导读:本文包含了图像超分辨论文开题报告文献综述、选题提纲参考文献，主要关键词:图像,卷积,神经网络,网络,分辨率,稀疏,尺度。
图像超分辨论文文献综述写法
姜博厚[1]（2019）在《基于深度学习的高光谱图像超分辨处理方法》一文中研究指出针对目前高光谱图像超分辨处理方法应用过程存在的问题,笔者从实践角度出发,分析了高光谱图像超分辨处理方法的应用现状,并提出了基于深度学习方法的高光谱图像超分辨处理。结果表明,只有从问题角度入手,才能使超分辨处理方法在各领域的广泛运用达到预期。(本文来源于《信息与电脑(理论版)》期刊2019年22期）
畅青,冯晶明,洪伟杰,薛凯[2]（2019）在《基于图像超分辨网络的目标检测算法》一文中研究指出目标检测一直是计算机视觉研究领域的核心问题。当前,视觉识别任务仍然容易受到各种图像退化的影响,如图像模糊和图像低分辨率。为此,提出一种基于图像超分辨网络的目标检测算法。首先,搭建一个轻量级的图像超分辨网络对输入图片进行像素信息恢复和局部细节增强;然后在重建图片上搭建目标检测网络对各种类型的目标进行检测和定位;最终,将检测结果映射会原始图片。实验证明,经过融合图像超分辨重建网络,该算法实现更好的性能。(本文来源于《现代计算机》期刊2019年25期）
杨伟铭,张钰[3]（2019）在《基于并行残差卷积网络的图像超分辨重建》一文中研究指出针对VDSR模型卷积核单一和DRRN模型不能全局利用的问题,提出了基于并行残差卷积神经网络的联合卷积图像超分辨重建模型。模型首先利用原始卷积层和扩张卷积层融合,建立联合卷积层,然后利用跳跃链接,将多种抽象层次的特征进行融合,最后完成整个超分辨网络的模型构建。提出的模型具有以下优点:①扩张卷积神经网络与原始卷积神经网络融合,在计算机复杂度不变的情况下,可以获取更多尺度的信息,因此具有更强的表达能力;②跳跃链接方式,将抽象层度较低与较高抽象层次的信息融合,获取更多的信息,使得模型具有更强的学习能力。通过在多个数据集上进行实验,模型在大多数任务中与VDSR、DRRN和SRCNN等先进模型相比,IFC值取得了大于0.1的提升。(本文来源于《空军工程大学学报(自然科学版)》期刊2019年04期）
朱福珍,邹丹妮,巫红,白鸿一[4]（2019）在《基于贝塔过程联合字典学习的图像超分辨重建》一文中研究指出为了提高图像超分辨效果,针对以往稀疏字典超分辨算法仅适用于单特征空间的问题,提出基于贝塔过程联合字典学习(BPJDL)的图像超分辨重建(SRR)方法。首先,根据图像退化模型生成训练样本图像,分别对高、低分辨率图像进行7×7分块,并利用吉布斯采样对图像块进行采样,生成字典训练样本。然后,依据贝塔过程先验模型,建立连接高、低分辨率图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,通过训练和更新字典,得到同时适用于两个特征空间的字典映射矩阵。最后,进行图像超分辨稀疏重构。实验结果表明:本文方法能以更小尺寸的稀疏字典重建超分辨图像,与当前最先进的稀疏表示超分辨算法相比,结果图像主观视觉上纹理细节信息更丰富,客观评价参数峰值信噪比(PSNR)提高约1.5 dB,结构相似性(SSIM)提高约0.02,超分辨重建时间降低约50 s。(本文来源于《高技术通讯》期刊2019年07期）
王凡[5]（2019）在《基于改进生成对抗网络的图像超分辨重建研究》一文中研究指出图像超分辨重建是数字图像处理一个重要的研究方向,在实际生活中,低分辨率的图像不能满足实际生活的需求,因此得到高分辨率的图像至关重要。图像超分辨重建目前在很多领域已经得到广阔的发展,例如通信领域、医疗检测、遥感雷达卫星成像以及视频处理等方面。传统的图像超分辨重建技术不仅对成像设备的要求高,而且得到的超分辨率图像平滑且细节信息不太好,深度学习在生成图像具有很好的优势,因此本文将深度学习的一个重要研究方向,即生成对抗网络用于图像超分辨重建技术研究,围绕此问题,本文的主要工作如下:(1)分析和研究生成对抗网络的基本模型与训练算法,网络在生成图像具有很好的优势,但是网络仍存在一些问题,例如存在梯度消失、模型过于自由以及无法生成离散的数据分布等问题。针对学者目前提出的一些改进的生成对抗网络研究,例如WGA和CGAN,其中WGAN通过改变损失函数解决了梯度消失及无法生成离散数据分布问题,CGAN通过改变网络结构解决了模型太过自由的问题,本文将基于这个两个网络对基本的生成对抗网络进行改进。(2)同时引入残差网络和对称卷积神经网络,生成模型采用残差网络和对称卷积网络,判别模型采用多层卷积神经网络。不仅对网络结构进行改进,同时对损失函数进行改进,将感知损失引入损失函数,并且采用深度卷积神经网络VGG19求取感知损失函数,使得网络的训练效果得到了优化和改进。效(3)将本文改进的生成对抗网络进行图像超分辨重建实验,验证本文提出方法的有效性。在通用的四个测试数据集Set5、Set14、、Urbanl00、BSD300进行仿真,针对于不同的放大因子进行图像超分辨实验,分别将Bicubic、SRCNN、VDSR与DRCN SRGAN,与本文提出的改进生成对抗网络进行对比。实验结果在2x、3x和4x放大因子上评价指标PSNR值分别提升了 1.125dB、2.175dB和2.075dB,评价指标SSIM也具有较好的结果。可以得出,实验结果可以充分反映出改进生成对抗网络能够很好地应用于图像超分辨重建的问题上。(本文来源于《西安理工大学》期刊2019-06-30）
张秀,周巍,段哲民,魏恒璐[6]（2019）在《基于专家场先验模型的图像超分辨重建算法》一文中研究指出为了进一步提高图像超分辨率重建的质量,针对非局部集中稀疏表示算法中重建图像的噪声问题,提出了一种基于专家场先验模型的图像超分辨率重建改进算法。首先,利用专家场模型从图像训练集中学习整幅图像的先验知识建立全局先验模型;然后将学习到的先验信息用于非局部集中稀疏表示模型求解最优稀疏表示系数;最后,得到高分辨率图像估计。该算法在超分辨率重建迭代运算的同时,同步更新专家场模型参数,因此在不显着增加运算复杂度的情况下,通过选取合适的先验约束,有效地增强了图像重建的效果。实验结果表明:相比非局部集中稀疏表示算法,文中算法对无噪和有噪降质图像均能取得较好的峰值信噪比结果,并且能够进一步提高有噪图像的去噪效果。(本文来源于《红外与激光工程》期刊2019年06期）
黎海雪,林海涛,陈津[7]（2019）在《单帧图像超分辨中的自适应正则约束算法》一文中研究指出单帧图像超分辨作为一个典型的欠定问题,在优化求解过程中需要引入正则项进行约束,以提高超分辨重建的稳定性。平滑性正则作为超分辨中的一种常用正则项,容易导致图像高频信息丢失,造成图像中的边缘部分模糊,影响重建图像的视觉效果。利用马尔科夫随机场(Markov Random Field,MRF)对局部图像进行建模,表征了局部图像块内像元间的相关关系,并基于此实现了超分辨过程中的自适应正则约束,有效避免了图像边缘等位置的模糊效应,提高了图像的重建性能。(本文来源于《计算机科学》期刊2019年S1期）
崔浩翔[8]（2019）在《基于多尺度方形Densenet的图像超分辨算法》一文中研究指出近年来,基于CNN的单张图像超分辨(SISR)算法取得了巨大的进步。目前基于CNN的SISR算法都是以单尺度CNN网络为主,但是这种网络结构难以有效利用图像的多尺度信息。针对这一问题,本文提出了一种基于多尺度方形Densenet(MSR-Densenet)的SISR算法。首先,设计了一种多尺度方形(MSR)网络,使得CNN网络能够有效利用图像多尺度信息;其次,将Densenet的稠密连接思想引入MSR网络,提升算法的收敛性;最后,定义多尺度损失函数,使得算法在测试时能够对网络自适应剪枝以降低计算复杂度。实验结果表明,MSRD算法明显优于传统超分辨方法(PSNR和SSIM分别提升0.8dB和0.1),而且MSRD能够在保证超分辨性能的前提下,通过自适应剪枝有效降低计算量。(本文来源于《深圳信息职业技术学院学报》期刊2019年03期）
胡诗语,王国栋,赵毅,王岩杰,潘振宽[9]（2019）在《基于密集连接与激励模块的图像超分辨网络》一文中研究指出针对基于卷积神经网络的超分辨技术在纹理恢复时存在信息丢失、边缘模糊的现象,将密集块和激励模块结合,对图像进行低分辨率到高分辨率的端对端处理。密集连接融合后组成的密集块结构使图像区域的上下文信息得到有效利用。激励模块将有价值的全局信息选择性放大并将无用特征加以抑制。图像重建部分中的多个1×1卷积层结构减小了前一层的尺寸,在加速计算的同时减少了信息丢失。直接处理的原始图像缩短了训练时间,卷积层和滤波器的优化显着降低了计算复杂度。(本文来源于《激光与光电子学进展》期刊2019年20期）
朱福珍,邹丹妮,王志芳,巫红[10]（2019）在《双参数Beta过程联合字典遥感图像超分辨》一文中研究指出为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。(本文来源于《系统工程与电子技术》期刊2019年09期）
图像超分辨论文开题报告范文
（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：
目标检测一直是计算机视觉研究领域的核心问题。当前,视觉识别任务仍然容易受到各种图像退化的影响,如图像模糊和图像低分辨率。为此,提出一种基于图像超分辨网络的目标检测算法。首先,搭建一个轻量级的图像超分辨网络对输入图片进行像素信息恢复和局部细节增强;然后在重建图片上搭建目标检测网络对各种类型的目标进行检测和定位;最终,将检测结果映射会原始图片。实验证明,经过融合图像超分辨重建网络,该算法实现更好的性能。
（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。
图像超分辨论文参考文献
[1].姜博厚.基于深度学习的高光谱图像超分辨处理方法[J].信息与电脑(理论版).2019
[2].畅青,冯晶明,洪伟杰,薛凯.基于图像超分辨网络的目标检测算法[J].现代计算机.2019
[3].杨伟铭,张钰.基于并行残差卷积网络的图像超分辨重建[J].空军工程大学学报(自然科学版).2019
[4].朱福珍,邹丹妮,巫红,白鸿一.基于贝塔过程联合字典学习的图像超分辨重建[J].高技术通讯.2019
[5].王凡.基于改进生成对抗网络的图像超分辨重建研究[D].西安理工大学.2019
[6].张秀,周巍,段哲民,魏恒璐.基于专家场先验模型的图像超分辨重建算法[J].红外与激光工程.2019
[7].黎海雪,林海涛,陈津.单帧图像超分辨中的自适应正则约束算法[J].计算机科学.2019
[8].崔浩翔.基于多尺度方形Densenet的图像超分辨算法[J].深圳信息职业技术学院学报.2019
[9].胡诗语,王国栋,赵毅,王岩杰,潘振宽.基于密集连接与激励模块的图像超分辨网络[J].激光与光电子学进展.2019
[10].朱福珍,邹丹妮,王志芳,巫红.双参数Beta过程联合字典遥感图像超分辨[J].系统工程与电子技术.2019