全文总字数：3139字

1. 研究目的与意义及国内外研究现状

本次的毕业论文的选题是基于深度学习的图像超分辨率还原方法研究，选择这个课题的原因是一来我可以通过本次研究深入的学习深度学习的相关知识，现如今的深度学习领域异常火热，我也想通过这次研究机会进一步的了解当前的计算机的热门领域，并加以利用，以解决一些难题。而图像超分辨率还原就可以应用深度学习的方法，已经有研究者对这一方面进行了研究，并且有了初步的成果，我也想通过这次研究学习到一些必要的知识，为以后在图像超分辨率还原方法的深入研究打下坚实的基础。

国内外研究现状

现如今的基于深度学习的图像、视频超分辨率还原方法已经有研究者进行了初步的探究，但主要的研究成果都是在图像方面。深度学习最早尝试应用的领域就是计算机视觉，yann lecun教授于1989年提出了卷积神经网络的概念，是一种包含卷基层的深度神经网络模型。深度学习算法在2012年的ilsvrc比赛中获得冠军，因此卷积神经网络开始变成研究的热点。从那时起，深度学习算法开始逐渐代替计算机视觉中的一些传统方法。

图像超分辨率复原有基于插值的方法、基于重建的方法和基于学习的方法。基于插值如keys在1985年提出的双三次差值算法。除此之外，还有双线性插值算法，最近邻算法等也是基于插值的经典算法。而基于重建的算法通过对低分辨率观测图像的获取过程进行建模，利用正则化方法构造高分辨率图像的先验约束，由lr观测图像估计hr图像，最终将图像超分辨率复原问题转变为对一个约束条件下的代价函数最优化问题。这类方法可以很方便地结合先验知识，并将图像上采样这一病态问题转变为良态问题，通常能够取得优于非模型化算法的记过。正则化约束通常为人为定义的关于hr图像的平滑约束项，用这种约束作为hr图像的先验知识。在采用正则化方法构造约束条件时，往往利用的是图像的局部平滑特征、边缘特性、像素值的非负性以及能量有限性等先验知识。求解最优化问题时，通常采用一些迭代算法求解，如梯度下降法、共轭梯度法。现有的研究已表明，当图像放大系数较大时，基于正则化重建中的平滑项会导致图像过于平滑。基于学习的超分辨率还原是近年来的研究热点，freeman等人将机器学习方法应用到图像超分辨率重建问题中，但是该算法会引入错误的细节。sun等人在此基础上做了改进，增强图像的边缘。yang等人结合压缩感知理论，利用信号的稀疏表示精简训练样本得到学习字典。深度学习用于超分辨率重建的开山之作srcnn香港大学的汤晓鸥团队提出的，基于卷积神经网络进行的单帧图像超分辨率重建，提出了一个三层的卷积网络结构进行超分辨率重建，实验结果证明srcnn的方法重建得到的图片质量比传统方法得到的图像质量优秀很多，也进一步证明了深度学习在超分辨率领域是有广阔的前景的。ntire2017超分辨率挑战赛中，增强版resnet夺得了最佳性能。

2. 研究的基本内容

研究内容：

通过软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像。

1. 深度学习

   剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

   3. 实施方案、进度安排及预期效果

   实施方案：

   1. 深度学习，重点应用卷积神经网络即cnn

      cnn模型结构一般包含6层：输入层、卷积层、激励层、池化层、全连接层，输出层。

      剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

      4. 参考文献

      1. z. cui, h. chang, s. shan, b. zhong, andx. chen, “deep network cascade for image super-resolution,” in proc. eur. conf.comput. vis., 2014, pp. 49–64.

      2. j. yang, j. wright, t. huang, and y. ma,“image super-resolution as sparse representation of raw image patches,” inproc. ieee conf. comput. vis. pattern recog., 2008, pp. 1–8.

      剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付