【《基于MATLAB及CNN的超分辨率图像重建分析案例》2700字】

基于MATLAB及CNN的超分辨率图像重建分析案例目录TOC\o"1-3"\h\u14923基于MATLAB及CNN的超分辨率图像重建分析案例 1104881.1简介 1231091.2卷积神经网络 14611.3SRCNN基本原理与概念 232414（1）抽取图像块。可表示为下式： 331974（2）非线性映射。以如下公式表示： 430476（3）高分辨率重构，以如下公式表示： 4286841.4结构相似性SSIM和峰值信噪比(PSNR) 41.1简介关于超分辨率图像重建就是使用同一环境下多张低分辨率图像之间的相对互补信息，并将它们合并到高分辨率图像以此来得到更高的分辨率的图，该技术就叫做超分辨率图像重建技术。正常来说，人们可以利用以下两种方式来使图像变得更高清，达到高分辨率：方式为硬件和软件。近些年来，随着越来越多的学科交叉应用的出现，在深度学习相关领域，越来越多的研究人员将卷积神经网络卓越的学习性以及特殊的训练方式（端到端）应用到各自的领域中。它被广泛应用各个不同领域：如军事和医学等都有涉及，目前绝大多数图像是经过数字设备得到的。图像类的信息通常都是采用长方阵列排列的复数或实数集合（矩阵）的方法对数字图像进行储存。而矩阵的数值计算一般都选用MATLAB计算软件来实现，这就意味着我们在使用该软件在超分辨率图像重建技术中就存在着特别地位。进而本文课题研讨论就有了重要的意义。1.2卷积神经网络卷积神经网络的英文名称缩写为CNN。其实质上可以说是网络学习的一个方式。CNN这种特定的人工神经网络神经元，可以反映出涵盖规模之中的一些周围单元。对图像处理任务中有极大的作用，可以进行将大型的图像（低分辨变高分辨率等）处理。以前我们从小经过父母学习或者自我学习会渐渐识出人、手机、书本、笔动植物等等，在我们经过眼睛和大脑的相互结合运用下去估计去识别，进而大脑就会“记住”。以及以后看到同一个事或者物时会立刻识别出来，做出“标记”。这些就成为我们的大脑在认知和理解这个世界的各种模型部分。计算机以数字的形式去“看到或识别”这些图像。这世间之中物的每个图像，计算机是以二维数字数组去表示这些图像的。为了使计算机“学会”一种算法，通过的是局部（像我们手、眼，嘴、等局部的检验），然后再到整体等等层层学习训练，最后使计算机知道各种物有什么特殊的象征。从而“教会”它以我们相同的识别模式的算法，去辨别图像里的对象。从而只有运用我们的CNN这种特定的人工神经网络（CNN构建的模型参考的大脑神经视觉组织）才能达到这个效果。CNN与我们能辨别能看到物的方式是相似的。从以下CNN解释架构图可知：图片里表示的第一个卷积层，第二个池层，第三个全连接层共三个相关神经网络。我们的图是要通过两遍这个三个神经网络构架出CNN。所以CNN包含有着三个神经网络。CNN现如今在计算机视觉范畴的创新作用之中是十分重要的一份子，神经网络的出现震撼全球，并且成就了很多科学界、学术界等学者的研究成果。1.3SRCNN基本原理与概念关于超分辨率和图像超分辨率重建技术。超分辨率解释为：要经过我们所应用的计算机软硬件将“源图像”的边缘轮廓等细节变得清晰，就是增强该图像的分辨率。重建技术解释可为：比如有一张好看的图片他的分辨率为105*75，从细节来看，不管远近都不容易看得清楚。我们就按照像素的大小去放大来看：我们在不同软件（比如画图软件、WORD等等软件）去显示这张图的比例，然后去调节。这张图的图像分辨率宽高扩大了4倍（源图像从1*1显示到4*4的宽高），但是我们所放大的图像并没有很清晰图像（图像细节：如图形的边缘轮廓、字体等），而我们真正需要的是一个图像细节放大后都很清晰的图片。让源图像转变成图像细节超清晰,这一个过程就是超分辨率重建。该文章之中的图像超分辨率重建运算的方法，是要在CNN的基础上来实现的。最终目的：实现图像超分辨率重建。前提条件：从深度神经网络中得到重要信息：先验信息。它的流程可以被划分为：①新建图像训练数据集(W1等)；②网络搭建（通过算法）；③通过初步的学习训练，将所需要的参数达到一个最好的数，从深度神经网络中层层训练得到新图像的特殊象征以及经验；④为了获取HR图像，在已经经过训练的重建模型中输入LR图像。卷积1、2、3层次每一个都有自己的作用。作用分别有提取图中的么每一个子块、将一个连在一起的区域部分映射到假构出来的连续区域、低分辨率到高分辨的重新构建。该SRCNN的结构框架如图2-2-2-1：图2-2-2-1算法结构框架（1）抽取图像块。可表示为下式：为了得到特征图一个特征图M1(H)，从“源图像”中抽取图像块。被用作提取图像的某些特征的是卷积核。relu激活函数接在卷积层后。以上公式的表示分别为：H为源图像、为卷积、T1为神经元偏置向量、C1则为权值矩阵。设一个h为通道数（输入图像），m1做长度（单个卷积核），h等于1时，由于进行计算时于Y才可以操作。我们假设把m1作为卷积核数量，那么C1就有m1×m1×m1×h。即，为了得到y1张特征图，分别卷积输入图像，用y1个m1×m1×h大小的不同的卷积核。（2）非线性映射。以如下公式表示：由公式可以看出：被从低分辨率空间变换到高分辨率空间的是特征向量。式中，T2同T1，是个h维向量；C2同C1，其大小为h×m2×m2×y2为了生成y2维的向量，对卷积1层的特征图卷积，如果卷积核有卷积y2个，就使用y2个。则C2为m2×m2×y2×y1。从另外一方面来说，把在卷积1层中的y1维向量全部非线性地映射到y2维向量。（3）高分辨率重构，以如下公式表示：生成最后的高分辨率图像，通过前文中的基于块输出特征图。即，生成得到一个和原本的图像相贴近的非常高清晰图像。通过把这些高清晰图像。式中，T3同T1，是h维的向量，C3同C1，整个模块是线性的。综上可知：1.4结构相似性SSIM和峰值信噪比(PSNR)PSNR以及SSIM是超分辨率图像重建评估标准最常用的指标。评估标准主要是实际图像和重新创建后的图像在各方面的数据上存在的差距对比。结构相似性SSIM是人们用来衡量图像之间所具有的某些结构存在着一定相同之处的概念，一般来说像素的相似度并不能把图像重建的效果很好的表示出来，而我们为了能更好的对重建效果进行评估，结构相似性则变成了不可或缺的一部分。结构相似性同时也是评估图像之间结构相似度不可或缺的一个标准，其工作原理一般是将普遍使用图像的评价标准转换成对比度、亮度和结构的整合运算。在某些课题中，在评价经过处理后的图像的质量好坏时，结构相似性经常被使用。（比如图像去噪）其值的范围是[0,1]，两张图结构越相似则它的值越大，根据定义其表示如下：峰值信噪比可以将PSNR描述为是和实际像素差值最相似的图像（高分辨率）和重新构造后的高分辨率图像的衡量标准，也是最普遍用于衡量处理过后的图像质量，同时