基于深度学习的图像超分辨率算法研究

作     者：张铂溱 

作者单位：沈阳工业大学 

学位级别：硕士

导师姓名：唐延东;高成

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 超分辨率 卷积神经网络 残差网络 

摘      要：图像分辨率是用于评估图像中蕴含细节信息丰富程度的性能参数,代表了成像系统所能真实反映对象细节信息的能力。与低分辨率图像相比较,高分辨率图像一般含有较大的像素密度、较多的纹理细节信息和较高的可信赖度,在卫星遥感、视频监控、医学影像等领域具有较高的应用价值。图像超分辨率重建技术作为提升图像分辨率的有效手段,具有效率高、成本低和应用广泛等优点,一直是图像处理领域和计算机视觉任务中的热点研究课题。本文主要研究了残差网络结构、注意力机制和生成对抗网络等方法在图像超分辨率领域中的应用,提出了两种图像超分辨率重建算法,在一定程度上解决了梯度消失问题和模型训练不稳定问题,提高了重建图像的质量。针对传统的神经网络在图像超分辨率重建过程中大多仅使用图像的空间域信息,生成的图像容易丢失重要细节信息等问题,本文在对现有基于深度学习的图像超分辨率算法的研究基础上,提出一种基于深度残差注意力机制的超分辨率重建算法。本文首先结合局部残差学习和全局残差学习构建了一个深度残差网络。本文提出的网络不仅能够充分发掘图像的内部特征,而且能够减轻网络退化现象。针对这一残差网络,本文将改进后的通道注意力机制网络添加到局部残差网络中,加强了神经网络对高频特征信息的提取能力,减少了梯度消失现象,提高了信息传递效率。针对重建部分,本文使用了不同尺度的卷积核对图像进行特征提取,通过获取多个尺度上的图像特征信息,重建出了具有丰富纹理细节信息的高分辨率图像。本文在对现有基于生成对抗网络的图像超分辨率算法的研究基础上,分别对生成网络和判别网络进行了改进。在生成器网络中,本文引入了残差密集模块和改进后的通道注意力机制,目的是让生成网络生成的图像与原始图像更加相近,并且使神经网络对图像中的高频信息更加关注。在判别器网络中,本文使用相对判别网络代替标准判别网络,让神经网络输出真实图像比虚假图像具有更真实的概率,分析和改进了神经网络中的激活函数,使网络学习到的纹理细节更加细致。为了验证算法的有效性,将本文提出的两种方法分别与选取的图像超分辨率经典算法进行了对比实验。实验结果表示,经过本文方法重建出的图像更清晰,细节纹理更真实,重构效果相较于对比算法获得了更好的客观评价指标和主观视觉效果。