导　　师： 蔡念;杨龙

授予学位： 硕士

作　　者： ;

机构地区： 广东工业大学

摘　　要： 图像超分辨率和图像去噪在数字图像修复中备受关注，在计算机视觉中更是被广泛应用，例如小区安防、卫星地图等。这俩类问题实际都属于对存在问题的图片进行修复，从而使得图片具有更清晰的纹理信息，便于人们观察和分析。图像超分辨率是将低分辨率图上升到高分辨率图的过程，而图像去噪是为了去除原本不属于图片上的噪声，因而也使得两者存在着本质上的区别。在处理这两类问题时，往往需要使用不同的修复算法。在传统的方法中，针对图像修复问题的算法有很多，但是它们在效果上并不是很理想。即使有较好的表现，在修复单张图片时也需要花费大量的时间。　　近年来，深度卷积神经网络在现代数字图像处理相关算法中取得了突破性进展。例如在图像分类、目标检测等一系列具有高难度挑战的问题上，深度卷积神经网络相比于传统算法取得了卓越的表现，这得益于深度卷积神经网络具有极好的自我学习能力。深度卷积神经网络通过大量训练样本进行学习，获取图像内部的相关信息，再利用这些信息实现特定功能。在图像修复问题上，深度卷积神经网络同样具有卓越的表现。本论文针对图像超分辨率和图像去噪两个图像修复问题进行展开，主要工作包括：　　(1) 针对图像超分辨率，提出了一个新型级联深度卷积神经网络模型。为了提高网络模型的表现，通过对卷积层进行分析和改进，提出了多尺度特征映射的网络结构来替换原始的卷积层。这种多尺度特征映射的结构使网络能够在同一层卷积层中使用多个不同尺寸的卷积核。除此外，该模型还使用了残差学习、网络级联和并联等策略。所提出的单一网络模型具有修复多个不同放大因子的图像超分辨的能力。文中对该网络模型做了详细的性能分析，并通过大量�

关 键 词： 图像处理 图像修复 图像超分辨率 图像去噪 深度卷积神经网络 残差学习 网络级联

领　　域： [] []