基于深度學(xué)習(xí)的圖像超分辨率復(fù)原.pdf

1、如今社會(huì)，圖像扮演著越來(lái)越重要的角色，然而圖像在成像和傳輸過(guò)程中有很多原因都會(huì)導(dǎo)致其質(zhì)量受損，分辨率下降，因此超分辨率復(fù)原在圖像處理領(lǐng)域有著舉足輕重的地位。這一課題受到了很多科研工作者的關(guān)注和重視，各種算法也層出不窮。本文深入分析了圖像的退化模型和恢復(fù)模型，結(jié)合深度學(xué)習(xí)的相關(guān)知識(shí)，實(shí)現(xiàn)了三種有效的圖像超分辨率復(fù)原的方法：
　　一、實(shí)現(xiàn)了基于RBM和BAM的圖像超分辨率復(fù)原算法。針對(duì)超分辨率復(fù)原問(wèn)題的特點(diǎn)，用兩個(gè)相對(duì)獨(dú)立的RBM分別

2、對(duì)低、高分辨率圖像塊樣本庫(kù)進(jìn)行訓(xùn)練。然后將兩個(gè)RBM的隱藏層通過(guò)BAM來(lái)建立一個(gè)非線性的映射關(guān)系。實(shí)驗(yàn)結(jié)果表明，此算法有很好的效果，主觀上符合人們的視覺(jué)感受?？陀^準(zhǔn)則上和一些經(jīng)典算法對(duì)比，也有更高的PSNR和SSIM。
　　二、實(shí)現(xiàn)了一種基于nsRBM的字典學(xué)習(xí)的圖像超分辨率復(fù)原算法。本文建立了一個(gè)以RBM隱層單元作為字典稀疏系數(shù)的超分辨率圖像復(fù)原框架，通過(guò)一定的映射關(guān)系得到對(duì)應(yīng)的高分辨率圖像。并且引入 nsRBM，使得隱層單元更

3、稀疏，即字典的系數(shù)更稀疏，實(shí)驗(yàn)證明本算法計(jì)算量更小，而且取得的效果更好。
　　三、實(shí)現(xiàn)了一種基于k-稀疏自編碼的深度網(wǎng)絡(luò)的圖像超分辨率復(fù)原算法。本文用兩個(gè) k-SAE分別對(duì)低、高分辨率圖像塊樣本庫(kù)進(jìn)行訓(xùn)練，然后通過(guò)一個(gè)非線性的映射關(guān)系將這兩個(gè)k-SAE連接起來(lái)，構(gòu)成一個(gè)4層的神經(jīng)網(wǎng)絡(luò)。將輸出的HR圖像塊，根據(jù)重疊像素求平均的原則，可得所求的HR圖像。實(shí)現(xiàn)證明此算法能夠很好的實(shí)現(xiàn)圖像的超分辨率復(fù)原，不僅有良好的視覺(jué)效果，還有很高的P