整体车牌图像超分辨率重建研究

为了增强低分辨率车牌(LP)图像的整体重建效果,将深度学习思想应用到车牌图像超分辨率重建任务中,提出了一种基于卷积神经网络(CNN)的单幅整体车牌图像超分辨率重建(SR)算法(LPSRCNN)。对初始高分辨率车牌图像进行预处理,利用双三次插值法Bicubic对原始车牌图像进行下采样后再上采样得到和初始图像尺寸大小一样的低分辨率车牌图像作为网络的输入图像,通过训练好的卷积神经网络直接学习低分辨率车牌图像和高分辨率车牌图像之间的映射关系,利用该映射关系输出重建后的高分辨率整体车牌图像。将得到的研究结果与双三次插值法和字典学习方法进行比较,结果表明计算得到的峰值信噪比(PSNR)都高于这两种方法。将该方法应用到整体车牌图像超分辨率重建问题中,可以获取更丰富的细节信息,得到更好的视觉效果,达到了整体车牌图像超分辨率的增强任务。

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题,提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法,设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络,利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动,其次通过反卷积层将图像特征上采样到目标图像大小,再利用密集残差学习高维特征,最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验,并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比,重建出的图像在整体清晰度和边缘锐度方面更好,另外峰值信噪比(PSNR)平均分别提高了2.69dB、1.68dB、0.74dB和0.61dB。实验结果表明,该方法能够获取更丰富的细节信息,得到更好的视觉效果,达到了图像超分辨率的增强任务。

巧用参考系突破物理题难点

有些关于运动的问题，选择地球外的运动物体为参考系（称作运动参考系），可使问题的分析简化。

高中物理“传送带问题”教学中的思考

传送带是应用比较广泛的一种传送装置,以其为素材的物理题大都具有情景模糊、条件隐蔽、过程复杂的特点。也是高考的热点问题。本文通过对传送带问题的归类总结,期望在高中物理教学中突破'传送带'这个难点问题。

带电粒子在磁场中运动问题的研究

带电粒子在磁场中的运动问题具有较强的综合性,符合高考考查学生综合能力的考试理念,是高考物理的热门考点。文中首先就带电粒子在磁场中运动相关知识进行了概述,之后就带电粒子在磁场中运动相关问题进行了分析,主要分析了带电粒子在磁场运动时圆周运动圆心、半径、运动时间的确定;带电粒子在磁场运动中关于有界磁场临界的问题;带电粒子在磁场运动时涉及力学问题,为"带电粒子在磁场中运动问题"的教学提供参考依据。

全国高考卷理科综合物理试题特点浅析

从最近几年的全国高考理科综合试卷来看,物理题量整体比较稳定。我们需要的是牢牢把握高考命题的趋势和动向,提前规划,由雾里看花到洞若观火。根据对全国高考理科综合卷物理部分的分析和研究,可以发现以下几方面的特点:一、注重基础知识考查近年来全国卷都注重考查基础概念、基本规律,计算量变大,考查的知识点虽很常规,但立意较新。要求学生必须要了解试题中的物理情景,正确分析物理过程。所以要求学生应该更加注重对基础知识、基本概念、基本方法的理解、