基于卷积神经网络的图像超分辨率研究开题报告

 2021-11-23 09:11

1. 研究目的与意义(文献综述)

在精密仪器的加工过程中,被加工件会使刀具产生磨损。为了研究刀具的磨损情况,可以采集刀具的局部放大图像,对磨损区域的特征进行研究与分析。所以,要想得到相对准确的分析结果,就需要所采集的图像能够得到尽量多的细节信息。

分辨率是图像的重要属性之一,分辨率越高,从图像中提取的细节信息也就越多。采集的刀具图像大多是由光学相机拍摄,然后将得到的图像进行局部放大后再进行磨损情况的研究。由于光学仪器和图像传感器等硬件技术和经济成本的限制,想要从物理硬件方面提升图像的分辨率已经无法满足人们的需求了。于是从软件算法方面来提升图像的分辨率成为了研究的方向。这种将单张图像或序列图像从原本的低分辨率(low resolution,lr)图像重建为高分辨率(high resolution,hr)图像的技术被称为超分辨率(super resolution,sr)。从软件方面来提升图像分辨率的方法,突破了硬件设备的局限,大大减少了硬件设备的开销,被越来越多的人所关注。

传统的超分辨率方法主要是基于重建和浅层学习的方法。

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!

2. 研究的基本内容与方案

基本内容及目标

1)学习深度卷积神经网络的基本知识;

2)学习目前用于超分辨率的传统方法和多种典型的卷积神经网络;

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. 研究计划与安排

1)第1-3周完成题目调研,完成文献阅读,进行相关资料的收集,完成文献综述以及开题报告撰写;

2)第4-6周学习深度卷积神经网络,完成论文开题;

3)第6-12周完成卷积神经网络的搭建使用,撰写论文初稿;

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(12篇以上)

[1]李素梅,雷国庆,范如.基于卷积神经网络的深度图超分辨率重建[j].光学学报,2017,37(12):132-140.

[2]孙旭,李晓光,李嘉锋,卓力.基于深度学习的图像超分辨率复原研究进展[j].自动化学报,2017,43(05):697-709.

[3]肖进胜,刘恩雨,朱力,雷俊锋.改进的基于卷积神经网络的图像超分辨率算法[j].光学学报,2017,37(03):103-111.

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

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。