基于神经网络的图像超分辨率重构系统设计与实现

原题目

随着显示技术的飞速发展，人们对高分辨率的图像、视频资源的需求也日益增长。然而由于图像采集设备的硬件限制，高分辨率的资源比较稀缺，并且高质量的图像在存储与传输上也有比较高的要求。近年来，图像超分辨率重建技术在生活、军工、卫星遥感等领域取得了快速发展。
超分辨率重建是将一个或多个低分辨率图像，通过信号处理和图像处理的方法，得到最高质量图像的过程。传统的重建算法常常存在计算复杂度高、鲁棒性不强、输入图像需要是固定尺寸的问题。随着深度学习技术的发展，卷积神经网络被应用于图像超分辨率处理。这种使用卷积神经网络进行超分辨率的方法称为图像超分辨率卷积神经网络(SRCNN)，也是一种基于学习的方法。
针对超分辨率卷积神经网络的时效性问题，对小规模的超分辨率卷积神经网络进行优化，使得小规模的超分辨率卷积神经网络也能够取得良好的超分辨率效果。借助CUDNN库，将超分辨率卷积神经网络在GPU上实现，用以提高卷积神经网络在PC上的计算效率。
通过该题目的分析和设计，使学生初步得到软件技术开发和深度学习技术方面的综合训练，提高解决实际问题的能力。

题目分析

背景

对于高分辨率的图像和视频资源需求，硬件限制和高分辨率的资源稀缺，引出图像超分辨率重建技术

(图像)超分辨率重建技术

将一个或者多个低分辨率的图像，通过信号处理和图像处理，得到最高质量图像。

传统技术的限制

计算复杂度高，鲁棒性步枪，输入图像是固定尺寸。

卷积神经网络

深度学习技术的发展，卷积神经网络被应用于图像超分辨率处理。

图像超分辨率卷积神经网络

通过卷积神经网络进行超分辨率

总结1

通过卷积神经网络来进行超分辨率的重建(通过超神经网络)

优化

针对超分辨率卷积网络的时效性问题，针对小规模的超分辨率卷积神经网络进行优化，使得小规模的超分辨率卷积神经网络也能取得良好的超分辨率效果

CUDNN库

将超分辨率卷基神经网络在GPU上实现，用以提高卷积神经网络在PC上的计算效率

总结2

优化使得小规模的超分辨率卷积神经网络也能取得良好的超分辨率效果，使用CUDNN库，在GPU上实现

总结

使用卷积神经网络实现超分辨率重构，使用CUDNN库实现优化

对学生的要求

能够熟练掌握：Sublime编辑器、Linux(C++)、Matlab、Python、Caffe深度学习框架。
具备Python语言,Python深度学习，GPU实操等相关知识

具体的任务

应完成的具体工作：
要求学生推导卷积神经网络在图像重建中的联系，
在理论方面证实卷积神经网络算法在图像重建中的优越性，
以图像超分辨率重构为业务背景，设计、开发一套基于卷积神经网络(CNN)的图像超分辨率重构系统。

具体工作的分析

卷积神经网络怎么样应用到图像重建中的，为什么要使用卷积神经网络。(分析)

开发一个系统，通过卷积神经网络来实现图像超分辨率重构。(编码)

成果目标

预期目标和成果形式：采用UML面向对象分析与设计技术完成系统软件的软件可行性分析、项目开发计划、需求规格说明、概要设计和详细设计、设计开发、运行测试工作；通过调研、分析现有的图像重构模式和已有图像重构软件，建立系统模型；完成软件结构设计和数据库设计；完成软件开发，撰写毕业设计论文。

成果目标分析

需求分析------->建立系统模型------->结构设计和数据库设计------->毕业设计论文

总结

学习路线

Python环境的配置以及Python语法的学习

搭建Python编码的环境，学习Python的基本语法，以及numpy，pandas库的学习
视频学习 https://www.bilibili.com/video/av59605400

卷积神经相关知识

通过视频和图书的形式学习
深度学习之神经网络（CNN RNN GAN）算法原理入门+实战 https://www.bilibili.com/video/av73097212
图书

数学相关知识

普林斯顿微积分读本(670页的知识已经完成了400的阅读)