《面向残差网络和Adam优化算法的医学图像卷积超分辨率重建》
该文是卷积和残差网络类有关硕士毕业论文范文和卷积相关论文怎么写.
摘 要：文章分析一种医学图像卷积超分辨率重建方式,其中运用到残差网络和卷积神经网络,能够直接在地分辨率图像上提取特征,于是简化了操作程序,将会提高图片处理效率,然后还使用Adam优化算法进行优化.将文章所研究的算法和其他算法进行实验研究,研究结果表明,本文所研究的算法具有更好精确度和效率,能够提高收敛速度,更有利于提高医学图像的检查结果.
关键词：残差网络;Adam优化算法;卷积神经网络;超分辨率
中图分类号：TP391.41;TP183
文献标识码：A
文章编号：1001-5922（2020）12-0078-04
在医学领域中存在很多图像需要进行处理,超分辨率重建技术属于一个热点问题,主要作用就是对将低分辨率图像进行重建,然后得到高分辨图像[1-2].使用该技术的最大优势在于不需要对硬件设备进行改善,就能实现提高图像质量的作用[3-4].由于超分辨率重建技术在很多领域中能够发挥重要作用,于是近几年来,对其进行了不断深入研究,Dong等人首先提出了基于超分辨率卷积神经网络（SRCNN）的方法,相比于传统的方式具有较好的重建效果[5].于是在此基础上,提出了更多不同的重建方法,比如基于反卷积的快速图像超分辨率重建（FSRCNN）、高效子像素卷积神经网络（ESPCN）和深度卷积神经网络模型（VDSR）等[6-7].在此基础之上,文章提出了基于深层残差网络的加速图像超分辨率重建方法（ DRSR）.
1.DRSR算法网络结构图
本文所研究的重建算法应用了较深的卷积网络,于是在提取特征过程是,可以直接在低分辨率图像上经常操作.另外,深度的增加,也增加了精确度.DRSR算法网络结构图如图1所示,该算法的主要特点在于使用了2种相结合的模式,一个是多权重的递归学习,另一个是多路径模式的局部残差学习.卷积后图像会存在信息丢失的风险,于是文章使用了零填充方式能够保证信息不丢失[8].另外,DRSR算法不适用池化层,因为与超分辨率算法目的相违背.
1、1 深层神经网络结构
由于本算法是直接对原始图像进行特征提取,于是需要应用比较小的卷积核提取相同信息,由于引进卷积层,图像特征提取将会变多.文章将会对基于卷积神经网络的视觉识别算法进行借鉴,该算法由牛津大学VCC小组提出,该模型中卷积层为3x3,通道数量c设置为1,滤波器的数量为32,Conv（32,3,1）表示卷积层,公式如下所示：
P（x）的作用就是将低分辨率图像特征插入到高分辨率图像中,在放人过程中需要依据特定位置,然后周期性的让人.对图像进行重新排列时需要使用到子像素卷积层,然后还需要将插值函数放人到卷积层中,从而达到自动学习的目的.图像变换大小时是在最后一层上进行实现.由于卷积运算直接在原始图像上进行,于是可以提高算法的效率.
1、2 残差网络模型
虽然增加网络深度能够提取更多的特征,但是也會造成一定的问题,即网络难以收敛.于是使用2种学习方式相互结合的模式,如图2所示.
1、3参数优化
深层卷积神经网络在训练过程中,会对网络进行进行优化,从而使得参数是最优结果.文章将会使用Adam优化算法对参数进行优化,原本使用的优化方法为随机梯度下降法,改为Adarn优化算法的作用是经过偏置校正之后,会让参数变得更加的平稳,另外,损失函数还是使用的均方误差.梯度的一阶矩阵mt和二阶矩阵nt用以下公式进行表示：
2.实验结果和分析
为了验证算法是否具有较好的性能,对其进行实验研究.实验首先得到相关参数的最优设置,再对研究该参数下算法的性能.
2、1 层数设置
将放大倍数设置为3,然后对层数为6、10和12的网络模型进行训练和测试,然后进行迭代106次.得到图3所示的变化曲线,从图中可以看出,曲线变化最终会趋于平稳状态,从而可以反映网络已经完全收敛;并且处于12层的网络具有更低的损失函数,即将网络层设置为12层将会更利于图像处理效果.
2、2 激活函数比较
由于激活函数会影响模型的速度和性能,于是在选择过程中需要选择最为合适的激活函数.经过对集中函数进行对比分析,发现tanh函数具有比较复杂的计算方式,但是能够提高收敛速度,好能够解决梯度容易消失的问题.ReLU也是一种比较复杂的函数,但是在应用过程中可能会造成神经元坏死.图4对为这2种函数的对比分析,从结果中可以看出tanh函数具有更好的性能,而且收敛速度更快,所以文章选择tanh作为激活函数.
2、3 速度比较
残差网络结构直接在原图上进行操作,不仅提高的工作效率,而且还降低了计算复杂度.在set 5测试集情况下,图5为不同算法处理医学图像的时间,从图中可以看出,即使文章所设计的算法增加了深度,但是其速度相比于其他几个算法具有明显的提升作用,且当深度为12时的网络模型,其运行时间更快,所以最终选择深度为12的网络模型.
2、4 优化方法的比较
文章使用了Adam优化算法,为了验证其应用效果,将其和其他2种算法进行比较,即加速梯度下降法（NAG）和随机梯度下降法（SGD）.图6即为3个算法的比较,从图中可以看出,Adam优化算法具有更加明显的效果,所以文章选择Adam优化算法能够提高医学图像处理效果.
2、5 滤波器数量比较
滤波器数量也会对超分辨率性能造成影响,于是文章对3种不同的滤波器数量进行实验研究,图7即为检验结果,虽然滤波器增强其数量能够提升其性能,但是优惠增加模型的计算量和复杂度,从而降低运行效率,于是设置滤波器数目不能过大也不能过小,通过综合考虑之后,将其设置为32能够达到更好的效果.
2、6 实验结果
为了研究本文所分析的算法的優势,于是将其与其他算法进行比较,在测试时将倍数放大为2、3和4倍.最后得到每种算法的PSNR值和SSIM值,分别如表l和表2所示,从表中可以看出,相比于双3次插值算法,本文所研究的算法明显提高了PSNR值和SSIM值,相对于其他算法,本文所研究的算法其PSNR值和SSIM值也有一定程度的提高,所以本文所研究的算法在处于医学图像上具有更高的效率和精确度.
3.结语
文章分析了深层残差卷积神经网络模型,能够直接在原始医学图像中进行特征提取,并且使用了Ad-am优化算.通过实验结果表明,与其他算法相比,文章所分析的算法具有更好的精确度和效率,于是在医学图像的分析处理中具有更好的效果,更有利于医生做出合理的诊断结果.
参考文献
[1]黄浩锋,肖南峰,基于组稀疏表示的医学图像超分辨率重建[J].计算机科学,2015,42（SI）：151-153+189.
[2]陈敏强,深度卷积神经网络超分重建技术驱动的卫星遥感影像融合研究[D].南昌：东华理工大学,2019.
[3]苏衡,周杰,张志浩.超分辨率图像重建方法综述[J].自动化学报,2013,39（08）：1202-1213.
[4]龙祥.基于深度学习的图像超分辨率重建技术研究[D].江门：五邑大学,2019.
[5] Dong Chao, Loy Chen Change, He Kaiming, et al.lm-age Super- Resolution Using Deep Convolutional Net-works [J].IEEE Transactions on Pattern Analysis&Ma-chine Intelligence, 2016, 38（2）：295-307.
[6] Shi Wenzhe, Caballero Jose, Huszar Ferenc, et al.Re-al-Time Single Image and Video Supe-Resolution Us-ing an Efficient Sub-Pixel Convolutional Neural Network[J].IEEE Conference on Computer Vision and PatternRecognition.2016：1874-1883.
[7] Dong Chao , Loy Chen Change, Tang Xiaoou.Acceler-ating the Super- Resolution Convolutional Neural Net-work[J].European Conference on Computer Vision , 2016 ：391-407.
[8]孙超,吕俊伟,李健伟,等,基于去卷积的快速图像超分辨率方法[J].光学学报,2017,037（012）：142-152.
本文点评,此文是关于卷积方面的大学硕士和本科毕业论文范文,可作为卷积和残差网络相关论文开题报告写作参考和职称论文写作文献资料.
卷积和残差网络引用文献:
[1] 卷积毕业论文范文 卷积和残差网络有关本科论文范文5000字
[2] 残差网络和图像深度自考开题报告范文 关于残差网络和图像深度方面毕业论文范文5000字
[3] 疵点毕业论文提纲范文 残差网络和残差方面有关学术论文怎么写5000字
