论文部分内容阅读
随着超分辨率重构技术的发展,针对壁画图像进行超分辨率重建已经成为重点研究课题。近年来,基于卷积神经网络的深度学习作为一种新兴的图像处理技术,在模式识别、计算机视觉、目标分类和检测等众多领域被广泛应用。而利用卷积神经网络对图像进行超分辨率重建已经成为图像复原领域非常活跃的话题。随着卷积神经网络模型层数的不断加深,其重建图像的自主学习能力不断提升。但目前基于卷积神经网络的图像超分辨率重建模型针对结构细节信息丰富,纹理、色彩复杂多变的壁画图像进行超分辨率重建时仍存在一定问题。因此,本文根据壁画图像的纹理和结构特征,借鉴卷积神经网络的设计思想,对壁画图像超分辨率重建问题展开研究。1.基于多尺度残差注意力网络的壁画图像超分辨率重建方法为了拓展网络的宽度和深度,本文在特征提取阶段运用了GoogleNet中的Inception Block和ResNet中的Residual Block。首先通过多尺度映射单元,运用不同尺度的卷积核直接对低分辨率壁画图像进行特征提取;然后,将融合后的特征映射图输入到残差通道注意力块,通过建模卷积特征各个通道之间的作用关系,使网络从全局信息出发对各个特征映射图进行权值优化,增强网络模型的深度映射能力;最后,在网络的末端引入亚像素卷积层将像素进行重新排列得到重建的高分辨率壁画图像。2.基于递归残差注意力网络的壁画图像超分辨率重建方法为了避免因网络层数加深带来的参数问题,本文提出了一种递归残差注意力网络结构,该网络用去掉BN层的局部残差块构建了基准模型,并且在局部残差块中嵌入通道注意力机制,通过自动校准特征通道的权重增强网络的表达能力,确保壁画图像特征信息的快速流通和完整性。然后引入的递归结构在每两个局部残差块后引出一条旁路通过共享网络参数降低其参数量。最后运用反卷积层对壁画图像进行不同放大倍数下的重建。本文提出的两种改进算法,均在壁画图像实验数据集进行了测试,实验结果表明,这两种改进算法均可以减小重建误差,增强重建壁画图像的边缘、纹理及结构信息,使得重建的壁画图像细节信息更加丰富。