研究目的
通过开发一种基于多尺度显著性检测和小波域深度卷积神经网络残差的新超分辨率技术,以解决低密度焦平面阵列红外图像空间分辨率低的问题。
研究成果
所提出的红外图像超分辨率方法通过利用多尺度显著性和深度小波残差,有效减少了模糊伪影并恢复了高频细节,在PSNR、SSIM和Qblur指标上相比现有方法实现了更优的性能,同时降低了计算时间,使其适用于实时应用。
研究不足
该方法在处理非常复杂的纹理或极端噪声条件时可能存在局限性,且计算效率虽有所提升,但对于具有更高缩放因子的实时应用而言仍有进一步优化的空间。
1:实验设计与方法选择:
该方法首先对输入的低分辨率(LR)图像进行双三次插值放大,随后通过二维离散小波变换将其分解为子带。采用多尺度显著性检测提取特征图,并利用深度卷积神经网络(DWCNN)学习残差以优化子带。通过逆离散小波变换合并优化后的子带生成超分辨率图像,同时采用梯度下降法最小化重建误差。
2:样本选择与数据来源:
训练使用包含800张图像的DIV2K数据集。测试采用从高分辨率版本下采样的10张近红外图像。
3:实验设备与材料清单:
使用配备8GB内存和Intel(R) Core(TM) i5-7400 CPU(3.00GHz)的计算机系统,在Matlab中进行仿真。
4:00GHz)的计算机系统,在Matlab中进行仿真。
实验流程与操作步骤:
4. 实验流程与操作步骤:包括LR图像放大、小波分解、显著性图提取、DWCNN残差应用、逆小波变换及通过梯度下降实现误差最小化。
5:数据分析方法:
采用峰值信噪比(PSNR)、结构相似性指数(SSIM)和感知模糊度(Qblur)指标评估性能,并与现有超分辨率方法进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容