提取图像深层特征的超分辨率重建网络

徐健; 高艳; 范九伦

doi:10.13873/J.1000-9787(2022)08-0124-04

Chinese

您当前的位置：

首页 >

文章列表页 >

提取图像深层特征的超分辨率重建网络

计算与测试 | 更新时间：2025-09-11

- 提取图像深层特征的超分辨率重建网络
- 提取图像深层特征的超分辨率重建网络
- 传感器与微系统 2022年第8期页码：124-127
- 作者机构：
  
  西安邮电大学通信与信息工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2022)08-0124-04
  中图分类号： TP183;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
徐健, 高艳, 范九伦. 提取图像深层特征的超分辨率重建网络[J]. 传感器与微系统, 2022,(8):124-127.

提取图像深层特征的超分辨率重建网络[J]. 2022, (8): 124-127.
徐健, 高艳, 范九伦. 提取图像深层特征的超分辨率重建网络[J]. 传感器与微系统, 2022,(8):124-127. DOI： 10.13873/J.1000-9787(2022)08-0124-04.

提取图像深层特征的超分辨率重建网络[J]. 2022, (8): 124-127. DOI： 10.13873/J.1000-9787(2022)08-0124-04.

摘要

针对基于卷积神经网络（CNN）的自学习图像超分辨率（SR）现有方法训练样本不足导致网络易欠拟合的问题，提出一种增强式特征提取的网络结构。首先，在网络中设计增强单元和残差单元提取图像的深层特征，有效避免了信息的流失；其次，将输入图像作为训练样本和测试样本，充分利用图像的内部自相似性实现了单幅图像的超分辨率重建。实验结果表明：提出的网络结构有效解决了训练样本不足带来网络易欠拟合的问题，获得了视觉效果更好的高分辨率（HR）图像，峰值信噪比与现有一些方法相比提高了0.5～1 dB。

Abstract

关键词

Keywords

references

基于生成对抗网络的人脸超分辨率技术 [J]. 张天露,杨杰,何文玉,贾利民. 传感器与微系统 . 2020(02)

基于全卷积神经网络和动态自适应区域生长法的红外图像目标分割方法 [J]. 任志淼. 半导体光电 . 2019(04)

基于多次收敛分割反卷积算法的大气色散补偿方法 [J]. 孔思捷,周进,尧联群,马文礼. 半导体光电 . 2019(06)

基于真实场景图像下的卷积神经网络去噪算法 [J]. 王纯,郭春生. 传感器与微系统 . 2017(10)

图像增强方法研究新进展 [J]. 李阳,常霞,纪峰. 传感器与微系统 . 2015(12)

超分辨率图像重建方法综述 [J]. 苏衡,周杰,张志浩. 自动化学报 . 2013(08)

浏览量

194

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据