• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    利用子空間稀疏特征的超分辨率圖像重建算法

    2021-03-09 16:41:28瑜,劉成,楊
    計算機工程與應用 2021年5期
    關鍵詞:特征方法模型

    沈 瑜,劉 成,楊 倩

    1.蘭州交通大學 電子與信息工程學院,蘭州730070

    2.甘肅省人工智能與圖形圖像處理工程研究中心,蘭州730070

    傳統(tǒng)的圖像復原技術通過減少成像過程中各種干擾因素影響來提高圖像復原的質(zhì)量。但是,這些方法很難將成像系統(tǒng)截止頻率以外的信息進行復原。為此,圖像超分辨率重建的概念被提出,它的基本思想是將低分辨率圖像通過某些技術或者方法恢復至對應的高分辨率圖像。它在衛(wèi)星成像、醫(yī)學圖像診斷、高分辨率視頻等領域具有很強的應用價值。近年來,深度學習在多媒體領域的應用愈加廣泛,與此同時,以深度學習為基礎的超分辨率圖像重建技術[1]也成為了圖像處理領域的重點研究方向。

    王忠謙等提出的雙三次插值法[2]通過LR圖像信息,在鄰點間計算得到插值點像素,實現(xiàn)HR圖像的重建。該方法雖然較為簡單,但是不能較好地保持圖像的高頻信息,同時還會造成圖像邊緣的振鈴效應。Yang等[3]利用聯(lián)合訓練的方法尋找LR和HR圖像塊相對應的過完備字典。這種方式使LR和HR圖像塊所獲得的稀疏系數(shù)較為相似。該方法取得的圖像重建質(zhì)量較好。但是,訓練和重建過程需要多次迭代,算法復雜度偏大。Timofte等[4]提出的A+算法是建立在圖像特征和錨定領域回歸量的基礎上,但它沒有在字典上學習回歸量。因此,該方法具有非常低的時間復雜度。Zhu等[5]提出了一種基于可變形塊的單圖像超分辨方法。通過變形圖像塊,字典對圖像變得更具表現(xiàn)力。結果表明,該方法有助于提高圖像表示精度,算法魯棒性也顯著提升。香港中文大學Dong等[6]首次引入卷積神經(jīng)網(wǎng)絡處理超分辨率圖像重建問題,其網(wǎng)絡架構主要分為特征提取、非線性映射和圖像重建三個階段。該方法采用均方誤差作為其損失函數(shù),通過隨機梯度下降法對其進行優(yōu)化,從而使網(wǎng)絡的收斂速度加快。但是該方法不適合多尺度放大,而且忽略了圖像塊之間的上下文依賴。后來,根據(jù)圖像分類的VGG網(wǎng)絡[7]提出的極深網(wǎng)絡[8]解決了圖像的單一尺度放大的問題,該方法通過級聯(lián)形式的濾波器,有效整合了圖像塊之間的上下文信息。此外,該方法也指出:對于訓練過程中出現(xiàn)的梯度消失、梯度膨脹等問題,殘差學習和可調(diào)梯度裁剪[9]策略可以對其有效消除,但是該方法在參數(shù)存儲和檢索方面存在不足。西安交通大學的Liang等[10]采用了一種在訓練過程中對代價函數(shù)增加約束條件的方法,如:重建圖像的梯度輪廓[11]、非局部相似性[12]等,該方法充分考慮了圖像的邊緣信息,但對重建圖像質(zhì)量的提升效果甚微。該方法也表明了把淺層卷積神經(jīng)網(wǎng)絡和圖像先驗知識相結合,對圖像質(zhì)量的改善能力非常有限。文獻[13-14]利用在合適的稀疏字典原子下,LR/HR圖像塊稀疏表示系數(shù)是相同的這一性質(zhì),提出了基于稀疏編碼的超分辨率重建方法,該方法使圖像的視覺效果有了很大程度的改善,而且也表明了稀疏編碼模型所蘊含的領域知識可以對深度學習的網(wǎng)絡架構的設計提供很大幫助。在眾多基于深度學習的超分辨率圖像重建方法中,利用字典模型的重建技術備受青睞。文獻[15]提出了一種基于協(xié)作稀疏表達的字典學習算法。該方法將圖像劃分為不同聚類,并且構建了協(xié)作稀疏字典模型。最后,利用圖像自身的結構自相似性選擇對應的映射矩陣來完成圖像重建。這種方法使得圖像的超分辨率質(zhì)量得到了進一步提升。文獻[16]提出一種新的基于層次聚類的超分辨率圖像重建算法,該方法利用層次聚類和改進的主成分分析方法訓練得到字典模型,并且在完成重建以后對圖像進行全局優(yōu)化,有效提升了圖像的峰值信噪比和結構相似度。還有其他字典模型,比如多尺度字典[17-18]、壓縮感知字典等[19]都在超分辨率圖像重建中取得了較好的效果。在現(xiàn)有研究工作中,基于人工特征設計詞典模型(如圖像灰度信息、梯度或紋理結構等淺層特征),對源圖像信息的表達能力是非常有限,尤其是對于結構復雜、特征豐富的圖像,需要一種模型來提取圖像的深層次學習特征以獲得更好的圖像重建效果。

    在此基礎上,本文提出了一種具有高斯內(nèi)核函數(shù)的PCANet模型用來提取圖像的深度學習特征作為源圖像的精確表示,并且對子空間特征進行稀疏優(yōu)化,提高了算法的魯棒性。通過訓練得到的LR濾波器將提取到深度學習特征分解為多個特征映射以獲得LR圖像更加稀疏的特征表示,同時結合訓練得到的映射函數(shù)可以更精確地估計出HR圖像的稀疏特征表示,有效解決了特征匹配過程中準確度低的問題。

    1 PCANet模型

    深度學習的思想是挖掘數(shù)據(jù)的多層次表示方法,通過更高、更深層次的特征來增強抽象數(shù)據(jù)的語義表達能力。其結構模型和人類大腦分層處理信息的機制具有相似之處。文獻[20]表明,利用深度分層模型能夠獲得稀疏性、選擇性和魯棒性更佳的學習特征,能有效增強對圖像語義的描述能力。所以,尋找新的多層特征提取模型變成了深度學習方面的一個研究熱點。

    PCANet[21]是一種把卷積神經(jīng)網(wǎng)絡理論和PCA(主成分分析)理論相結合且結構較為簡單的深度學習算法。利用PCANet模型可以從圖像數(shù)據(jù)庫中提取到與人工設計規(guī)則完全不同的深度學習特征[22]。因此,將PCANet算法應用到圖像數(shù)據(jù)中深層次的特征的提取是可行的。

    本文算法利用PCANet模型提取圖像深度學習特征,并且加入稀疏優(yōu)化算法,對子空間特征映射進行處理。然后利用學習得到的映射函數(shù),用LR圖像特征估計出HR圖像的稀疏特征表示,解決了特征匹配準確度低的問題。本文算法的流程如圖1所示。

    2 利用PCANet模型提取圖像特征

    PCANet算法是一種線性分析方法,不能有效提取圖像的非線性特征。在非線性空間引入內(nèi)核函數(shù)的方法可以彌補這些不足,它在圖像特征的高維空間中比線性方法更為有效。因此,本文在PCANet模型的濾波器核中引入核函數(shù),可以有效提高該模型提取圖像非線性特征的能力。本文利用引入核函數(shù)的PCANet模型提取圖像深度學習特征,主要包括預處理、特征提取、特征輸出三個階段。

    2.1 預處理階段

    首先,對所有HR圖像進行子采樣,將子采樣圖像縮放成和原始HR圖像相同的尺寸,得到對應的LR圖像。樣本可表示為,其中分別代表LR圖像和HR圖像,P代表圖像對的數(shù)目。把每一張HR圖像由k1×k2大小的滑動窗口分割成m×n個圖像塊,k1、k2分別表示為滑動窗口的長度和寬度,m、n分別代表沿滑動窗口橫向和縱向的圖像塊的數(shù)量。為了去除HR圖像特征之間相關性,降低冗余,每個HR圖像塊進行去均值操作后轉(zhuǎn)換為矩陣形式,第i個HR圖像可以表示為:

    樣本集中所有HR圖像轉(zhuǎn)換成矩陣形式可以表示為:

    與HR圖像對應的LR圖像轉(zhuǎn)換成矩陣形式可以表示為:

    2.2 PCANet模型特征提取階段

    利用PCANet模型提取圖像深度學習特征主要分為以下三個階段:

    提取深度學習特征的第一階段是通過核函數(shù)構造新樣本集的過程,將樣本集SRL,H={xl,xh}由一個非線性映射φ(?)映射至高維空間,其中φ(?)指高斯內(nèi)核函數(shù),其表達式為所以新樣本集可以表示為,其中

    第二階段主要是過濾和卷積的過程,假設第i層中所需的濾波器的數(shù)量為L1,根據(jù)公式(4)對輸入的數(shù)據(jù)矩陣通過最小化重構誤差獲得PCANet濾波器:

    通過提取對應于協(xié)方差矩陣Xh的最大特征值所對應的特征向量,由式(5)計算得到PCANet模型的濾波器矩陣PW。

    圖1 算法流程圖

    每個訓練圖像的主要信息可以通過第一個PCANet濾波器保存,并且可以通過公式(6)計算得到:

    第三階段也是卷積和過濾的過程,把上層輸出結果作為本層的輸入,對該層進行和上層一樣的操作得到:

    上述兩個階段中第一層中有L1個濾波器,第二層中有L2個濾波器。因此,對于每個訓練圖像,L1×L2特征矩陣用作輸出,用公式(8)表示:

    在輸出層,對輸出結果執(zhí)行二值化哈希編碼,得到最終的特征輸出。其中T表示PCANet的中間特征提取結果,H(?)是可以增加每個特征的差異的階躍函數(shù),2h′-1是將每個像素值更改為0~255之間數(shù)字的系數(shù)。

    3 子空間特征稀疏優(yōu)化

    利用PCANet算法提取圖像深度學習特征時,為了使其第一層和第二層的提取結果更加具有稀疏性,分別對兩層輸出的圖像特征進行稀疏優(yōu)化。目的是找出最佳投影系數(shù)矩陣A。假設有P個訓練圖像樣本,其數(shù)據(jù)矩陣其投影系數(shù)矩陣A=可以通過以下函數(shù)計算得到:

    其中,U∈Pm×Pl和V∈Pn×Pr分別是左乘投影矩陣和右乘投影矩陣。最佳左、右投影矩陣可以通過解決以下目標函數(shù)的最小化問題來解決:

    其中,P指樣本數(shù)量,‖‖?F指的是矩陣的Frobenius-范數(shù)。根據(jù)文獻[23]提供的方法可以迭代更新出Uopt和Vopt。

    在迭代更新得到Uopt和Vopt后,將成本函數(shù)設為以下形式:

    其中,λ是一個常數(shù),對式(12)進行求導可以得到:

    即:

    其中,I1和I2為單位矩陣。由式(14)進一步得到:

    所以得到:

    其中vec(A)指的是矩陣A的矢量形式,“?”指的是矩陣的克羅內(nèi)克積。通過迭代更新式(11)和循環(huán)計算式(12)得到的最佳投影矩陣A即為稀疏優(yōu)化后的子空間特征。

    4 圖像重建

    LR和HR圖像特征匹配度較低的問題會嚴重影響圖像的重建質(zhì)量,在本文算法的圖像重建過程中,根據(jù)文獻[14]的方法學習一組LR濾波器把上一階段利用PCANet模型提取到的深度學習特征經(jīng)過二值哈希編碼得到的特征圖再分解為多個特征映射,其表達式如下:

    在上式中需要解決M和f的優(yōu)化問題,其中M的優(yōu)化問題可以通過文獻[24]提出的方法解決,對于f的優(yōu)化問題可以表示為:

    文獻[25]中提出的SA-ADMM算法可以克服在學習過程中由于樣本集過大帶來的存儲器容量不足的問題。因此,可以采用該方法對f進行優(yōu)化。

    獲得LR濾波器以后,為了解決映射過程中出現(xiàn)的空間大小不足和特征數(shù)量不一致的問題,需要在LR和HR圖像之間訓練一組映射函數(shù)。即:

    式中,k指放大因子;Mhj(kx,ky)是(kx,ky)的特征映射;是(x,y)的特征映射,W是映射函數(shù)g(?)的參數(shù),這里通過一個稀疏線性變換矩陣來估計HR圖像稀疏系數(shù)。

    其中e是約束HR濾波器能量的標量。同樣利用SAADMM算法交替更新fh和映射函數(shù)參數(shù)W來優(yōu)化目標函數(shù)。當保持fh不變時,通過求解下式的最優(yōu)解可以得到迭代更新W。

    映射函數(shù)確定后,HR特征圖可以由W)估計得到。

    通過上述階段得到HR濾波器fh和其對應的特征圖Mh后,對二者進行卷積和得到最終的重建圖像,即:

    本文算法具體流程如下:

    (1)輸入:訓練圖像樣本集SRL,H={xl,xh},正則化參數(shù)γ,λ。

    (2)輸出:超分辨率圖像X。

    (3)預處理:將樣本集SRL,H={xl,xh}通過φ(xi,xj)=映射至高維空間,得到新數(shù)據(jù)集

    (4)根據(jù)公式(6)、(8)計算得到圖像特征矩陣Ohhi。

    (5)稀疏優(yōu)化:根據(jù)公式(11)、(12)、(16)計算得到其最佳投影矩陣A。

    (6)對稀疏優(yōu)化后的空間特征進行二值哈希編碼,得到其特征圖。

    (7)根據(jù)公式(18)、(21)、(22),利用SA-ADMM算法迭代更新得到fl、fh和映射函數(shù)W。

    (8)根據(jù)公式(23)得到最終重建圖像。

    5 實驗分析

    5.1 數(shù)據(jù)集

    本文利用雙三次插值調(diào)整HR圖像的大小來生成LR圖像訓練樣本。使用Yang等[3]提供的相同91個訓練圖像。從這些圖像中隨機裁剪1 000張64×64個較小的圖像用于訓練PCANet模型和濾波器的學習。

    測試階段采用三個廣泛使用的基準測試集Set5[26]、Set14[27]和BSD100[28],它們分別包含5幅、14幅和100幅圖像。從這三個數(shù)據(jù)集中隨機抽取60幅圖像進行測試,并且對這60幅圖像通過縮放和旋轉(zhuǎn)的方式擴充測試集。

    5.2 模型分析

    本文提出具有高斯內(nèi)核函數(shù)的PCANet模型是為了更精確地提取圖像的深層次特征,從而達到更好的圖像重建效果。文獻[8]中提出的ResNet網(wǎng)絡和文獻[7]中提出的VGG網(wǎng)絡均是以深層次網(wǎng)絡提取圖像特征。為了驗證PCANet模型的有效性,將其與ResNet網(wǎng)絡和VGG網(wǎng)絡進行實驗對比分析,對比結果如下:

    在BSD100[28]數(shù)據(jù)集中選取兩幅圖像,分別利用PCANet模型、Res Net網(wǎng)絡、VGG網(wǎng)絡提取圖像特征,圖2是提取圖像特征過程中三個模型特征圖可視化后獲得的特征圖和對應的直方圖。

    從可視化特征圖中可以看出,ResNet網(wǎng)絡和VGG網(wǎng)絡獲得的特征圖與源圖像差異較大,未能保留源圖像中的紋理和邊緣結構特征。從對應的特征直方圖中可以看出,隨著網(wǎng)絡層數(shù)的增加,ResNet網(wǎng)絡和VGG網(wǎng)絡形成的特征直方圖出現(xiàn)“多峰值”現(xiàn)象,說明形成的特征圖中顏色、邊緣結構等特征分布不均勻,和源圖像相比,差異越來越明顯。從PCANet模型得到的特征圖中,可以清晰地辨識源圖像中的紋理細節(jié)特征。從特征直方圖中也可以觀察出隨著網(wǎng)絡層數(shù)的增加,PCANet模型得到的特征直方圖并未出現(xiàn)“多峰值”現(xiàn)象,且趨于平穩(wěn),證明網(wǎng)絡層數(shù)的增加不會使源圖像的特征造成過多丟失,從而說明利用PCANet模型提取圖像深度學習特征比ResNet網(wǎng)絡和VGG網(wǎng)絡更有效。

    除此之外,還利用PCANet模型、ResNet網(wǎng)絡、VGG網(wǎng)絡在Set5[26]、Set14[27]和BSD100[28]三個數(shù)據(jù)集上做定性結果分析。根據(jù)文獻[29]中的方法對三種模型提取到的特征圖像和源圖像進行特征點選取和匹配,三種模型在三個數(shù)據(jù)集上特征點識別率和重復率如表1、圖3所示。

    從表1中可以看出,PCANet模型在三個數(shù)據(jù)集上識別率達94.90%,高于ResNet網(wǎng)絡和VGG網(wǎng)絡。從圖3中可以看出,隨著特征點的增多,三種模型的特征點識別重復率均在上升,但是PCANet模型的重復率明顯低于ResNet網(wǎng)絡和VGG網(wǎng)絡,證明在特征提取階段,PCANet模型可以去除相關特征,降低冗余,有利于模型提高模型效率。

    線性核函數(shù)、多項式核函數(shù)、高斯核函數(shù)、多層感知核函數(shù)是幾種較為常見的核函數(shù),核函數(shù)可以改變圖像數(shù)據(jù)的特征濃度比,進而產(chǎn)生不同的主成分分析效果。不同核函數(shù)將樣本集映射的高維特征空間也有所不同。高斯函數(shù)具備良好的差值能力,對訓練圖像的局部特征信息的提取能力更強。因此,可以利用高斯函數(shù)來提高算法中的圖像分辨率。圖4是在Set5數(shù)據(jù)集上,各種核函數(shù)的視覺效果對比圖。

    圖2 三種模型可視化特征圖及對應直方圖

    表1 三種模型在不同數(shù)據(jù)集特征點識別率對比表%

    圖3 三種模型特征點重復率對比圖

    從視覺效果對比圖中可以看出,其他三種核函數(shù)對圖像輪廓和細節(jié)的增強效果不明顯。這是因為線性函數(shù)的特點是對圖像的線性特征有良好的提取能力,但是對圖像的非線性特征提取能力不足,所以獲得圖像的PSNR值最小,但是其視覺效果較好,這是因為PSNR是評價圖像質(zhì)量最常用的客觀指標之一,它是基于對應像素點之間的誤差,是基于誤差敏感的圖像質(zhì)量評價。在評價圖像質(zhì)量時,由于未考慮人眼的視覺特性(人眼對空間頻率較低的對比差異敏感度較高,對一個區(qū)域的感知結果會受到鄰近區(qū)域的影響),因而會出現(xiàn)評價結果與主觀視覺效果不一致的情況。多項式函數(shù)的特點是可以提取圖像的非線性特征,所以采用多項式核函數(shù)可以獲得比線性函數(shù)稍高的PSNR值,但是該函數(shù)需要設置的參數(shù)較多,導致模型運行時間最長。多感知器函數(shù)需要設置參數(shù)較少,但是該函數(shù)需要加入激活函數(shù)提高其非線性特征的表達能力,所以采用多感知器函數(shù)作為模型的核函數(shù),運行時間比多項式函數(shù)少,PSNR值較低。高斯函數(shù)對圖像特征的表達能力強于其他三種函數(shù),且需要設置的參數(shù)只有一個,所以選擇高斯函數(shù)作為PCANet模型的核函數(shù),不僅運行時間降低,且PSNR值達到最大,對圖像的邊緣和不規(guī)則結構區(qū)域的重構也較為清晰,說明高斯函數(shù)作為核函數(shù)效果最佳。

    圖4 各種核函數(shù)視覺效果對比圖(PSNR/Time)

    5.3 參數(shù)設置

    第一個參數(shù)的設置就是PCANet模型中濾波器數(shù)量。處理圖像塊的窗口大小k1=k2=5。對于第一階段網(wǎng)絡,將第一階段L1中的濾波器數(shù)量從5調(diào)整至55。在考慮第二階段時,設置L1=35。并將L2從2調(diào)整至12。結果如圖5所示,可以觀察到,當L1≥35時PCANet模型獲得了最佳性能;當L1=35時,L2=8時,PCANet-2獲得最佳結果。因此PCANet模型中濾波器的數(shù)目設置為L1=35,L2=8。

    圖5 L1、L2濾波器數(shù)量對比圖

    為了更好地捕捉圖像的稀疏性,提高重建圖像的質(zhì)量,LR和HR濾波器核的尺寸大小和數(shù)目的設置尤為重要。所以設計實驗2,通過改變?yōu)V波器核尺寸大小觀察重建圖像的PSNR值。設計實驗3,實驗3內(nèi)容包括:一是利用三幅測試圖像,首先固定LR濾波器的數(shù)目為600,調(diào)整LR濾波器和HR濾波器之間的數(shù)量比率,觀察均方誤差值,尋找二者之間的最佳數(shù)量比率。二是通過觀察均方誤差值,確定LR濾波器的數(shù)目。

    表2 表明,在LR濾波器和HR濾波器的尺寸都為5×5時,重建圖像的PSNR值最大,效果最佳。從圖6和表3得出的數(shù)據(jù)表明,LR濾波器和HR濾波器的數(shù)量比率為1.8時,均方誤差值達到最??;LR濾波器的數(shù)目為1 000時,均方誤差值最小。

    表2 濾波器核尺寸對比表(PSNR)dB

    圖6 LR與HR濾波器數(shù)目比率圖

    表3 LR濾波器數(shù)目對比表(MSE)

    對于在濾波器學習階段的正則化參數(shù)λ和γ的確定,將λ的值由0.02變至0.10,將γ的值由15變至120,觀察其重建圖像的PSNR值,由圖7和圖8得出,當λ=0.04,γ=60時,重建圖像的PSNR值最大,效果最佳。

    圖7 參數(shù)γ對于PSNR的影響

    圖8 參數(shù)λ對于PSNR的影響

    5.4 實驗結果

    為了評價本文算法的性能,用本文算法對測試圖片分別進行2倍、3倍超分辨圖像重建,并且將測試結果與BI算法[2]、ScSR算法[3]、A+算法[4]、DPSR算法[5]、SRCNN算法[6]、VDSR算法[8]進行比較。

    在利用核函數(shù)進行重建樣本集時,σ2=4。在濾波器學習階段,能量約束參數(shù)e分別設置為4和9,用于縮放因子2和3。在SR重建階段,LR濾波器數(shù)目和HR濾波器數(shù)目分別設置為1 000、1 800。由表4和表5可以看出,本文算法相比于現(xiàn)有的ScSR算法、SRCNN等算法,平均PSNR值提高了0.21 dB以上,圖9和圖10為本文算法的實際重建效果。

    表4 k=2各種算法PSNR值的對比dB

    表5 k=3各種算法PSNR值的對比dB

    從圖9和圖10中可以看出,BI算法在評價指標峰值信噪比方面效果最差,說明該方法得到的重建圖像不能完整地保留圖像的全部信息。A+算法雖然提升了圖像的峰值信噪比,但是在重建圖像的邊緣結構造成了輕微的模糊現(xiàn)象。SRCNN算法有效提升了圖像的清晰度和圖像邊緣紋理的對比度,但是在圖像的邊緣細節(jié)處產(chǎn)生了偽影。DPSR算法、ScSR算法和VDSR算法整體提升了重建圖像的視覺效果,但是在處理紋理結構更加豐富的圖像(如圖10)時,會造成較為明顯的塊效應。本文算法通過稀疏優(yōu)化圖像的深度特征,對圖像的局部細節(jié)信息表達能力更強,能夠充分保留圖像的邊緣細節(jié)結構,而且重建圖像不存在明顯的偽影和塊效應,使重建圖像的峰值信噪比得到有效提升。

    圖9 不同算法在放大因子為2的重建視覺效果比較

    圖10 不同算法在放大因子為3的重建視覺效果比較

    本實驗在具有Intel i9 9900K 5.0 GHz CPU,顯卡NIADIA RTX 2080Ti以及64 GB RAM上運行的,圖11是在放大因子設置為2的不同算法的運行時間的比較,可以很直觀地看出,本文算法相較于BI算法、A+算法、VDSR算法和SRCNN算法相比,運行時間得到很大提升,DPSR算法在硬件條件相同時耗費時間最長。

    圖11 不同算法在放大因子為2的運行時間比較

    6 結語

    本文提出的基于PCANet模型的超分辨率圖像重建算法,首先通過PCANet模型提取圖像特征,然后根據(jù)訓練獲得的LR濾波器,HR和LR圖像特征之間的映射函數(shù)估計出HR圖像的特征表示,最后聯(lián)合學習得到的HR濾波器進行卷積求和得到最終的重建圖像。本文算法將重建圖像的PSNR值提高了0.21 dB,有效改善了圖像的視覺效果。后續(xù)將繼續(xù)研究其他用來提取圖像特征的網(wǎng)絡模型,以及設計性能更優(yōu)的網(wǎng)絡結構,重建效果更佳的超分辨率圖像。

    猜你喜歡
    特征方法模型
    一半模型
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    抓住特征巧觀察
    可能是方法不對
    3D打印中的模型分割與打包
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    亚洲,欧美精品.| 1024手机看黄色片| 久久久久精品国产欧美久久久| 91在线观看av| 精品一区二区三区视频在线观看免费| 一级a爱片免费观看的视频| 久久精品国产清高在天天线| 亚洲五月婷婷丁香| 制服人妻中文乱码| 亚洲专区国产一区二区| 一区福利在线观看| 成人无遮挡网站| 老司机福利观看| 在线观看舔阴道视频| 日本免费一区二区三区高清不卡| 久久久久久久久大av| 亚洲aⅴ乱码一区二区在线播放| 欧美丝袜亚洲另类 | 亚洲男人的天堂狠狠| 老司机深夜福利视频在线观看| 亚洲精品亚洲一区二区| 国产精品精品国产色婷婷| 久久午夜亚洲精品久久| 免费人成在线观看视频色| 午夜福利在线观看免费完整高清在 | 嫩草影视91久久| 国产国拍精品亚洲av在线观看 | 岛国在线观看网站| 国产一区在线观看成人免费| 亚洲精品影视一区二区三区av| 五月伊人婷婷丁香| 少妇裸体淫交视频免费看高清| 一级黄片播放器| 日日摸夜夜添夜夜添小说| 老汉色∧v一级毛片| 久久久久久久久久黄片| 久久九九热精品免费| 黄色丝袜av网址大全| 免费看光身美女| 国产午夜精品久久久久久一区二区三区 | 99精品久久久久人妻精品| 亚洲在线自拍视频| ponron亚洲| 久久久久久久久大av| 嫩草影院入口| 99热这里只有是精品50| 国内少妇人妻偷人精品xxx网站| 免费高清视频大片| 日韩亚洲欧美综合| 国产av麻豆久久久久久久| 不卡一级毛片| 午夜福利免费观看在线| 99久久精品国产亚洲精品| 韩国av一区二区三区四区| 日韩欧美国产一区二区入口| 最近视频中文字幕2019在线8| 热99re8久久精品国产| 日韩欧美在线二视频| 国产av麻豆久久久久久久| 国产亚洲精品久久久久久毛片| 色哟哟哟哟哟哟| 亚洲熟妇中文字幕五十中出| 日本撒尿小便嘘嘘汇集6| 免费av观看视频| 日本五十路高清| 国产精品爽爽va在线观看网站| 无人区码免费观看不卡| 色综合婷婷激情| 日本五十路高清| 免费大片18禁| 国产精品久久电影中文字幕| 精品国产超薄肉色丝袜足j| 美女黄网站色视频| 午夜激情福利司机影院| 亚洲最大成人中文| 香蕉av资源在线| 俺也久久电影网| 国产高清三级在线| 精品人妻偷拍中文字幕| 综合色av麻豆| 欧美另类亚洲清纯唯美| 国产精品久久久久久久电影 | 韩国av一区二区三区四区| 国产三级在线视频| 亚洲精华国产精华精| 国内久久婷婷六月综合欲色啪| 亚洲精品一卡2卡三卡4卡5卡| 国产精品久久久久久精品电影| 国模一区二区三区四区视频| 精品国内亚洲2022精品成人| 国产男靠女视频免费网站| 制服丝袜大香蕉在线| 特大巨黑吊av在线直播| 精品一区二区三区视频在线观看免费| 中文字幕熟女人妻在线| 精品99又大又爽又粗少妇毛片 | 日韩国内少妇激情av| 国产一区在线观看成人免费| 男人的好看免费观看在线视频| 国产精品一区二区免费欧美| 99久久久亚洲精品蜜臀av| 成年女人永久免费观看视频| 欧美中文日本在线观看视频| 中文亚洲av片在线观看爽| 欧美黑人欧美精品刺激| 97超级碰碰碰精品色视频在线观看| 亚洲一区二区三区不卡视频| 日韩欧美一区二区三区在线观看| 欧美xxxx黑人xx丫x性爽| 一本精品99久久精品77| 国产三级中文精品| 欧美在线一区亚洲| 一级毛片女人18水好多| 日韩成人在线观看一区二区三区| a在线观看视频网站| 淫妇啪啪啪对白视频| 午夜福利高清视频| 日本免费a在线| 99久国产av精品| 在线观看66精品国产| 美女高潮喷水抽搐中文字幕| 免费人成视频x8x8入口观看| 无人区码免费观看不卡| xxx96com| 网址你懂的国产日韩在线| 午夜福利18| 五月玫瑰六月丁香| 夜夜爽天天搞| 很黄的视频免费| 九色国产91popny在线| 欧美精品啪啪一区二区三区| ponron亚洲| 久久久久久久久久黄片| 男女视频在线观看网站免费| 成年免费大片在线观看| 99久久精品一区二区三区| 在线观看免费视频日本深夜| eeuss影院久久| av在线天堂中文字幕| 亚洲成人久久爱视频| 午夜精品一区二区三区免费看| av天堂中文字幕网| 热99在线观看视频| 亚洲av第一区精品v没综合| 色av中文字幕| 欧美日韩综合久久久久久 | 午夜福利在线观看免费完整高清在 | 我要搜黄色片| 亚洲在线自拍视频| 啦啦啦免费观看视频1| 高清毛片免费观看视频网站| 又黄又粗又硬又大视频| 欧美午夜高清在线| 女警被强在线播放| 一级黄色大片毛片| 欧美一区二区亚洲| 天堂网av新在线| 午夜免费成人在线视频| 国产亚洲精品久久久com| 丁香六月欧美| 一a级毛片在线观看| 日韩高清综合在线| 国内精品久久久久精免费| 日韩欧美国产一区二区入口| 99riav亚洲国产免费| 看片在线看免费视频| 国产爱豆传媒在线观看| 国产精品免费一区二区三区在线| 亚洲五月婷婷丁香| 久久人妻av系列| 悠悠久久av| 性色av乱码一区二区三区2| 国产久久久一区二区三区| 我的老师免费观看完整版| 超碰av人人做人人爽久久 | 丁香欧美五月| 精品熟女少妇八av免费久了| 岛国在线观看网站| 久久久久久大精品| 国产精品一区二区免费欧美| 日韩 欧美 亚洲 中文字幕| 青草久久国产| 激情在线观看视频在线高清| 中文字幕熟女人妻在线| 国产精品永久免费网站| av天堂在线播放| 国产精品 国内视频| 成人欧美大片| 国产91精品成人一区二区三区| 国产成人aa在线观看| 757午夜福利合集在线观看| 亚洲,欧美精品.| 少妇人妻精品综合一区二区 | 国产黄片美女视频| 综合色av麻豆| av黄色大香蕉| 久久精品人妻少妇| a在线观看视频网站| netflix在线观看网站| 色综合亚洲欧美另类图片| 亚洲人与动物交配视频| 夜夜看夜夜爽夜夜摸| 18禁在线播放成人免费| 啦啦啦观看免费观看视频高清| 亚洲国产精品sss在线观看| 毛片女人毛片| 国产精品1区2区在线观看.| 九色成人免费人妻av| 成人亚洲精品av一区二区| 老熟妇仑乱视频hdxx| 欧美成人性av电影在线观看| 9191精品国产免费久久| www.999成人在线观看| 久久久国产成人精品二区| 亚洲成人免费电影在线观看| 亚洲国产精品成人综合色| 精品国内亚洲2022精品成人| 亚洲成人中文字幕在线播放| 老司机午夜十八禁免费视频| 免费在线观看影片大全网站| 一边摸一边抽搐一进一小说| 久久久久国产精品人妻aⅴ院| 久久精品影院6| 一卡2卡三卡四卡精品乱码亚洲| 老汉色∧v一级毛片| 少妇裸体淫交视频免费看高清| 国产色爽女视频免费观看| 最好的美女福利视频网| 操出白浆在线播放| 999久久久精品免费观看国产| 日本免费a在线| 人妻丰满熟妇av一区二区三区| 午夜福利欧美成人| 99久久精品国产亚洲精品| 日本黄色视频三级网站网址| 久久亚洲真实| 18+在线观看网站| 久久中文看片网| 老司机午夜福利在线观看视频| 91久久精品电影网| 十八禁人妻一区二区| 国产精品亚洲美女久久久| 美女高潮喷水抽搐中文字幕| 蜜桃亚洲精品一区二区三区| 国内少妇人妻偷人精品xxx网站| 丝袜美腿在线中文| 欧美乱色亚洲激情| 国产精品爽爽va在线观看网站| 国产 一区 欧美 日韩| 亚洲成人精品中文字幕电影| bbb黄色大片| 国产精品亚洲一级av第二区| 欧美zozozo另类| 人人妻人人看人人澡| 18禁国产床啪视频网站| 99热这里只有精品一区| 最好的美女福利视频网| 熟女人妻精品中文字幕| 亚洲国产高清在线一区二区三| а√天堂www在线а√下载| 欧美一级a爱片免费观看看| 美女大奶头视频| 国产淫片久久久久久久久 | 悠悠久久av| 国产精品久久视频播放| 少妇熟女aⅴ在线视频| 19禁男女啪啪无遮挡网站| 欧美国产日韩亚洲一区| 午夜福利欧美成人| 国产v大片淫在线免费观看| 在线观看av片永久免费下载| 久久久国产成人免费| 亚洲精品一卡2卡三卡4卡5卡| 免费大片18禁| 国产精品野战在线观看| 老汉色av国产亚洲站长工具| 国产在线精品亚洲第一网站| 国产精品久久久人人做人人爽| 亚洲精品456在线播放app | 国产精品久久久久久久电影 | 国产免费一级a男人的天堂| 老鸭窝网址在线观看| 少妇的逼水好多| 丰满人妻一区二区三区视频av | 日本五十路高清| 久久久国产成人免费| 欧美日韩综合久久久久久 | 97人妻精品一区二区三区麻豆| 成人性生交大片免费视频hd| 国内精品美女久久久久久| 天天躁日日操中文字幕| 亚洲最大成人中文| 欧美一区二区亚洲| 波多野结衣巨乳人妻| 中文字幕人妻丝袜一区二区| 欧洲精品卡2卡3卡4卡5卡区| 精品国产三级普通话版| 亚洲人成网站在线播| 亚洲乱码一区二区免费版| 99精品久久久久人妻精品| 国产精品久久久久久久电影 | 国产亚洲精品久久久久久毛片| 亚洲欧美日韩卡通动漫| 熟妇人妻久久中文字幕3abv| 最近视频中文字幕2019在线8| 怎么达到女性高潮| 亚洲av免费在线观看| 国内久久婷婷六月综合欲色啪| 亚洲精品成人久久久久久| av片东京热男人的天堂| 最好的美女福利视频网| 国产97色在线日韩免费| 国产午夜精品久久久久久一区二区三区 | 国产激情欧美一区二区| 亚洲精品久久国产高清桃花| 老司机深夜福利视频在线观看| 亚洲无线在线观看| 国产激情偷乱视频一区二区| 99精品欧美一区二区三区四区| 色综合欧美亚洲国产小说| 免费看a级黄色片| bbb黄色大片| 人妻夜夜爽99麻豆av| 黄片大片在线免费观看| 麻豆成人av在线观看| 我要搜黄色片| 亚洲一区二区三区不卡视频| 黄色视频,在线免费观看| 国产激情欧美一区二区| 亚洲国产欧美人成| 成人精品一区二区免费| 亚洲av电影在线进入| 精品国内亚洲2022精品成人| 免费电影在线观看免费观看| 国产精品久久电影中文字幕| 国产精品香港三级国产av潘金莲| 久久精品国产99精品国产亚洲性色| 国产精品影院久久| 免费在线观看成人毛片| 最好的美女福利视频网| 性欧美人与动物交配| 日本免费一区二区三区高清不卡| 国产麻豆成人av免费视频| 国产高清视频在线播放一区| 日韩有码中文字幕| 嫩草影视91久久| 可以在线观看的亚洲视频| 身体一侧抽搐| 男人和女人高潮做爰伦理| 久久香蕉精品热| 最近最新免费中文字幕在线| 日本成人三级电影网站| www.www免费av| 国语自产精品视频在线第100页| 久久6这里有精品| 亚洲最大成人中文| 最近最新中文字幕大全免费视频| 国产精品一区二区三区四区免费观看 | 亚洲在线观看片| 美女黄网站色视频| 国产色婷婷99| 国产成人福利小说| 中文字幕av在线有码专区| 欧美一区二区国产精品久久精品| 国产亚洲精品综合一区在线观看| 深爱激情五月婷婷| 国产精品99久久久久久久久| 日日干狠狠操夜夜爽| 日本熟妇午夜| 欧美黑人巨大hd| 手机成人av网站| 男女之事视频高清在线观看| 亚洲av五月六月丁香网| 18美女黄网站色大片免费观看| 免费av不卡在线播放| 欧美激情在线99| 老司机在亚洲福利影院| 99riav亚洲国产免费| 亚洲人成网站在线播放欧美日韩| 亚洲五月婷婷丁香| 一区二区三区高清视频在线| 亚洲成人久久爱视频| 老熟妇仑乱视频hdxx| 国产精品美女特级片免费视频播放器| 午夜福利在线在线| 欧美黄色淫秽网站| avwww免费| 欧美国产日韩亚洲一区| 欧美黄色片欧美黄色片| 啦啦啦观看免费观看视频高清| 十八禁网站免费在线| 国产探花在线观看一区二区| 国产亚洲欧美在线一区二区| 9191精品国产免费久久| 亚洲av第一区精品v没综合| 成人高潮视频无遮挡免费网站| 久久6这里有精品| 国产乱人伦免费视频| 母亲3免费完整高清在线观看| 免费av不卡在线播放| 欧美xxxx黑人xx丫x性爽| 九九在线视频观看精品| 国产亚洲av嫩草精品影院| 国内精品美女久久久久久| 一级作爱视频免费观看| 国产三级中文精品| e午夜精品久久久久久久| 无遮挡黄片免费观看| 久久精品国产99精品国产亚洲性色| 精华霜和精华液先用哪个| 欧美日韩亚洲国产一区二区在线观看| 久久久久久久久大av| 国产在线精品亚洲第一网站| 一二三四社区在线视频社区8| 国产欧美日韩精品一区二区| 偷拍熟女少妇极品色| 日本熟妇午夜| 日本 欧美在线| 国产成+人综合+亚洲专区| 免费观看人在逋| 日韩精品中文字幕看吧| 99riav亚洲国产免费| 精品一区二区三区人妻视频| 很黄的视频免费| 在线视频色国产色| 亚洲av不卡在线观看| 日本 av在线| 精品人妻一区二区三区麻豆 | 亚洲人成网站在线播| 国产精品久久久人人做人人爽| xxx96com| 国产亚洲欧美在线一区二区| 老司机深夜福利视频在线观看| 欧美在线一区亚洲| 亚洲精品在线美女| 无人区码免费观看不卡| av国产免费在线观看| 久久伊人香网站| 岛国视频午夜一区免费看| 丁香六月欧美| 国产伦人伦偷精品视频| 国产黄片美女视频| 亚洲欧美日韩高清专用| 99国产极品粉嫩在线观看| 首页视频小说图片口味搜索| 婷婷六月久久综合丁香| 中文字幕久久专区| 99国产综合亚洲精品| 少妇的丰满在线观看| 日韩 欧美 亚洲 中文字幕| 国产高清videossex| 久久久久久久久大av| 国产探花在线观看一区二区| 免费看美女性在线毛片视频| 白带黄色成豆腐渣| 亚洲欧美日韩高清专用| 国产野战对白在线观看| 亚洲第一电影网av| 十八禁网站免费在线| 9191精品国产免费久久| 男女视频在线观看网站免费| 老汉色∧v一级毛片| 久久久久性生活片| 男人舔女人下体高潮全视频| 精品一区二区三区av网在线观看| 一个人免费在线观看的高清视频| 欧美激情久久久久久爽电影| 日本一二三区视频观看| 日韩欧美国产一区二区入口| 亚洲人成网站在线播| 88av欧美| 国产伦在线观看视频一区| 一个人观看的视频www高清免费观看| 成年女人看的毛片在线观看| 中文字幕精品亚洲无线码一区| 国产一区在线观看成人免费| 精品一区二区三区av网在线观看| 极品教师在线免费播放| av天堂中文字幕网| bbb黄色大片| 啦啦啦免费观看视频1| 最新美女视频免费是黄的| 久久精品综合一区二区三区| 亚洲国产精品合色在线| tocl精华| 亚洲美女黄片视频| 欧美大码av| 欧美性猛交黑人性爽| 欧美激情久久久久久爽电影| 亚洲欧美日韩高清专用| 欧美av亚洲av综合av国产av| 日韩欧美国产在线观看| or卡值多少钱| 在线观看66精品国产| 国产精品美女特级片免费视频播放器| 五月伊人婷婷丁香| 怎么达到女性高潮| 搡老妇女老女人老熟妇| 999久久久精品免费观看国产| 99久久精品国产亚洲精品| 国产伦精品一区二区三区视频9 | 精品乱码久久久久久99久播| 久久精品国产综合久久久| 91久久精品国产一区二区成人 | 一边摸一边抽搐一进一小说| 亚洲 国产 在线| 精品久久久久久成人av| 九色成人免费人妻av| 国产av不卡久久| 熟妇人妻久久中文字幕3abv| 久久性视频一级片| 亚洲乱码一区二区免费版| 亚洲天堂国产精品一区在线| 亚洲性夜色夜夜综合| 在线a可以看的网站| 一进一出抽搐动态| 国内揄拍国产精品人妻在线| 国产激情偷乱视频一区二区| 国产精品女同一区二区软件 | 激情在线观看视频在线高清| 在线观看日韩欧美| 久久精品夜夜夜夜夜久久蜜豆| 国产精品电影一区二区三区| 欧美在线一区亚洲| 国内少妇人妻偷人精品xxx网站| 亚洲av电影不卡..在线观看| 哪里可以看免费的av片| 国产精品国产高清国产av| 久久久国产成人免费| 18禁黄网站禁片免费观看直播| 午夜精品一区二区三区免费看| 国产黄色小视频在线观看| 国产极品精品免费视频能看的| 成人鲁丝片一二三区免费| 97超视频在线观看视频| 国产亚洲精品综合一区在线观看| 69av精品久久久久久| 亚洲成人久久性| 欧美一级毛片孕妇| 国产国拍精品亚洲av在线观看 | 最近视频中文字幕2019在线8| 一级黄色大片毛片| e午夜精品久久久久久久| 国产精品,欧美在线| 亚洲国产欧美网| 午夜老司机福利剧场| 99国产极品粉嫩在线观看| 午夜久久久久精精品| 18禁在线播放成人免费| 午夜福利在线观看免费完整高清在 | 高清在线国产一区| 乱人视频在线观看| 亚洲 欧美 日韩 在线 免费| 久久久国产成人精品二区| 波多野结衣高清作品| 少妇熟女aⅴ在线视频| 成人av在线播放网站| 日本 av在线| 欧美高清成人免费视频www| 久久久久国内视频| 久久国产乱子伦精品免费另类| 亚洲在线观看片| 亚洲av熟女| 伊人久久大香线蕉亚洲五| 高清在线国产一区| 舔av片在线| 成人特级黄色片久久久久久久| 国产成人欧美在线观看| 波多野结衣高清作品| 国产精品一区二区三区四区免费观看 | netflix在线观看网站| 一本久久中文字幕| 国产成人系列免费观看| 成人欧美大片| 中国美女看黄片| 午夜福利在线在线| 亚洲av成人精品一区久久| 免费观看人在逋| 亚洲精品在线美女| 欧美日韩亚洲国产一区二区在线观看| 欧美日韩中文字幕国产精品一区二区三区| 欧美日韩综合久久久久久 | 观看美女的网站| 不卡一级毛片| 蜜桃久久精品国产亚洲av| 久久久精品欧美日韩精品| 亚洲 欧美 日韩 在线 免费| 99久久综合精品五月天人人| 国产一区二区激情短视频| 日本成人三级电影网站| 欧美中文日本在线观看视频| 一二三四社区在线视频社区8| 国产乱人伦免费视频| 亚洲成a人片在线一区二区| 亚洲熟妇中文字幕五十中出| 成年版毛片免费区| av片东京热男人的天堂| 亚洲av成人av| 国产精品1区2区在线观看.| 欧美丝袜亚洲另类 | 国产成人系列免费观看| 窝窝影院91人妻| 亚洲精品久久国产高清桃花| 丁香欧美五月| 小蜜桃在线观看免费完整版高清| 亚洲五月婷婷丁香| 在线观看一区二区三区| 亚洲成av人片在线播放无| 亚洲欧美日韩高清专用| 国产免费av片在线观看野外av| 中文资源天堂在线| 一级作爱视频免费观看| 久久久久久久久大av| 天天一区二区日本电影三级| 少妇人妻精品综合一区二区 |