【摘 要】
：
在各种信息迅速传播的今天,图像作为一种常见的信息载体,凸显出了越来越重要的地位。图像质量的好坏直接决定了获取有用信息的多少,但是由于图像获取的环境和成像设备的限制,造成了图像的各种模糊和畸变问题。由于图像获取的环境是不可控因素,想要改变拍摄时图像的环境困难较大,较好的成像设备费用也比较高昂,而使用软件处理的超分辨率技术成本低廉,得到的效果较好,因此图像超分辨率重建技术得到了广泛的应用。决定超分辨率
论文部分内容阅读
在各种信息迅速传播的今天,图像作为一种常见的信息载体,凸显出了越来越重要的地位。图像质量的好坏直接决定了获取有用信息的多少,但是由于图像获取的环境和成像设备的限制,造成了图像的各种模糊和畸变问题。由于图像获取的环境是不可控因素,想要改变拍摄时图像的环境困难较大,较好的成像设备费用也比较高昂,而使用软件处理的超分辨率技术成本低廉,得到的效果较好,因此图像超分辨率重建技术得到了广泛的应用。决定超分辨率重建图像质量的关键在于高频信息的恢复,大部分有用信息往往包含在高频信息之中。为了更好的恢复高频信息,本文从低分辨率图像中提取高频信息作为边缘先验,来辅助超分辨率重建过程中高频信息的恢复,本文研究内容主要归纳成以下两点:（1）为了减少图像重建过程中丢失的特征信息,构建了一个基于软边缘辅助的渐进式图像超分辨率重建网络,将整个重建过程分为两个阶段。第一阶段为放大重建阶段,放大重建阶段采用两级放大策略对低分辨率图像进行逐级放大,同时通过软边缘提取网络恢复出图像的边缘信息;第二阶段为细节重建阶段,先将放大重建阶段恢复的低分辨率图像和相应的软边缘信息送入融合层,得到初步重建图像,然后将初步重建图像送入细超分辨率网络中,完成最终的图像重建。实验结果显示,与其他算法进行比较,改进算法在图像细节方面的重建效果更好,无论是在重建图像的客观评价指标还是在视觉效果上,都有所提高。（2）为了保持图像良好的结构信息同时恢复出更加精细的边缘信息,构建了一个基于边缘引导和特征融合策略的单帧图像超分辨率重建网络,该网络采用了一种上下交互式的网络框架。整个重建过程分成三个部分:特征提取、边缘重建和高质量重建,特征提取阶段提出了一种自适应特征融合块,可以自适应改变残差权重和长跳跃连接的权重,增强了网络提取特征的能力;边缘重建阶段结合Transformer注意力机制提出了一种边缘融合块,能抓取特征提取中有用的特征,并融入到边缘信息之中,有助于恢复出更为精细的边缘信息;高质量重建阶段为了将恢复的低分辨率图像和边缘信息进行更好地融合,在传统融合块上提出了一种增强型融合块,可以去除融合过程中冗余的信息,增强了特征的表达能力,经过增强型融合块和简单的卷积后得到最终的重建图像。实验结果表明本文算法比现有最佳算法的性能提升了0.03～0.15d B,视觉结果证明了本文算法在恢复图像结构和边缘细节方面的优势。
其他文献
自5G商用以来,宽带无线通信技术持续快速发展,而频谱资源日趋紧张,传统通信频段已不能满足未来移动通信发展的需要。在B5G及6G系统中应用毫米波频段可以实现更快的数据速率、更大的系统容量、更高的可靠性和更低的时延等。但是毫米波面临路径损耗大,易受环境干扰,覆盖范围小等问题。尽管使用大规模多输入多输出（Massive MIMO）系统结合波束赋形（BF）技术能够有效克服毫米波通信的这部分缺陷,但也面临技
作为数字图像处理的关键技术之一,无监督图像分割由于普适性强、无需人工事先标注图像等特点得到了广泛关注。在无监督图像分割领域,粗糙模糊C-均值聚类算法由于其效率高、原理简单等优势得到了广泛研究与应用。该算法将粗糙集与模糊集理论与聚类方法相结合,利用粗糙集中的上、下近似概念和模糊隶属度来处理数据中的不完备性与模糊性。然而,传统的粗糙模糊C-均值聚类算法具有对初始化敏感、容易陷入局部最优以及仅考虑一个聚
极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）作为雷达成像技术中最常用的手段之一,被广泛应用在各个领域,其中对PolSAR地物进行有效地分类是目前遥感领域的研究热点。近年来,随着深度学习的快速发展,其在解决PolSAR地物分类问题中也取得了优越的表现。PolSAR地物分类是一个小样本分类任务,传统的深度学习需要从大量标记样本中获取特征信
聚类在图像分割领域有着重要且广泛的应用。基于聚类的图像分割就是根据灰度、颜色、纹理等特征把图像划分成若干个特定的、具有特殊涵义的不同区域的过程。多目标进化聚类图像分割是一类将多目标进化优化与聚类方法相结合的图像分割方法,其可以有效地缓解传统聚类算法对初始聚类中心敏感、容易陷入局部最优以及聚类准则单一的问题。然而,在解决复杂图像分割问题的过程中,传统的多目标进化聚类算法通常直接搜索问题的完整Pare
与传统平面电磁波相比,携带轨道角动量（Orbital Angular Momentum,OAM）的涡旋电磁波是一种独特的波束,具有螺旋相位结构和环形幅度场。由于OAM模式的无穷性和不同模式间的正交性,提供了一种独立于时域、频域和极化域的全新自由度。在信道扩容和提升频谱效率方面,OAM波具有极大的潜力。随着OAM技术的不断发展,如何利用结构紧凑、低成本的方案产生宽带高效率的多模OAM波束,已成为亟待
情感分类是自然语言处理领域的重要研究方向。早期的研究集中在词典和传统机器学习方法,这两种方法的性能分别受限于词典和特征工程的设计困难。因此,当前多数研究采用深度学习方法。然而,此类方法的准确度依赖于大量高质量的人工标注数据,数据标注工程代价昂贵。随着互联网的快速发展,网络用户产生了大量带标注的文本,这些易于获取的资源可以充当弱标注数据训练情感分类器。然而,弱标注数据中含有用户标注与文本真实情感倾向
图像分割是图像识别、分析与理解的重要预处理步骤。由于各种主客观因素的影响,数字图像通常具有一定的模糊性。在众多结合不确定性理论的图像分割算法中,基于证据理论的证据C-均值（Evidential C-Means,ECM）聚类算法,通过基本信任分配函数来刻画像素对各类别的信任度。在信任划分中,像素不仅可以属于单一类或噪声类,还可以属于由单一类组成的复合类,这种额外附加的灵活性有利于更合理地表达与处理图
深度神经网络作为当前人工智能兴起的核心技术,解决了使用传统机器学习技术多次尝试却难以解决的复杂学习问题,并在图像分类任务上拥有了超越人类的表现。然而深度神经网络的结构具有非线性,会诱导基于深度神经网络模型的系统对某些样本出现误判,这种样本称为对抗样本,通常在正常样本上添加人类肉眼难以分辨的对抗性扰动构成,其存在能够严重地破坏深度学习智能系统的鲁棒性。因此,如何有效防御对抗样本的攻击是当前深度学习广
无线传感器网络（Wireless Sensor Network,WSN）作为远程环境监测系统应用的关键技术,能够在有限的能源供应下提供高效的传感和通信服务。覆盖控制是保证高效通信和可靠数据传输的重要手段。鉴于复杂的物理环境限制了节点部署方式并阻碍了能量补充和恢复,我们的研究动机是在传感器节点重部署过程中修复覆盖孔,降低能耗,以实现对WSN覆盖范围的优化和增强。近年来,群智能算法的发展和成熟推动了其
认知反向散射是一种高频谱利用率、低功耗的通信技术。在认知反向散射网络中,反向散射设备（Backscatter Device,BD）利用主用户的射频信号实现能量供应与被动信息传输,为频谱与能量双重受限的物联网提供了一种高效的传输方案。本文研究认知反向散射网络公平性保障的资源优化方案,在不同场景下通过设计公平有效的资源分配方案保障BD信息传输的公平性,主要工作如下:1)考虑实际的非线性能量收集模型与动