深度學習在圖像復原中的應用研究.pdf_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論