基于深度学习的图像超分辨率重构-基础数学专业论文.docxVIP

优秀毕业论文 精品参考文献资料 中图分类号：TP391 中图分类号：TP391 密级： 公开 UDC： 5 1 O 学校代码： 10094 讶4￡解■q粤二I砷 4●- 乒D 尤 h拿 硕士学位论文 (学历硕士) 基于深度学习的图像超分辨率重构 Image Super-resolution Reconstruction based on Deep Learning 一 作者姓名： 雷倩 指导教师： 张朝晖副教授 学科专业： 基础数学 研究方向： 图像处理与模式识别 论文开题日期： 2014年3 月 30日 万方数据 IJlllllllhllHllllllllqlllllll IJlllllllhllHllllllllqlllllll III IJllhll Y2789775 学位论文原创性声明 本人所提交的学位论文《基于深度学习的图像超分辨率重构》，是在导师的指导下， 独立进行研究工作所取得的原创性成果。除文中已经注明引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集 体，均已在文中标明。 本声明的法律后果由本人承担。 论文作者(签名)： 留倘 指剥币确认。签鼽绷谬 伽莎年y月够日 为莎年r月彩‘日 学位论文版权使用授权书 本学位论文作者完全了解河北师范大学有权保留并向国家有关部门或机构送交学位 论文的复印件和磁盘，允许论文被查阅和借阅。本人授权河北师范大学可以将学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其它复制手段保存、汇 编学位论文。 (保密的学位论文在——年解密后适用本授权书) 论文作者(签名)： 指剥币。签鼽溯簪 匍』年岁月‘才Ft ≯侈年亭月巧‘日 11 万方数据 摘 摘 要 空间分辨率是关于图像质量的一种体现。高空间分辨率图像因其具有较高像素密度， 图像质量高的特点，可提供关于成像场景更为丰富的细节信息。图像的超分辨率 (Super-Resolution，SR)技术就是基于一幅或多幅关于成像场景的低分辨率图像生成关于该 场景的高空间分辨率图像的过程，已经成为计算机视觉和图像处理领域的一个活跃的研究 方向。 本文对图像超分辨率技术的研究现状进行总结与分析；考察了几种典型的深度学习模 型。在此基础上，结合深度学习理论成果，对静态图像的超分辨率重构进行了研究，提出 了两种新的静态图像超分辨率重构方法。 (1)基于受限玻尔兹曼机和稀疏表示的图像超分辨率重构 基于RBM(Restricted Boltzmann Machines)网J络模型关于数据表示的产生式结构特性， 以及基于稀疏理论的联合字典学习模型的启发，提出了一种基于RBM模型联合字典学习 及稀疏表示的超分辨率重构算法。字典学习过程中，基于高、低分辨率图像“子块对”构建 训练样本集，以无监督方式自动在两个特征空间中同时进行高、低分辨率子块联合字典学 习。借助学习得到的联合字典，实现基于稀疏表示的高分辨率图像子块重构；将基于重构 子块图像的重叠式拼贴与迭代式误差补偿模型相结合，最终实现高分辨率图像重构。实验 验证了该方法的有效性。 (2)基于非负稀疏去噪自编码器和稀疏表示的图像超分辨率重构 受自编码器结构特性、以及图像超分辨率重构过程的去模糊性的启发，并结合图像本 身的非负特性，本文提出一种基于非负稀疏去噪自编码器(Nonnegative Sparse Denoising Auto．Encoders，NSDAE)模型的联合字典学习方法。该模型将去噪自编码器与非负性、稀 疏性的约束相结合，基于高、低分辨率子块构成的非负样本集，实现联合字典的学习；在 此基础上，结合稀疏表示来实现图像超分辨率重构。实验验证了该方法的有效性。 关键词：图像超分辨率深度学习RBM模型NSDAE模型联合字典学习稀疏表示 万方数据 AbstractSpatial Abstract Spatial resolution is a kind of indication about image quality．Because of its high pixel density and good image quality,a high resolution image Can provide much richer detail information about the corresponding imaging scene．Image super—resolution(SR)is the process of generating a high resolution image from one or several low resolution images about the same imagin