改进,局部残差促进了网络中信息的流动,全局残差使网络只学习图像残差信息,减少了网络冗余。通过增加网络深度扩大了感受野,使网络学习到更多的重建信息。实验结果表明:本文算法的PSNR和SSIM值相较于其他算法有不同程度的提升。(本文来源于《吉林大学学报(工学版)》期刊2019年05期）
王艺卓,曾海金,赵佳佳,谢晓振[4]（2019）在《基于张量截断核范数的高光谱图像超分辨率重构》一文中研究指出针对高光谱图像在获取过程中存在多种不同程度退化的问题,提出一种基于张量截断核范数和空谱全变差正则化模型,实现了高光谱图像的超分辨重构。首先分析高光谱图像的两种先验信息:空谱低秩先验和空谱稀疏先验;利用空谱低秩先验建立基于张量截断核范数的低秩约束模型,实现对秩函数的准确逼近;利用空谱稀疏先验建立空谱全变差正则化模型,有效地保持图像的边缘信息;最后结合两种模型的优势,建立基于张量截断核范数和空谱全变差正则化的高光谱图像重构模型。实验结果表明新模型提高了视觉质量,与目前最新的超分辨率重构模型相比,本文方法的平均峰值信噪比提高了0.8dB。新模型充分利用高光谱图像的空间和光谱稀疏低秩先验,针对模糊化和下采样后的高光谱图像,能够有效实现高光谱数据的超分辨率重构。(本文来源于《激光与光电子学进展》期刊2019年21期）
齐鑫,杨智,李冬果[5]（2019）在《基于超分辨率重构技术的医学超声波图像增强方法研究》一文中研究指出为了解决超声影像特有的斑点噪声对图像质量的影响,发挥其无辐射、安全、低成本,可以实时成像的优势。利用超分辨率重构技术弥补图像质量不佳的缺点,对超声更广泛的应用于疾病早期诊断与筛查具有重要的意义。本研究对甲状腺、腮腺、乳腺叁个部位的五组超声图像进行融合重构。结果表明,超分辨率图像重构技术可以提高图像的质量——图像横断特征轮廓更清晰、抑制噪声水平。(本文来源于《生物医学工程研究》期刊2019年01期）
陈孟臻,陈莹,卢振坤[6]（2019）在《一种基于扩散驱动先验技术的图像超分辨率重构方法》一文中研究指出当输入图像因污迹、噪声和采样而严重退化时,目前基于Papoulis-Gerchberg(PG)算法的大多数超分辨率方法表现不佳.因此,提出了一种基于扩散驱动先验和PG算法的超分辨率方法,能够在提高图像分辨率的同时,估计缺失的高频分量.首先提出了一种新型扩散驱动平滑的先验,能够在平坦和轮廓区域之间自动平衡作用,确保正则化水平以产生清晰图像.然后,将PG算法引入到迭代过程中,以估计重构场景中缺失的小规模特征.实验结果表明,相比现有的超分辨率方法,提出方法的峰值信噪比和结构相似指数结果更高,重构图像更加清晰且无伪影.(本文来源于《河北师范大学学报(自然科学版)》期刊2019年02期）
李剑飞[7]（2019）在《基于残差字典的超分辨率图像重构》一文中研究指出超分辨率图像重构指的是在不改变图像采集设备和外部环境的前提下,仅通过数字图像处理的方法对低分辨率图像进行复原,重构出接近原始图像视觉效果的高分辨率图像。传统的图像重构算法过程简便但效果不够理想,为此本文结合机器学习的理论,提出了一种基于残差字典的超分辨率图像重构算法,不仅改善了重构图像的视觉效果,而且在客观评价指标峰值信噪比(PSNR)和结构相似度(SSIM)上也有所提升。本文的具体工作如下:1.提出一种将残差字典与普通字典相结合的图像重构算法。使用SVR(支持向量回归机)对样本进行训练生成一种被称为字典的学习模型,之后将经过字典重构的图像与原始的高分辨率图像相减得到残差图像,再次通过SVR对残差图像和重构图像进行训练得到残差字典。在预测阶段先后使用两个字典对图像进行重构,可以更好地重建图像边缘等高频信息,从而获得高质量的重构图像。2.验证了本文算法的有效性。将本文算法与传统的双叁次插值法,凸集投影法以及基于卷积神经网络的算法,从视觉效果,客观评价两个方面进行比较。实验结果表明,本文方法在此两个方面的性能均有所提升。3.研究了本文算法的适用范围。选取风景、人脸、交通工具等5类图像,分别采用本文算法进行实验并对重构图像的质量进行了分析。实验结果表明,本文算法在处理人脸以及交通工具图像时可以呈现出较好的重构效果。而在处理航拍图像时,重构效果不够理想。(本文来源于《天津理工大学》期刊2019-01-01）
赵建雯[8]（2019）在《基于多字典学习的单幅图像超分辨率重构研究》一文中研究指出图像是传递信息的重要载体,但因受设备及环境等因素的影响,使获取的图像为包含噪声且缺少细节的低分辨率图像,而通过改善成像设备获得高分辨率图像成本较高,因此图像超分辨率重构技术成为图像处理领域的研究重点,而且此技术已广泛用于遥感,监控,医疗等领域。图像超分辨率重构是指以一幅或多幅低分辨率图像为基础,利用算法的方式重构出一幅高分辨率图像。本文中为了估计更多图像的高频细节,提出了一种基于支持向量回归机的多字典学习和利用改进的迭代反投影作为后处理的图像超分辨率重构算法。文中的主要工作及创新点如下:(1)详细介绍了图像超分辨率重构的研究背景,意义,目前的发展状况及各类常见算法的理论,并简单描述了各算法的优势及不足。(2)针对基于学习的算法在学习字典时常采用同样特征值的问题,本文算法经光栅扫描分块后,在离散变换域和空域中分别采用不同的特征值,通过支持向量回归机学习低频图像块字典和高频图像块字典,并在预测过程中使用同样的方法提取测试图像的特征,更加准确地表征了图像不同部分的特性。(3)为了减少重构过程中回归图像的误差,本文结合图像的光栅扫描分块提出了一种改进的迭代反投影算法作为重构算法的后处理过程。利用每次由回归得到的图像替换传统迭代反投影中的迭代图像,并使用双叁次插值取代了传统的迭代反投影矩阵,避免了投影矩阵难确定的问题。(4)为验证本文算法的有效性,分别进行了叁类实验:选取合适字典,本文算法与其他算法比较,改进的迭代反投影与传统迭代反投影算法的比较,从客观和主观方面本文算法获得了较好的图像重构效果。(本文来源于《天津理工大学》期刊2019-01-01）
赖苹华,宫晓曼[9]（2018）在《基于深度学习的医学图像超分辨率重构》一文中研究指出医学图像是精准检测和疾病诊疗中非常重要的辅助手段,为了降低对人体有害的放射线因素,CT,MRI和PET等常用的医学影像都是低分辨率图像。本文使用一种改进的六层卷积神经网络的超分辨率重建方法来处理分辨率较低的医学图像,网络包括叁个卷积层和一个反卷积重构层,通过使用交叉熵作为损失函数提高训练速度。文中用于训练卷积神经网络的MRI图像数据来源于专业医学图像网站LeadTools,并在重构前通过使用去噪算法和插值对低分辨率的医学图像先进行预处理,结果表明,相比于传统的双叁次插值算法,文中所使用的卷积神经网络算法有效的提高了医学图像的重构效果(本文来源于《数码世界》期刊2018年12期）
李智屹,韩玉兰,刘涛,张路[10]（2018）在《基于全变差和稀疏表示的图像超分辨率重构》一文中研究指出为了解决监控图像中目标区域分辨率较低的问题,文中提出了一种图像超分辨率重构算法,算法分为两个阶段:字典训练和重构。在训练阶段,首先将低分辨率样本图像采用全变差的方法扩大到与其对应的高分辨率图像的大小,然后将图像分块并提取特征,最后基于高低分辨率图像块共享稀疏系数的思想,通过一定的算法,训练获得高低分辨率字典对。在重构阶段,首先按训练阶段相同的方法提取输入图像特征块,然后结合低分辨率字典获得稀疏系数,接着通过稀疏系数和高分辨率字典获得重构的图像块,最后将所有图像块融合为高分辨率图像。实验结果表明,算法在监控图像中取得了较为理想的超分辨率重构效果。(本文来源于《信息技术》期刊2018年09期）
图像超分辨率重构论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着深度学习算法首次被应用于图像超分辨率重构,基于深度学习的重构方法取得了比传统图像超分辨率重构方法更好的重构效果.随后,一系列改进的深度学习算法相继提出,重构效果也不断提升.本文系统地总结了基于深度学习的图像超分辨率重构方法,主要可以分为:基于直连的浅层网络重构方法,基于深层特征的深层网络重构方法和基于生成式对抗网络重构方法.并且对比分析了不同网络模型的特点和不足.在主流数据集上对各种深度学习网络模型进行了比较,并根据当前基于深度学习模型的图像超分辨率重构方法的发展趋势,对基于深度学习模型的图像超分辨率重构方法未来的研究方向做了展望.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像超分辨率重构论文参考文献
[1].李蒸,张彤,朱国涛,王新,王威.一种基于深度学习的图像超分辨率重构方法[J].湖南城市学院学报(自然科学版).2019
[2].王威,张彤,王新.用于图像超分辨率重构的深度学习方法综述[J].小型微型计算机系统.2019
[3].郭继昌,吴洁,郭春乐,朱明辉.基于残差连接卷积神经网络的图像超分辨率重构[J].吉林大学学报(工学版).2019
[4].王艺卓,曾海金,赵佳佳,谢晓振.基于张量截断核范数的高光谱图像超分辨率重构[J].激光与光电子学进展.2019
[5].齐鑫,杨智,李冬果.基于超分辨率重构技术的医学超声波图像增强方法研究[J].生物医学工程研究.2019
[6].陈孟臻,陈莹,卢振坤.一种基于扩散驱动先验技术的图像超分辨率重构方法[J].河北师范大学学报(自然科学版).2019
[7].李剑飞.基于残差字典的超分辨率图像重构[D].天津理工大学.2019
[8].赵建雯.基于多字典学习的单幅图像超分辨率重构研究[D].天津理工大学.2019
[9].赖苹华,宫晓曼.基于深度学习的医学图像超分辨率重构[J].数码世界.2018
[10].李智屹,韩玉兰,刘涛,张路.基于全变差和稀疏表示的图像超分辨率重构[J].信息技术.2018