论文部分内容阅读
本文主要研究超分辨率图像重建以及图像去噪技术。基于学习的单帧超分辨率重建问题通过机器学习方法从训练样本集中提取所需的高频信息，从而对低分辨率测试样本缺少的信息进行预测，达到提高图像分辨率的目的。受深度学习理论和PMJ模型启发，本文构建了一个应用于超分辨率重建的PMJ模型(PMJ-SR)，包括感知、记忆、决策三个阶段。针对不同的特征学习方法，各阶段完成任务有所差异。但总的来说都是在感知阶段对图像进行初步地特征提取;在记忆阶段通过两种不同的神经网络的学习获得超分辨率重建所需的过完备字典;在决策阶段，将过完备字典作为超分辨率重建的依据，对单帧图像进行超分辨率重建。 在PMJ-SR模型的基础上，本文首先介绍了基于浅层稀疏编码网络学习的超分辨率重建模型，在PMJ-SR模型的记忆阶段使用浅层稀疏编码神经网络学习得到超分辨率重建的过完备字典，并应用到超分辨率图像重建中。结果表明浅层网络提取的特征更利于观察和识别，对单帧图像具有良好重建能力，能够较好重建低分辨率图像，但训练样本较少，不具有推广性。 本文接着重点介绍了基于多层卷积神经网络学习的超分辨率重建模型。在PMJ-SR模型的记忆阶段使用深度卷积神经网络学习得到超分辨率重建的过完备字典。实验结果表明，与传统方法和新兴方法相比，该模型具有良好的重建能力，能够较好地放大低分辨率图像，且训练样本数量多，对不同类别图像都能获得较好的效果。 本文最后介绍了基于多层卷积神经网络学习的图像去噪模型。运用OMP算法对图像进行稀疏表示，并使用多层卷积神经网络构造字典，利用字典对图像进行去噪，最终取得了较好的结果。