一、超分辨率图像重建方法及其在超声图像中的应用（论文文献综述）
史梦蝶[1]（2021）在《医学超声图像超分辨率重建方法研究》文中认为
王昊榕[2]（2021）在《基于残差网络的图像超分辨率重建方法研究》文中进行了进一步梳理图像在采集、传输过程中受设备、环境等因素影响会降低质量,图像超分辨率重建是一种从软件角度完善图像细节信息的方式,避免增加硬件成本来提高图像的清晰度,在公共安全、地形测绘、医学研究等方面获得了广泛的应用。本文研究的重点是基于残差网络的图像超分辨率重建方法。论文首先对图像超分辨率重建模型、残差网络等相关理论知识进行了深入研究,为利用残差网络处理低分辨率图像的超分辨率重建问题打下理论基础。然后针对RGB图像和深度图像的重建需求提出了不同的残差网络模型:（1）基于加速残差网络的RGB图像超分辨率重建方法;（2）基于侧输出层监督双流残差网络的深度图像超分辨率重建方法。在每种方法阐述后,利用不同种类的低分辨率降质图像对方法的重建性能进行了检验,实验显示两种方法能在重建一般降质模型下的低分辨率图像上体现出较强的适用性,取得良好的重建效果。论文的主要研究内容有以下三个方面:第一、通过梳理图像超分辨率重建方法的国内外研究现状发现,不论是RGB图像重建研究还是深度图像重建研究,绝大多数方法都旨在于处理由单一下采样降质因素生成的理想化低分辨率图像的重建问题,没有将运动模糊、高斯模糊等更为一般的降质因素考虑在内。本文针对上述研究现状,从提高更为一般的低分辨率RGB图像重建效果和更为一般的低分辨率深度图像重建效果两方面作为切入点,分别提出具有适用性的重建网络模型。第二、针对基于深层网络架构的RGB图像超分辨率重建方法中存在的网络参数多、时间复杂度高等问题,提出一种基于加速残差网络的RGB图像超分辨率重建方法,简称ARSR。首先,构建全局残差网络对低分辨率图像与高分辨率图像之间的高频残差信息进行重建,减少冗余信息的深层网络传输过程,提高重建效率;然后,通过特征收缩层对提取的低分辨率特征图进行降维,相对于对比方法能以较少的网络参数实现快速映射;之后,通过特征扩展层对高分辨率特征图进行升维,以较丰富的信息重建高频残差;最后,将残差图像与低分辨率图像融合得到重建的高分辨率图像。所提方法能够以较少的网络参数快速获得较好的重建质量。此外,将该方法应用于重建低分辨率运动模糊RGB图像也表现出良好的适用性。第三、针对深度图像平滑区域多,缺少纹理信息,边缘结构更为显着等特性,本文在残差网络结构的基础上进行改进,提出一种适用于深度图像重建的基于侧输出层监督双流残差网络的超分辨率重建方法,简称Do SSR。具体改进有以下三方面:首先,Do SSR构建双流残差网络对高频残差信息进行重建,浅层网络分支学习深度图像的粗略边缘结构,深层网络分支学习边缘结构的精细化内容,将二者进行融合得到重建的残差图像,双流残差网络的构建能够提高深度图像边缘的重建质量;然后,Do SSR在网络的不同深度位置添加侧输出层进行局部监督,既能复用不同深度卷积层学习到的图像特征,改善深层网络传输过程中信息丢失的问题,又能提取到不同尺寸感受野的特征图,有效利用到更丰富的图像上下文信息;最后,Do SSR在特征提取部分引入inception模块,利用多个不同尺度的卷积核来提取图像不同位置处的特征信息,通过聚合操作融合不同位置的特征来获得性能增益,并且inception模块内部的降维处理也有利于减小网络的参数量规模,降低时间复杂度。本文将Do SSR应用于重建低分辨率运动模糊深度图像和低分辨率高斯模糊深度图像,均取得了良好的重建效果。本文提出的两种图像超分辨率重建方法,分别能够有效处理一般降质模型下的RGB图像和深度图像的重建问题,实现了以较少网络参数获得较高重建质量的双重目标,具有重要的理论意义和应用价值。
姚喻凡[3]（2021）在《基于深度学习的医学断层影像超分辨率算法研究》文中研究说明医学图像的信息决定了医生对于患病情况的分析准确度,在实际的医学图像获取的过程中,难免会碰到人为或设备条件等因素的影响,导致无法获取到清晰的图像,亦或是需要对某些细小的组织结构放大,但是现有的一些放大算法不能满足清晰放大的需求,也会发生图像分辨率降低的情况。解决医学图像的分辨率问题大致能分成两个方向,一个是硬件条件的提升,通过升级医学设备,在成像过程中提高精度的方式,来解决低分辨率的问题;另一种则是使用软件方式对于像素分布进行优化重组,本文将从软件的角度出发,研究如何使用神经网络对于医学图像进行超分辨率重建。实验数据由医学诊断中最常用的计算机断层扫描（CT）以及核磁共振成像（MRI）两种断层成像,来构成本文研究的医学样本。研究工作内容如下:（1）基于细节增强块的医学断层影像超分辨率算法:医学断层成像对于纹理以及细节的要求较高,该网络针对图像细节模糊以及特征提取不足等问题,在残差块的基础上进行改进,提出细节增强块结构DEB,通过从通道上进行特征分离,将局部特征保留并记忆,融合局部特征以及全局特征的方式进行特征提取,避免梯度的消失的问题,加快网络的收敛速度。本实验横向对比了多个算法的预测图像,以及评估图像质量指数,实验结果表明:该算法有较好的主观视觉效果,且网络参数轻量,对于低倍率的重建任务有更好的重建质量,以及较快的重建速度。（2）基于生成对抗网络的医学断层影像超分辨率算法:针对之前研究问题基础上,总结医学断层成像所需要的重建细节,对网络结构提出更高的要求。提出基于生成式对抗神经网络结构的EQGAN,首先在特征提取部分采用VGG19对输入图像进行特征提取,大大缩短了网络所需训练时间。然后在网络中加入残差密集块加快模型收敛速度,最后采用断点继续训练的方式进行训练,在多个不同类型的样本库之间进行切换,以增强网络的泛化能力。实验结果表明:EQGAN网能够在4×高倍率放大因子下,仍然有显着的重建效果,边缘结构与黑色背景之间有明显的图像边缘,病灶区域没有产生断层和伪影,完整地保留器官组织信息,避免了边缘组织部分的虚化。网络模型在特征相似性（FSIM）、图像结构相似性（SSIM）、信噪比（PSNR）等这些客观指标上表现良好,达到了客观评价与主观视觉的统一。
徐吉平[4]（2021）在《基于深度学习的熔滴图像超分辨重建方法研究》文中进行了进一步梳理超分辨率重建（Super Resolution,SR）是图像处理领域的重要组成部分,也是当今科学研究的热点问题。本文的研究对象是在静电悬浮结合垂直真空落管实验设备上采集的低分辨率（Low Resolution,LR）材料熔滴图像。针对现有的SR方法应用在熔滴图像上往往会出现边缘模糊、纹理细节信息不足等问题,本文以卷积神经网络（Convolutional Neural Networks,CNN）为主要方法,研究依据低分辨图像数据,重新生成高分辨（High Resolution,HR）熔滴图像的超分辨率重建方法。1)基于CNN的不同特征融合方式提出了两种熔滴图像重建算法:DRSub Net和Dense Sub Net。两种算法在低分辨率熔滴图像上使用CNN进行特征提取,相比在插值放大图像上的操作降低了计算复杂度,分别使用残差网络的特征图矩阵相加和稠密网络的特征图通道连接原理进行特征融合,结合亚像素卷积上采样模块构建SR算法模型。DRSub Net充分利用了高层和低层特征的互补性,在SR模型中增加低层特征的语义并在高层特征中增加更多空间信息,同时增加了模型体量和感受野的范围。Dense Sub Net进一步优化了信息流的传播,相比DRSub Net可以使用更少的参数数量,通过特征连接的方法实现了特征可重用性。以上两种算法整体提高了熔滴图像重建模型的学习能力,并优化了训练过程中梯度传播的效果,使网络模型更容易训练。2)基于CNN的注意力机制和循环结构提出了两种熔滴图像重建算法:RSASR和UASR。RSASR通过分支循环CNN结构使用较少的卷积层扩展了多尺度的感受野,在取得理想重建精度的情况下显着减少了权重参数量,并使用自注意力机制得到LR图像中更丰富的空间语义信息,善于捕捉长距离特征,有利于提高熔滴图像的重建效果。UASR使用语义分割的方法识别输入图像中的轮廓和纹理等高频区域,并归一化处理得到注意力权重矩阵,将其加权到DRSub Net重建的图像中,重点关注高频轮廓和纹理区域的重建,并在重建的结果中抑制噪声。实验结果表明,相对于现有的相关方法,本文提出的图像超分辨率重建方法在峰值信噪比、结构相似性以及本文材料熔滴图像特有的直径和面积的重建精度方面,对于低分辨率熔滴图像的重建效果更佳。
唐若凡[5]（2021）在《基于深度学习的图像测量技术研究》文中认为随着图像测量技术在非接触、精度高、动态范围大、信息丰富、测量速度快、自动化程度高等方面的优异性逐渐获得了认可,图像测量技术也得到越来越广泛的应用。但是,在实际应用中,图像测量技术仍存在一些亟待满足的需求。目前想要提升测量精度的主要途径是硬件设备的更新换代,但是,硬件更换和升级是一个缓慢的过程,而且往往价格昂贵、难以符合通用的应用场合并且不利于大规模部署。在考虑如何对图像测量进行优化时,本文将注意力放在了图像测量系统中的边缘检测算法中。在调研并分析了现有的图像测量系统及其中关键技术后,本文尝试通过引入超分辨率重建技术以达到像素加密的目的,从而变相地弥补了硬件方面成像设备分辨率不足的短板,以提高图像测量精度。对此,本文提出了一个基于深度学习的、具有语义感知能力的超分辨率重建模型,通过引入目标检测领域中常见的滑动窗口,网络能够“粗糙地检测目标物体的所在”并减少对滑动窗口以外区域的计算量,从而大大提高了重建效率。实验结果表明,本文针对图像测量任务提出的优化模型,在提高了计算效率的同时,其重建效果在PSNR上仍然能够达到优化前的VDSR模型的95.71%,与基于差值的方法相比,重建效果在PSNR上平均提高了 1 7.53%;将超分辨率重建算法用于优化Canny边缘检测算法时,使用了超分辨率重建算法的边缘检测在PSNR上提升了 1.11%～1.53%,即基于学习的超分辨率重建算法比基于重建的算法更适用于边缘检测优化;最后,实现了基于超分辨率重建算法的图像测量,测量结果的误差率在3%以内,且误差值均在工件的尺寸偏差值以内。
杨晨[6]（2021）在《高性能光声成像技术研究》文中研究指明光声成像是一种安全、无辐射的新型医学影像技术。通过结合光学对比度与超声穿透深度,光声成像能够在不同空间和时间尺度上,实现生物组织的结构性和功能性成像。然而光声成像技术在走向临床应用的过程中依然存在诸多技术挑战,其探测灵敏度与深度、空间分辨率和成像速度等仍需进一步改善。针对上述问题,本论文从信号探测、成像系统和图像优化三个方向展开研究,设计和开发了高灵敏光声探头和成像系统,提出了基于反卷积的光声图像去模糊算法,以及基于深度学习的超分辨率光声成像方法,提高了光声成像的探测灵敏度、分辨率和成像速度。具体研究内容如下:（1）在光声信号探测中,根据传输线理论,设计了集成前端放大电路的超声换能器,用于提高光声信号的探测灵敏度。通过集成前端电路实现信号的原位低噪放大,提高信号在传输线路中的抗干扰能力,降低换能器的输出噪声系数,从而提高接收信噪比。该微型信号放大电路的输出频率响应覆盖5～200 MHz的频率范围,在10～50 MHz频带内具有大于25 dB的平坦增益,适合宽带光声信号探测。该高灵敏超声探头的噪声等效声压达到0.24 mPa/（?）,与传统超声探头相比,信噪比提升大于10dB。光声成像实验验证了本文所开发的高灵敏超声换能器能够有效提升光声成像的探测灵敏度和成像深度,改善成像质量;（2）在光声显微成像系统中,探测灵敏度不仅决定了探测范围,也影响着成像所使用激光能量的最低值。为了提高光声显微成像的质量,本文首先基于集成放大换能器,设计和开发了高灵敏光声显微成像系统,成像对比度可提升10dB。此外,针对偏轴光声显微成像中景深与探测灵敏度的相互制约,设计了双频-偏轴光声显微成像系统,利用非聚焦低频换能宽探测角度和高灵敏度的优势,能够将成像景深提高550μm;而在聚焦区域内,利用聚焦高频换能器可提高纵向分辨率,从而结合高、低频成像分辨率和成像深度;（3）在光声断层成像中,针对探测器阵元尺寸和有限带宽对图像造成的模糊,提出了一种基于复合正则反卷积的光声图像增强算法,通过自适应地结合全变差和四阶偏微分方程正则项,有效抑制图像反卷积过程中对背景噪声的放大,提高对图像边缘和细节信息的恢复。此外,研究了傅里叶谱相关系数在光声图像分辨率估计中的有效性,并将其作为反卷积迭代过程的终止条件。利用仿真和实验数据,验证了算法用于提高光声图像边缘和细节分辨率的效果,分析了参数选取对图像恢复结果的影响,总结了针对光声断层图像反卷积的解决方案;（4）针对光声显微成像分辨率与成像速度之间的矛盾,提出了一种基于深度学习的超分辨光声成像方法,用于从模糊降采样的退化图像重建原始图像,校正系统点扩散函数带来的模糊,并在不损失分辨率的前提下,降低采样率,提高成像速度。实验结果表明该方法仅用25%的采样点即可重建出原始高分辨率图像,将成像速度提升4倍。此外,通过引入模糊核的先验知识,提高网络对不同尺度模糊图像的重建质量,改善网络的泛化能力,使得该方法能够有效处理不同模糊程度的光声显微图像。
樊帆[7]（2021）在《基于深度学习的腹部MRI影像超分辨率算法研究》文中研究说明对MRI影像进行分析属于腹部疾病诊疗的重要手段之一,高分辨率MRI影像有助于医生良好地把握患者病情,但其对于成像设备精密程度的要求会导致昂贵的硬件成本,利用超分辨率技术从软件方向提高影像质量能够有效降低高分辨率影像获取成本。基于深度学习的超分辨率算法通过输入大量数据进行训练,能够有效利用图像自身的领域先验知识,重建出细节丰富、纹理清晰的超分辨率影像,与基于传统方法的超分辨率算法相比,效果有显着提升。目前在使用深度学习对腹部MRI影像进行超分辨率重建时,主要存在两个难题:（1）由于腹部器官多且密集、组织结构复杂等特点,网络在重建过程中易被无关组织干扰,无法充分学习影像中的显着信息,影响最终的重建效果;（2）当前超分辨率算法的模型复杂度高,参数量庞大,且只能针对单尺度进行超分辨率重建,影响算法临床应用的灵活性。为解决这些问题,本文工作主要从以下三个方面进行:（1）为了有效解决腹部MRI影像在超分辨率重建过程中因高频细节丢失引起的边界不明显、腹部器官显示不清晰以及单模型单尺度重建应用不方便等问题,提出了一种基于并行通道-空间注意力机制的多尺度超分辨率重建算法。首先,构造了并行通道-空间注意力残差块,通过空间注意力模块获取图像重点区域与高频信息的相关性,通过通道注意力模块获取图像各通道对关键信息响应程度的权重,同时拓宽网络的特征提取层以增加流入注意力模块的特征信息;此外,添加了权重归一化层,保证了网络的训练效率;最后在网络末端应用多尺度上采样层,增加了网络的灵活可运用性。（2）为了对腹部MRI影像超分辨率算法模型的复杂度和性能进行有效权衡,提出了一种基于多尺度特征提取的轻量级超分辨率算法。首先,设计了深度可分离卷积模块,利用深度可分离卷积的特性,在保证网络轻量级的同时,增加了网络深度并拓展了特征通道维度,使得大量具有相关性特征信息能够流入网络深层;然后,在深层网络中构建了多尺度特征提取模块,用以提取不同尺度的具有较强语义表达能力的特征信息,充分利用了输入图像所包含的高频细节,提升了网络性能;此外,使用二值化全局特征融合结构,解决了深层网络所带来的特征丢失、低频信息冗余等问题;最后,引入了多尺度上采样层,实现单模型的多尺度超分辨率重建。（3）搜集整理了腹部MRI影像数据集,针对影像数据缺乏的问题,采取了几何变换的数据增强策略以提升可处理样本数量。在数据预处理方面,高分辨率图像采用双三次插值法获取相应下采样尺度的低分辨率图像。最后通过设计一系列消融对比实验,对本文所提算法的有效性进行验证。实验结果表明,在保证模型复杂度较低的同时,本文所提算法在客观指标和重建效果方面均优于其他算法。
王五一[8]（2021）在《基于生成对抗网络的红外超分辨率算法研究》文中研究表明尽管红外成像技术的发展十分迅速,应用的领域非常广泛,成像图像的分辨率还是很低。现阶段红外焦平面阵列分辨率大多为640x512以下,不仅不能满足人眼对细节丰富的高分辨率图像的需求,而且无法满足成像显示器1K、2K分辨率的显示需要,因此迫切需要采取措施提高红外图像的分辨率。图像插值是提高分辨率最简单的措施,当图像被放大到成像显示器的分辨率后,由于没有新信息引入从而造成结果图像细节模糊。通过增加探测器阵列密度及阵列尺寸的方式去提升分辨率不仅增加成本且不适用于大尺度放大的情况。所以本文聚焦于超分辨率重建技术,以生成对抗网络为切入点,研究了基于生成对抗网络的红外图像超分辨率重建技术,具体内容如下:（1）基于ESRGAN改进的红外图像超分辨率算法。针对目前ESRGAN算法在红外超分辨率重建任务中存在的结果图像高频细节不足、产生“伪影”和客观评价指标不能很好反映图像重建质量的问题,提出了RCAGAN算法。通过该算法重建得到的图像,不仅视觉质量好于ESRGAN在内的常用超分辨率模型,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14、室外采集数据集上分别达到了30.86d B/0.8781、28.97d B/0.8104、29.76d B/0.8385,高于现阶段常用的超分辨率模型,并且比ESRGAN算法的指标高了3.02d B/0.1092、2.68d B/0.1199和2.58d B/0.0934;得到了RCAGAN算法与常用的超分算法相比是更好算法的结论。（2）基于模糊核生成对抗红外图像超分辨率算法。针对“理想”降尺度核和实际降尺度核不相同造成重建图像质量差的问题,提出一个新的数据集制作模型Kernel SR,并在此模型的基础上,构建了一个新的红外超分辨率样本库,常用的超分辨率模型在这个样本库上有良好表现也可以泛化到实际场景。通过该模型重建得到的图像,不仅视觉质量好于常用的超分辨率模型（Kernel GAN+不同算法）,而且客观评价指标PSNR/SSIM值在公共数据集FLIR、CVC-14和红外超分辨率样本库中别达到了30.58d B/0.8847、29.94d B/0.8167和30.17d B/0.8627,高于现阶段最好的基于模糊核的超分辨率模型（Kernel GAN+ESRGAN）4.23d B/0.2036、3.12d B/0.3029、5.44d B/0.3076。得出了提出的超分辨率模型是更好模型的结论。虽然当前版本的红外图像样本库仅使用三个相机构建,但训练后的超分辨率模型对其他类型的摄像头设备捕获的红外图像表现出良好的泛化能力。
周晓燕[9]（2021）在《基于跨尺度低秩正则化的单幅图像盲超分辨率方法研究》文中进行了进一步梳理传感器固有的采样频率限制了图像的空间分辨率,空间分辨率是决定图像质量的重要因素,高分辨率有利于图像的进一步分析处理。图像超分辨率方法利用单幅或多幅低分辨率图像,为低分辨率图像恢复或重建合理的高频成分,突破传感器固有采样频率的限制,从而达到提升图像空间分辨率的目的。由于同一时间、同一场景的多幅低分辨率图像不易获取,因此单幅图像超分辨率方法更具有通用性。此外,现有的超分辨率方法大多假设模糊核已知,而实际场景中的模糊核较复杂,当假设的模糊核与真实模糊核不一致时,会导致重建图像质量严重下降。单幅图像盲超分辨率方法是在模糊核未知时利用单幅低分辨率图像估计模糊核和高分辨率图像,是一个严重的欠定逆问题。解决该问题的关键是引入先验知识为估计模糊核和高分辨率图像提供附加信息。本文在图像重建过程中引入跨尺度自相似性、低秩先验和图像金字塔,对单幅图像盲超分辨率正则化方法进行研究。本文的主要工作与创新点包括以下两个方面:1.本文将跨尺度自相似性与低秩先验相结合,提出了一种基于跨尺度低秩约束的单幅图像盲超分辨率方法,采用联合建模的方法同时估计模糊核和高分辨率图像。利用高分辨率图像、低分辨率图像及其降采样图像之间的跨尺度自相似性,构造跨尺度相似图像块组矩阵。通过对组矩阵进行低秩约束使得重建的高分辨率图像在迭代求解过程中逐渐逼近真实的高分辨率图像,同时估计的模糊核也逐渐逼近真实的模糊核。此外,低秩约束可以更好地表示数据的全局结构,能够提高对噪声的鲁棒性。实验表明,本文的算法与现有算法相比能够同时估计准确的模糊核和高分辨率图像。2.为了解决降采样因子较大时,降采样图像与高分辨率图像间的跨尺度相似图像块数量较少的问题,本文提出了一种基于金字塔跨尺度低秩约束的单幅图像盲超分辨率算法,利用图像金字塔中大量的跨尺度相似图像块,为重建高分辨率图像提供更多的附加信息。该方法利用图像金字塔建立多组高分辨率图像、低分辨率图像及其降采样图像的对应关系,在多组对应关系中构建多个跨尺度相似图像块组矩阵,并分别对其进行低秩约束,在迭代求解过程中有效估计模糊核和高分辨率图像。实验表明,与现有的算法相比,本文算法在降采样图像与高分辨率图像尺寸相差较大时,仍然能够同时估计准确的模糊核和高分辨率图像。
赵玉聪[10]（2021）在《基于多级退化及注意力机制的图像超分辨率重建研究》文中进行了进一步梳理图像超分辨率重建是深度学习的重要分支,受到越来越多科研人员的关注。目前,图像超分辨率重建方法以深度学习为基础在图像的定性和定量上取得了突破性的发展。为了提高图像的重建质量,现有的基于深度学习的图像超分辨方法一般都是通过增加网络模型的深度提高图像的重建质量。但是,实验也表明随着网络模型深度的增加,图像过渡平滑现象会越来越严重。除此之外,由于自然场景下真实低分辨率图像受到天气、噪声和模糊度等因素的影响,往往很难通过下采样的方式描述其真实的分布状态。为此,本文提出了基于多级退化及注意力机制的图像超分辨率重建研究,主要研究内容包括以下三个方面:首先,构造了基于多级退化的空间注意力图像超分辨重建网络。由于自然的低分辨率图像受到运动、噪声和天气等因素的影响较大,使得图像结构分布较为复杂,为此本文通过多级退化来模拟生成真实的低分辨率图像,即将模糊度和噪声加入到高分辨率图像,生成接近于真实的低分辨率图像。与此同时,使用空间注意力机制构建空间注意力模块,通过轻量级的空间注意力模块来获取图像中的自相似性。其次,空间注意力机制只是利用了空间中的相互关系对特征提取进行约束,未能对不同滤波器的感知信息进行差异化表达和利用,为此将通道注意力机制设计在网络模型中。通过结合空间注意力机制和通道注意力机制,提高网络模型对图像中关键特征的提取和有效表达。最后,在前面两个实验的基础之上,为了更好地对高频信息进行学习,引入小波损失函数,在空间注意力机制、通道--空间注意力机制中分别验证了其作用。本课题的模型在pytorch版本1.4.0环境下配置与运行。使用的数据集为DIV2K,其中训练和验证数据分别有800张、100张,评价指标主要使用结构相似性和峰值信噪比对重建后的图像进行评价。经过实验,结果表明本文模型在视觉上有明显的提升。因此,实验证明基于多级退化结合空间注意力机制、通道注意力机制和小波损失函数,能够提高图像在视觉上的重建质量。
二、超分辨率图像重建方法及其在超声图像中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、超分辨率图像重建方法及其在超声图像中的应用（论文提纲范文）
（2）基于残差网络的图像超分辨率重建方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外文献综述 |
| 1.2.1 RGB图像超分辨率重建技术研究 |
| 1.2.2 深度图像超分辨率重建技术研究 |
| 1.2.3 文献述评 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要工作和创新 |
| 1.5 论文的基本结构 |
| 第2章 相关理论及技术 |
| 2.1 图像超分辨率重建模型 |
| 2.2 质量评价指标 |
| 2.2.1 峰值信噪比PSNR值 |
| 2.2.2 结构相似性SSIM值 |
| 2.3 残差网络 |
| 2.4 经典的图像超分辨率重建网络结构 |
| 2.5 本章小结 |
| 第3章 基于加速残差网络的RGB图像超分辨率重建方法研究 |
| 3.1 加速残差网络概述 |
| 3.2 基于加速残差网络的RGB图像超分辨率重建方法 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 不同层数设置 |
| 3.3.3 不同卷积核个数设置 |
| 3.3.4 不同倍数缩放因子设置 |
| 3.3.5 重建质量的对比与分析 |
| 3.3.6 重建时间的对比与分析 |
| 3.4 本章小结 |
| 第4章 基于侧输出层监督双流残差网络的深度图像超分辨率重建方法研究 |
| 4.1 深度图像 |
| 4.2 侧输出层监督双流残差网络概述 |
| 4.2.1 双流残差网络 |
| 4.2.2 侧输出层监督 |
| 4.2.3 多尺度特征提取 |
| 4.3 基于侧输出层监督双流残差网络的深度图像超分辨率重建方法 |
| 4.3.1 深层网络分支 |
| 4.3.2 浅层网络分支 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 双流残差网络对重建结果的影响 |
| 4.4.3 侧输出层监督对重建结果的影响 |
| 4.4.4 多尺度特征提取对重建结果的影响 |
| 4.4.5 重建质量的对比与分析 |
| 4.4.6 重建时间的对比与分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和其它科研情况 |
（3）基于深度学习的医学断层影像超分辨率算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究发展及现状 |
| 1.3 主要研究内容及论文结构 |
| 第2章 理论基础 |
| 2.1 卷积神经网络基础 |
| 2.1.1 卷积神经网络结构以及特点 |
| 2.1.2 卷积神经网络的训练过程 |
| 2.2 医学图像基础 |
| 2.2.1 体素,像素和医学图像矩阵 |
| 2.2.2 核磁共振成像原理 |
| 2.2.3 CT图像成像原理 |
| 2.3 超分辨率图像评估标准 |
| 2.3.1 主观评价 |
| 2.3.2 客观评价 |
| 2.4 本章小结 |
| 第3章 基于细节增强的医学断层影像超分辨率算法 |
| 3.1 上采样过程 |
| 3.1.1 转置卷积 |
| 3.1.2 子像素卷积 |
| 3.2 基于细节增强块的EQSR算法 |
| 3.2.1 残差块 |
| 3.2.2 密集卷积块 |
| 3.2.3 细节增强块 |
| 3.3 实验设置 |
| 3.3.1 实验环境 |
| 3.3.2 实验数据准备 |
| 3.3.3 网络参数设置 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于生成对抗网络的医学断层影像超分辨率算法 |
| 4.1 生成对抗网络GAN |
| 4.2 基于生成对抗网络的医学断层图像超分辨率 |
| 4.2.1 特征提取方法 |
| 4.2.2 网络结构设计 |
| 4.2.3 Adam优化器 |
| 4.3 实验过程与结果分析 |
| 4.3.1 实验环境 |
| 4.3.2 实验数据准备 |
| 4.3.3 网络训练设置 |
| 4.3.4 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 研究展望 |
| 5.3 主要创新点 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（4）基于深度学习的熔滴图像超分辨重建方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 第二章 图像超分辨率重建技术 |
| 2.1 图像超分辨率重建技术 |
| 2.2 基于插值的超分辨率重建技术 |
| 2.2.1 最近邻插值算法 |
| 2.2.2 双线性插值算法 |
| 2.2.3 双三次插值算法 |
| 2.3 基于退化模型的超分辨率重建技术 |
| 2.3.1 迭代反投影法 |
| 2.3.2 凸集投影法 |
| 2.3.3 最大后验概率法 |
| 2.4 基于学习的超分辨率重建技术 |
| 2.5 本章总结 |
| 第三章 基于CNN特征融合的超分辨率重建算法设计 |
| 3.1 神经网络与深度学习 |
| 3.1.1 深度学习 |
| 3.1.2 卷积神经网络 |
| 3.1.3 亚像素卷积 |
| 3.2 CNN特征融合和亚像素卷积在超分辨率重建中的应用 |
| 3.2.1 基于残差网络和特征相加的超分辨率重建算法设计 |
| 3.2.2 基于稠密网络和特征连接的超分辨率重建算法设计 |
| 3.3 本章总结 |
| 第四章 基于CNN注意力机制的超分辨率重建算法设计 |
| 4.1 CNN注意力机制的原理 |
| 4.1.1 自注意力 |
| 4.1.2 基于通道的注意力 |
| 4.1.3 基于空间的注意力 |
| 4.2 CNN注意力机制在超分辨率重建中的应用 |
| 4.2.1 基于自注意力和循环结构的超分辨算法设计 |
| 4.2.2 基于语义分割产生注意力的超分辨算法设计 |
| 4.3 本章总结 |
| 第五章 实验验证 |
| 5.1 实验环境 |
| 5.2 数据集 |
| 5.3 评价指标 |
| 5.4 实验结果 |
| 5.4.1 DRSub Net重建效果分析 |
| 5.4.2 Dense Sub Net重建效果分析 |
| 5.4.3 RSASR重建效果分析 |
| 5.4.4 UASR重建效果分析 |
| 5.4.5 重建质量比较 |
| 5.5 本章总结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于深度学习的图像测量技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像测量技术的研究现状 |
| 1.2.2 边缘检测算法国内外研究现状 |
| 1.2.3 超分辨率重建的研究现状 |
| 1.3 本文研究内容 |
| 1.3.1 课题背景 |
| 1.3.2 本文研究的主要内容 |
| 1.3.3 本文预计创新点 |
| 1.4 论文的组织架构 |
| 第二章 图像测量系统及其关键技术研究 |
| 2.1 图像测量技术的特点和分类 |
| 2.1.1 图像测量技术的特点 |
| 2.1.2 图像测量技术的分类 |
| 2.2 图像测量系统的预处理算法研究 |
| 2.2.1 图像灰度化 |
| 2.2.2 噪声滤波 |
| 2.3 图像测量系统的像素当量标定 |
| 2.3.1 像素当量标定方法 |
| 2.3.2 标定块的设计 |
| 2.4 相机标定 |
| 2.4.1 常见畸变类型 |
| 2.4.2 相机标定方法 |
| 2.5 本章小结 |
| 第三章 图像测量中的边缘检测算法研究 |
| 3.1 边缘检测算法概述 |
| 3.1.1 边缘检测的原理 |
| 3.1.2 边缘检测的步骤 |
| 3.2 边缘检测算法 |
| 3.2.1 Roberts梯度算子 |
| 3.2.2 Prewitt边缘算子 |
| 3.2.3 Canny算子 |
| 3.2.4 基于深度学习的边缘检测算法 |
| 3.3 边缘检测算法的评价标准 |
| 3.3.1 F-measure |
| 3.3.2 ODS和OIS |
| 3.3.3 P-R曲线 |
| 3.4 本章小结 |
| 第四章 超分辨率重建算法研究 |
| 4.1 图像成像及降质模型 |
| 4.2 超分辨率重建算法的分类 |
| 4.2.1 基于插值的超分辨率重建 |
| 4.2.2 基于重建的超分辨率重建 |
| 4.2.3 基于学习的超分辨率重建 |
| 4.3 超分辨率重建算法的评价指标 |
| 4.3.1 超分辨率重建算法中常用的数据集 |
| 4.3.2 超分辨率重建算法的评价指标 |
| 4.3.2.1 MSE和PSNR |
| 4.3.2.2 SSIM |
| 4.4 本文提出的超分辨率重建方法 |
| 4.4.1 超分辨率重建算法用于优化图像测量 |
| 4.4.2 有语义感知的超分辨率重建算法 |
| 4.5 本章小节 |
| 第五章 实验评估与分析 |
| 5.1 优化后的超分辨率算法的实验和分析 |
| 5.1.1 实验设备及开发环境 |
| 5.1.2 数据集的构建 |
| 5.1.3 评价标准 |
| 5.1.4 实验结果和分析 |
| 5.2 基于超分辨率重建算法优化的图像测量实验和分析 |
| 5.2.1 成像设备介绍 |
| 5.2.2 边缘检测算法的对比和选型 |
| 5.2.3 超分辨率重建对边缘检测算法的优化效果对比实验 |
| 5.2.4 信号接口尺寸的测量 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文主要创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（6）高性能光声成像技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与目标 |
| 1.2 光声成像技术简介 |
| 1.2.1 光声成像原理 |
| 1.2.2 光声成像技术发展现状 |
| 1.3 主要研究内容 |
| 第2章 基于集成放大换能器的光声成像技术 |
| 2.1 引言 |
| 2.2 集成放大电路超声换能器设计与定征 |
| 2.2.1 前端放大电路设计 |
| 2.2.2 原型换能器设计 |
| 2.2.3 原型换能器性能定征 |
| 2.3 光声成像系统 |
| 2.3.1 光声成像系统设计 |
| 2.3.2 图像重建算法 |
| 2.4 仿体与离体组织光声成像实验 |
| 2.4.1 光声信号接收灵敏度 |
| 2.4.2 成像深度与分辨率定征 |
| 2.4.3 仿体与离体组织光声成像 |
| 2.5 小结 |
| 第3章 高灵敏光声显微成像系统 |
| 3.1 引言 |
| 3.2 共轴光声显微成像系统 |
| 3.2.1 光-声共轴探头 |
| 3.2.2 成像系统 |
| 3.2.3 系统定征 |
| 3.2.4 仿体与在体动物实验 |
| 3.2.5 结论 |
| 3.3 双频-偏轴光声显微成像系统 |
| 3.3.1 双频偏轴成像探头 |
| 3.3.2 成像系统 |
| 3.3.3 系统定征 |
| 3.4 成像实验研究 |
| 3.4.1 仿体成像实验 |
| 3.4.2 微血流成像实验 |
| 3.4.3 实验结果分析 |
| 3.5 小结 |
| 第4章 基于反卷积的光声图像去模糊方法 |
| 4.1 引言 |
| 4.1.1 空间分辨率与阵元尺寸和带宽 |
| 4.1.2 反卷积光声图像恢复 |
| 4.2 自适应复合全变差正则反卷积 |
| 4.2.1 RL盲反卷积 |
| 4.2.2 全变差正则RL盲反卷积 |
| 4.2.3 四阶偏微分正则RL盲反卷积 |
| 4.2.4 自适应复合全变分正则RL盲反卷积 |
| 4.3 基于标准测试图像数据集算法验证 |
| 4.3.1 图像预处理 |
| 4.3.2 反卷积结果 |
| 4.4 仿真光声成像反卷积 |
| 4.4.1 仿真参数设置 |
| 4.4.2 FRC计算 |
| 4.4.3 反卷积结果 |
| 4.5 在体光声成像反卷积 |
| 4.5.1 实验设置 |
| 4.5.2 反卷积结果与分析 |
| 4.5.3 反卷积参数设置 |
| 4.6 小结 |
| 第5章 基于深度学习的超分辨率光声显微成像方法 |
| 5.1 引言 |
| 5.2 CNN图像超分辨率相关工作 |
| 5.2.1 超分辨率网络结构 |
| 5.2.2 注意力机制 |
| 5.3 多尺度模糊超分辨网络设计 |
| 5.3.1 退化模型 |
| 5.3.2 网络结构 |
| 5.3.3 多尺度模糊 |
| 5.3.4 混合损失函数 |
| 5.4 实验结果 |
| 5.4.1 训练数据 |
| 5.4.2 网络训练 |
| 5.4.3 单一模糊超分辨率重建结果 |
| 5.4.4 多尺度模糊超分辨率重建结果 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（7）基于深度学习的腹部MRI影像超分辨率算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 MRI医学影像背景及意义 |
| 1.1.2 超分辨率背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统超分辨率算法研究现状 |
| 1.2.2 基于深度学习的超分辨率算法研究现状 |
| 1.3 本文的技术路线、研究内容及组织结构 |
| 1.3.1 技术路线 |
| 1.3.2 研究内容 |
| 1.3.3 组织结构 |
| 1.4 本章小结 |
| 第2章 相关基础理论 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层、池化层和全连接层 |
| 2.2.2 上采样层 |
| 2.3 注意力机制 |
| 2.3.1 空间注意力机制 |
| 2.3.2 通道注意力机制 |
| 2.3.3 注意力机制在超分辨率的应用 |
| 2.4 多尺度特征提取 |
| 2.4.1 Inception v1 模块 |
| 2.4.2 多尺度特征提取在超分辨率中的应用 |
| 2.5 本章小结 |
| 第3章 基于注意力机制的超分辨率重建算法 |
| 3.1 引言 |
| 3.2 当前方法局限性和改进思想 |
| 3.2.1 当前方法局限性 |
| 3.2.2 改进思想 |
| 3.3 PASR网络架构 |
| 3.3.1 基本框架 |
| 3.3.2 功能模块 |
| 3.4 并行通道-空间注意力残差块 |
| 3.5 多尺度上采样层 |
| 3.6 网络训练流程 |
| 3.7 本章小结 |
| 第4章 基于多尺度特征提取的轻量级超分辨率重建算法 |
| 4.1 引言 |
| 4.2 当前方法局限性和改进思想 |
| 4.2.1 当前方法局限性 |
| 4.2.2 改进思想 |
| 4.3 基本框架以及功能模块 |
| 4.4 深度可分离卷积模块 |
| 4.4.1 深度可分离卷积残差组 |
| 4.4.2 基于深度可分离卷积的残差块 |
| 4.5 多尺度特征提取模块 |
| 4.5.1 多尺度特征提取残差组 |
| 4.5.2 多尺度特征提取残差块 |
| 4.6 二值化全局特征融合和上采样模块 |
| 4.6.1 二值化全局特征融合 |
| 4.6.2 上采样模块 |
| 4.7 网络训练流程 |
| 4.8 本章小结 |
| 第5章 数据集与实验 |
| 5.1 数据集介绍 |
| 5.2 数据集预处理及数据增强 |
| 5.2.1 数据集预处理 |
| 5.2.2 数据增强 |
| 5.3 超分辨率评价指标 |
| 5.3.1 评价指标:PSNR |
| 5.3.2 评价指标:SSIM |
| 5.4 基于注意力机制的超分辨率重建算法实验结果与分析 |
| 5.4.1 改进注意力残差块的对比实验 |
| 5.4.2 网络收敛速度的对比试验 |
| 5.4.3 模型复杂度对比 |
| 5.5 基于多尺度特征提取的轻量级超分辨率重建算法实验结果与分析 |
| 5.5.1 消融实验 |
| 5.5.5 模型复杂度对比 |
| 5.6 整体网络指标对比 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（8）基于生成对抗网络的红外超分辨率算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展及研究现状 |
| 1.2.1 基于频率域的国内外发展及研究现状 |
| 1.2.2 基于空间域的国内外发展及研究现状 |
| 1.3 本文主要研究内容和创新点 |
| 1.4 论文的结构安排 |
| 第二章 基于生成对抗网络的红外超分辨率理论分析 |
| 2.1 红外图像超分辨率理论基础 |
| 2.2 红外图像超分辨率算法分类 |
| 2.2.1 基于频率域的超分辨率重建方法 |
| 2.2.2 基于空间域的超分辨率重建方法 |
| 2.3 生成对抗网络理论基础 |
| 2.3.1 生成对抗理论概述 |
| 2.3.2 生成对抗理论推导 |
| 2.4 红外超分辨率算法评价指标 |
| 2.4.1 主观评价方法 |
| 2.4.2 客观评价方法 |
| 2.5 本章小结 |
| 第三章 基于ESRGAN改进的红外图像超分辨率算法研究 |
| 3.1 ESRGAN在红外图像超分辨率重建问题分析 |
| 3.2 基于ESRGAN改进的红外图像超分辨率算法 |
| 3.2.1 模型总体结构 |
| 3.2.2 生成模型设计 |
| 3.2.3 判别模型结构 |
| 3.2.4 损失函数设计 |
| 3.2.5 模型训练细节 |
| 3.3 实验与结果分析 |
| 3.3.1 实验平台 |
| 3.3.2 数据集构建 |
| 3.3.3 模型参数训练结果分析 |
| 3.3.4 主观评价指标分析 |
| 3.3.5 客观评价指标分析 |
| 3.4 本章小结 |
| 第四章 基于模糊核生成对抗红外图像超分辨率算法研究 |
| 4.1 模糊核在红外超分辨率重建问题分析 |
| 4.2 基于Kernel GAN改进的红外图像超分辨率算法 |
| 4.2.1 模型总体结构 |
| 4.2.2 模糊核模型设计 |
| 4.2.3 噪声提取模型设计 |
| 4.2.4 模型训练细节 |
| 4.3 红外图像样本库构建 |
| 4.4 实验与结果分析 |
| 4.4.1 实验平台 |
| 4.4.2 主观评价指标分析 |
| 4.4.3 客观评价指标分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间学术成果及获奖情况 |
（9）基于跨尺度低秩正则化的单幅图像盲超分辨率方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 图像盲超分辨率问题 |
| 1.3 国内外研究现状 |
| 1.4 论文的研究内容 |
| 1.5 论文的结构安排 |
| 第2章 相关理论与方法 |
| 2.1 图像的多尺度自相似性 |
| 2.2 图像超分辨率的多尺度自相似性先验 |
| 2.3 低秩矩阵估计 |
| 2.4 数据集与评价指标 |
| 2.4.1 数据集 |
| 2.4.2 评价指标 |
| 2.5 本章小结 |
| 第3章 基于跨尺度低秩约束的单幅图像盲超分辨率算法 |
| 3.1 跨尺度低秩先验 |
| 3.1.1 跨尺度自相似块之间的关联 |
| 3.1.2 跨尺度低秩先验模型 |
| 3.2 模型的建立与求解 |
| 3.2.1 数学模型 |
| 3.2.2 数学模型求解 |
| 3.2.3 算法整体流程 |
| 3.3 实验结果与分析 |
| 3.3.1 模拟图像实验 |
| 3.3.2 真实图像实验 |
| 3.4 本章小结 |
| 第4章 基于金字塔跨尺度低秩约束的单幅图像盲超分辨率算法 |
| 4.1 金字塔跨尺度低秩先验 |
| 4.1.1 图像金字塔中的跨尺度自相似结构 |
| 4.1.2 金字塔跨尺度低秩先验模型 |
| 4.2 模型的建立与求解 |
| 4.2.1 数学模型及其求解 |
| 4.2.2 算法整体流程 |
| 4.3 实验结果与分析 |
| 4.3.1 模拟图像实验 |
| 4.3.2 真实图像实验 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
（10）基于多级退化及注意力机制的图像超分辨率重建研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 图像超分辨率算法的研究现状 |
| 1.3 现有方法存在的主要问题 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的组织安排 |
| 第2章 图像超分辨率与深度学习相关理论 |
| 2.1 引言 |
| 2.2 图像超分辨率 |
| 2.2.1 图像的退化 |
| 2.2.2 图像的超分辨率增强 |
| 2.2.3 注意力机制 |
| 2.3 深度神经网络 |
| 2.3.1 神经网络 |
| 2.3.2 卷积神经网络 |
| 2.3.3 注意力学习机制 |
| 2.3.4 神经网路的相关框架 |
| 2.4 本章小结 |
| 第3章 基于多级退化-空间注意力机制图像超分辨率重建网络 |
| 3.1 引言 |
| 3.2 网络结构设计 |
| 3.3 网络结构 |
| 3.3.1 退化过程 |
| 3.3.2 基于多级退化的空间注意力超分辨重建网络 |
| 3.4 优化目标的优化机制 |
| 3.5 实验结果与分析 |
| 3.5.1 实验数据 |
| 3.5.2 评价标准 |
| 3.5.3 参数调整 |
| 3.5.4 算法性能对比 |
| 3.6 本章小结 |
| 第4章 基于多级退化通道-空间注意力机制图像超分辨率重建网络 |
| 4.1 引言 |
| 4.2 网络设计思考 |
| 4.3 网络结构 |
| 4.3.1 通道-空间注意力块 |
| 4.3.2 通道注意力机制 |
| 4.4 优化目标的优化机制 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据 |
| 4.5.2 评价指标 |
| 4.5.3 参数调整 |
| 4.5.4 算法性能对比 |
| 4.6 本章小结 |
| 第5章 小波变换用于多级退化通道-空间注意力机制重建网络 |
| 5.1 引言 |
| 5.2 小波变换 |
| 5.2.1 相关理论 |
| 5.2.2 小波变换在图像中的应用 |
| 5.3 损失函数 |
| 5.4 实验结果与分析 |
| 5.4.1 实验数据 |
| 5.4.2 算法性能对比 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文 |
四、超分辨率图像重建方法及其在超声图像中的应用（论文参考文献）
- [1]医学超声图像超分辨率重建方法研究[D]. 史梦蝶. 哈尔滨工业大学, 2021
- [2]基于残差网络的图像超分辨率重建方法研究[D]. 王昊榕. 山西财经大学, 2021(09)
- [3]基于深度学习的医学断层影像超分辨率算法研究[D]. 姚喻凡. 广西大学, 2021(12)
- [4]基于深度学习的熔滴图像超分辨重建方法研究[D]. 徐吉平. 北方工业大学, 2021(01)
- [5]基于深度学习的图像测量技术研究[D]. 唐若凡. 北京邮电大学, 2021(01)
- [6]高性能光声成像技术研究[D]. 杨晨. 中国科学技术大学, 2021(09)
- [7]基于深度学习的腹部MRI影像超分辨率算法研究[D]. 樊帆. 中北大学, 2021(09)
- [8]基于生成对抗网络的红外超分辨率算法研究[D]. 王五一. 电子科技大学, 2021(01)
- [9]基于跨尺度低秩正则化的单幅图像盲超分辨率方法研究[D]. 周晓燕. 西北师范大学, 2021(12)
- [10]基于多级退化及注意力机制的图像超分辨率重建研究[D]. 赵玉聪. 黑龙江大学, 2021(09)