论文部分内容阅读
如今社会，图像扮演着越来越重要的角色，然而图像在成像和传输过程中有很多原因都会导致其质量受损，分辨率下降，因此超分辨率复原在图像处理领域有着举足轻重的地位。这一课题受到了很多科研工作者的关注和重视，各种算法也层出不穷。本文深入分析了图像的退化模型和恢复模型，结合深度学习的相关知识，实现了三种有效的图像超分辨率复原的方法： 一、实现了基于RBM和BAM的图像超分辨率复原算法。针对超分辨率复原问题的特点，用两个相对独立的RBM分别对低、高分辨率图像块样本库进行训练。然后将两个RBM的隐藏层通过BAM来建立一个非线性的映射关系。实验结果表明，此算法有很好的效果，主观上符合人们的视觉感受。客观准则上和一些经典算法对比，也有更高的PSNR和SSIM。 二、实现了一种基于nsRBM的字典学习的图像超分辨率复原算法。本文建立了一个以RBM隐层单元作为字典稀疏系数的超分辨率图像复原框架，通过一定的映射关系得到对应的高分辨率图像。并且引入 nsRBM，使得隐层单元更稀疏，即字典的系数更稀疏，实验证明本算法计算量更小，而且取得的效果更好。 三、实现了一种基于k-稀疏自编码的深度网络的图像超分辨率复原算法。本文用两个 k-SAE分别对低、高分辨率图像块样本库进行训练，然后通过一个非线性的映射关系将这两个k-SAE连接起来，构成一个4层的神经网络。将输出的HR图像块，根据重叠像素求平均的原则，可得所求的HR图像。实现证明此算法能够很好的实现图像的超分辨率复原，不仅有良好的视觉效果，还有很高的PSNR。