深度學習在圖像復原中的應用研究.pdf

1、本文主要研究超分辨率圖像重建以及圖像去噪技術。基于學習的單幀超分辨率重建問題通過機器學習方法從訓練樣本集中提取所需的高頻信息，從而對低分辨率測試樣本缺少的信息進行預測，達到提高圖像分辨率的目的。受深度學習理論和PMJ模型啟發(fā)，本文構建了一個應用于超分辨率重建的PMJ模型(PMJ-SR)，包括感知、記憶、決策三個階段。針對不同的特征學習方法，各階段完成任務有所差異。但總的來說都是在感知階段對圖像進行初步地特征提取;在記憶階段通過兩種不同的

2、神經網絡的學習獲得超分辨率重建所需的過完備字典;在決策階段，將過完備字典作為超分辨率重建的依據，對單幀圖像進行超分辨率重建。
　　在PMJ-SR模型的基礎上，本文首先介紹了基于淺層稀疏編碼網絡學習的超分辨率重建模型，在PMJ-SR模型的記憶階段使用淺層稀疏編碼神經網絡學習得到超分辨率重建的過完備字典，并應用到超分辨率圖像重建中。結果表明淺層網絡提取的特征更利于觀察和識別，對單幀圖像具有良好重建能力，能夠較好重建低分辨率圖像，但訓練

3、樣本較少，不具有推廣性。
　　本文接著重點介紹了基于多層卷積神經網絡學習的超分辨率重建模型。在PMJ-SR模型的記憶階段使用深度卷積神經網絡學習得到超分辨率重建的過完備字典。實驗結果表明，與傳統方法和新興方法相比，該模型具有良好的重建能力，能夠較好地放大低分辨率圖像，且訓練樣本數量多，對不同類別圖像都能獲得較好的效果。
　　本文最后介紹了基于多層卷積神經網絡學習的圖像去噪模型。運用OMP算法對圖像進行稀疏表示，并使用多層卷積