目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训...目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训练时间长、重建结果细节信息较模糊等问题,提出一种多通道递归残差学习机制,以提高网络训练效率和图像重建质量。方法设计一种多通道递归残差网络模型,该模型首先利用递归方法将残差网络块进行复用,形成32层递归网络,来减少网络参数、增加网络深度,以加速网络收敛并获取更丰富的特征信息。然后采集不同卷积核下的特征信息,输入到各通道对应的递归残差网络后再一起输入到共用的重建网络中,提高对细节信息的重建能力。最后引入一种交叉学习机制,将通道1、2、3两两排列组合交叉相连,进一步加速不同通道特征信息融合、促进参数传递、提高网络重建性能。结果本文模型使用DIV2K(DIVerse 2K)数据集进行训练,在Set5、Set14、BSD100和Urban100数据集上进行测试,并与Bicubic、SRCNN(super-resolution convolutional neural network)、VDSR(super-resolution using very deep convolutional network)、Lap SRN (deep Laplacian pyramid networks for fast and accurate super-resolution)和EDSRbaseline(enhanced deep residual networks for single image superresolutionbaseline)等方法的实验结果进行对比,结果显示前者获取细节特征信息能力提高,图像有了更清晰丰富的细节信息;客观数据方面,本文算法的数据有明显的提升,尤其在细节信息较多的Urban100数据集中PSNR(peak signal-to-noise ratio)平均分别提升了3.87 d B、1.93 d B、1.00 d B、1.12 d B和0.48 d B,网络训练效率相较非递归残差网络提升30%。结论本文模型可获得更好的视觉效果和客观质量评价,而且相较非递归残差网络训练过程耗时更短,可用于�展开更多
由于煤矿井下特殊的环境导致井下图像一般比较模糊和边缘特征比较弱,而目前基于字典学习的图像超分辨率重建算法通常是将全部图像块利用训练的单一字典进行重建,忽视了各图像块之间的差异性,不利于重建边缘不清晰的矿井图像。结合矿井...由于煤矿井下特殊的环境导致井下图像一般比较模糊和边缘特征比较弱,而目前基于字典学习的图像超分辨率重建算法通常是将全部图像块利用训练的单一字典进行重建,忽视了各图像块之间的差异性,不利于重建边缘不清晰的矿井图像。结合矿井图像特征提出一种边缘融合的多字典超分辨率图像重建方法,该算法根据各图像块的梯度统计信息将图像块进行分类并训练对应的字典库,重建时将不同字典重建的图像块融合成完整的高分辨率图像;此外为了提高图像的边缘信息,预处理阶段低分辨率图像进行边缘融合以增强边缘特征,重建的高分辨率图像利用学习的先验知识进行边缘融合以修正重建过程中出现的误差。实验表明,该算法的重建效果优于其它基于字典学习的超分辨率图像重建方法,能够很好地重建图像的边缘细节,并抑制重建过程中产生的重影和振铃效应,平均PSNR值提高1.19 d B。展开更多
文摘目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训练时间长、重建结果细节信息较模糊等问题,提出一种多通道递归残差学习机制,以提高网络训练效率和图像重建质量。方法设计一种多通道递归残差网络模型,该模型首先利用递归方法将残差网络块进行复用,形成32层递归网络,来减少网络参数、增加网络深度,以加速网络收敛并获取更丰富的特征信息。然后采集不同卷积核下的特征信息,输入到各通道对应的递归残差网络后再一起输入到共用的重建网络中,提高对细节信息的重建能力。最后引入一种交叉学习机制,将通道1、2、3两两排列组合交叉相连,进一步加速不同通道特征信息融合、促进参数传递、提高网络重建性能。结果本文模型使用DIV2K(DIVerse 2K)数据集进行训练,在Set5、Set14、BSD100和Urban100数据集上进行测试,并与Bicubic、SRCNN(super-resolution convolutional neural network)、VDSR(super-resolution using very deep convolutional network)、Lap SRN (deep Laplacian pyramid networks for fast and accurate super-resolution)和EDSRbaseline(enhanced deep residual networks for single image superresolutionbaseline)等方法的实验结果进行对比,结果显示前者获取细节特征信息能力提高,图像有了更清晰丰富的细节信息;客观数据方面,本文算法的数据有明显的提升,尤其在细节信息较多的Urban100数据集中PSNR(peak signal-to-noise ratio)平均分别提升了3.87 d B、1.93 d B、1.00 d B、1.12 d B和0.48 d B,网络训练效率相较非递归残差网络提升30%。结论本文模型可获得更好的视觉效果和客观质量评价,而且相较非递归残差网络训练过程耗时更短,可用于�
文摘由于煤矿井下特殊的环境导致井下图像一般比较模糊和边缘特征比较弱,而目前基于字典学习的图像超分辨率重建算法通常是将全部图像块利用训练的单一字典进行重建,忽视了各图像块之间的差异性,不利于重建边缘不清晰的矿井图像。结合矿井图像特征提出一种边缘融合的多字典超分辨率图像重建方法,该算法根据各图像块的梯度统计信息将图像块进行分类并训练对应的字典库,重建时将不同字典重建的图像块融合成完整的高分辨率图像;此外为了提高图像的边缘信息,预处理阶段低分辨率图像进行边缘融合以增强边缘特征,重建的高分辨率图像利用学习的先验知识进行边缘融合以修正重建过程中出现的误差。实验表明,该算法的重建效果优于其它基于字典学习的超分辨率图像重建方法,能够很好地重建图像的边缘细节,并抑制重建过程中产生的重影和振铃效应,平均PSNR值提高1.19 d B。
