基于卷积神经网络的图像超分辨率研究开题报告

1. 研究目的与意义（文献综述）

在精密仪器的加工过程中，被加工件会使刀具产生磨损。为了研究刀具的磨损情况，可以采集刀具的局部放大图像，对磨损区域的特征进行研究与分析。所以，要想得到相对准确的分析结果，就需要所采集的图像能够得到尽量多的细节信息。

分辨率是图像的重要属性之一，分辨率越高，从图像中提取的细节信息也就越多。采集的刀具图像大多是由光学相机拍摄，然后将得到的图像进行局部放大后再进行磨损情况的研究。由于光学仪器和图像传感器等硬件技术和经济成本的限制，想要从物理硬件方面提升图像的分辨率已经无法满足人们的需求了。于是从软件算法方面来提升图像的分辨率成为了研究的方向。这种将单张图像或序列图像从原本的低分辨率（low resolution，lr）图像重建为高分辨率（high resolution，hr）图像的技术被称为超分辨率（super resolution，sr）。从软件方面来提升图像分辨率的方法，突破了硬件设备的局限，大大减少了硬件设备的开销，被越来越多的人所关注。

传统的超分辨率方法主要是基于重建和浅层学习的方法。

2. 研究的基本内容与方案

基本内容及目标

1)学习深度卷积神经网络的基本知识；

2)学习目前用于超分辨率的传统方法和多种典型的卷积神经网络；

3. 研究计划与安排

1)第1-3周完成题目调研，完成文献阅读，进行相关资料的收集，完成文献综述以及开题报告撰写；

2)第4-6周学习深度卷积神经网络，完成论文开题；

3)第6-12周完成卷积神经网络的搭建使用，撰写论文初稿；

4. 参考文献（12篇以上）

[1]李素梅，雷国庆，范如.基于卷积神经网络的深度图超分辨率重建[j].光学学报，2017，37(12)：132-140.

[2]孙旭，李晓光，李嘉锋，卓力.基于深度学习的图像超分辨率复原研究进展[j].自动化学报，2017，43(05)：697-709.

[3]肖进胜，刘恩雨，朱力，雷俊锋．改进的基于卷积神经网络的图像超分辨率算法[j].光学学报，2017，37(03)：103-111.