Super-resolution reconstruction algorithm based on deep learning mechanism and wavelet fusion
-
摘要:
深度学习技术在超分辨率重建领域中发展迅速。为了进一步提升重建图像的质量和视觉效果，针对基于生成对抗网络（GAN）的超分辨率重建算法重建图像的纹理放大后不自然的问题，提出了一种结合小波变换和生成对抗网络的超分辨率重建算法。所提算法在生成对抗网络中将小波分解的每个分量在各自独立的子网中进行训练，实现网络对小波系数的预测，有效地重建出具有丰富的全局信息和局部纹理细节信息的高分辨率图像。实验结果表明，对比基于生成对抗网络的算法，所提算法重建图像的客观评价指标峰值信噪比（PSNR）和结构相似性分别能提高至少0.99 dB和0.031。
-
关键词:
- 小波变换 /
- 生成对抗网络(GAN) /
- 超分辨率重建 /
- 深度学习 /
- 多分辨分析
Abstract:Deep learning technology has developed rapidly in the field of super-resolution reconstruction. In order to further improve the quality and visual effect of reconstructed images, this paper proposes a super-resolution reconstruction based on wavelet transform and generative adversarial networks (GAN) for the unnatural problem of texture reconstruction based on the super-resolution reconstruction algorithm of GAN. In this paper, each component of the wavelet decomposition in the GAN is trained in separate subnets to realize the prediction of wavelet coefficients by the network. Effectively reconstruct high-resolution images with rich global information and local texture details. The experimental results show that the peak signal-to-noise ratio (PSNR) and structural similarity of the objective evaluation index of the reconstructed image can be improved by at least 0.99 dB and 0.031, respectively, based on the algorithm of GAN.
-
航空发动机中，高速柔性转子为工作转速在弯曲振型临界转速之上的转子系统，该类转子系统往往采用多支点支承的方案，但受制造及装配工艺的限制，往往存在支承不同心问题。与地面设备相比，航空燃气涡轮发动机转子具有工作转速高、工作过程中除传递较大扭矩外还传递轴向力的特点，因此，多支点支承高速柔性转子系统在支承不同心激励下轴内部会产生交变应力，极易造成转子产生疲劳破坏。
因此，为减小支承不同心的影响，多支点支承的高速柔性转子可采取松动支承设计，即在支承结构中设计合理的间隙。但是，对于支承带有间隙的转子结构系统，转子振幅变化时，支承的约束作用会产生突变，使得转子系统支承刚度具有阶跃的非连续特征。而航空发动机主轴承工作环境极其恶劣，因此，松动支承引起的支承刚度非连续特征可能会使转子系统产生复杂的非线性响应，影响航空发动机转子系统的动力特性稳定。尤其对于高速柔性转子，由于该类转子系统质量、刚度分布极为不均，弯曲临界转速低，工作在超临界状态下，使得松动支承对高速柔性转子动力特性的不利影响更加突出[1]。而当转子支承系统的结构参数如松动支承的位置、松动间隙、不平衡量等设计合理时，转子系统非线性振动响应会受到抑制，所以多支点支承高速柔性转子采用松动支承设计时保持良好的动力特性，需对其非线性振动响应特征进行研究。
Wang[2]及Hussien[3]等采用龙格库塔法对非线性油膜力及非线性支承共同作用下的Jeffcott转子的振动响应特征及其稳定性进行数值求解，将仿真结果和线性转子系统振动响应对比发现，支承刚度改变时，在一定转速范围内转子可产生拟周期运动；Goldman和Muszynska[4-6]考虑了支承结构的刚度、阻尼及切向摩擦，其研究结果表明松动支承激励下转子存在同步及次同步振动成分，同时存在高次谐波振动成分，一定工作状态下混沌运动可能产生；Karpenko等[7-8]仅考虑了支承间隙及非连续支承刚度的影响，建立的多点法数值求解结果表明，当转子与带有间隙的支承之间产生频繁碰撞时，可产生混沌运动；Kim、Noah[9]和Ehrich[10-11]综合考虑了挤压油膜和支承间隙对转子振动响应的影响，分别通过数值仿真和实验证明了松动支承的间隙是导致带有支承松动的转子系统产生复杂的非线性振动响应特征的原因；Kim和Noah[12]采用谐波平衡法研究了带有间隙支承的转子结构系统的分岔特性及其稳定性，发现转子系统可通过Hopt分岔产生拟周期运动；Wiercigroch等[13-14]利用Jeffcott转子研究了支承松动转子系统通往混沌的途径，发现间隙支承的转子结构系统可通过切分岔、倍周期分叉的途径通往混沌。
综上，目前针对松动支承激励下转子结构系统非线性振动响应特征的研究，计算模型多采用简单的Jeffcott转子，且没有综合考虑非连续支承刚度、切向摩擦及挤压油膜的影响，因而不能直接用于指导多支点支承高速柔性转子的松动支承设计。本文参考上述工作，基于松动支承的力学特征，研究得到非连续支承刚度产生机理，分析松动支承对柔性转子系统动力特性的影响，进而综合考虑阶跃的非连续支承刚度及油膜力的影响，建立带有松动支承的多支点支承高速柔性转子系统动力学模型，仿真研究得到了转子的非线性振动响应特征。进而根据支承结构参数对多支点支承高速柔性转子系统动力学特性的影响，对支承位置和支承刚度进行优化，以减弱非连续支承刚度对转子动力特性的影响，进而根据转子振动响应幅值随转速的变化设计松动间隙，使工作转速区域远离混沌响应区域，并具有一定的安全裕度，保证高速柔性转子采用松动支承设计时具有稳健的动力特性，从而为多支点支承高速柔性转子系统动力特性设计提供理论方法。
1. 松动支承激励的力学特征及动力学模型
1.1 松动支承激励的力学特征
如图 1所示(图中osi为各支点位置处转子轴线位置)，工程中典型的松动支承设计是通过调整挤压油膜阻尼器(Squeeze Film Damper，SFD)的间隙，加大转子与支承之间的间隙，从而消除装配时支承不同心对转子的附加约束[1]。
图 1 采用松动支承设计的多支点支承柔性转子模型Figure 1. Multi-supported flexible rotor model with bearing looseness design图 2(a)为带有挤压油膜阻尼器的支承结构物理模型。转子运动过程中，支承刚度主要由油膜压力产生的油膜刚度及刚性支承的支承刚度Ks串联而成，由于油膜压力不同，因而在不同位置处挤压油膜力在径向方向r和切向方向t分量有所差异，因而当转子振动位移与水平方向的夹角φ不同时，在水平和垂直方向分量也会随之改变。对于油膜间隙较大的挤压油膜阻尼器，转子作微幅振动油膜不受挤压时，支承不起约束作用。转子振幅增加，转子与油膜环内表面产生挤压油膜作用时，会产生油膜力，为转子提供油膜刚度，此时支承本身刚度与油膜刚度为串联关系，油膜刚度起主要支承作用，在油膜受挤压的扩张区内，靠近间隙小的一端阻力大，故而油压升高大，靠近间隙大的一端阻力小，油压升高小，从而会形成如图 2(a)所示的油压分布。同时，由于油膜力除受振幅影响外，运动速度及进动角度也会改变油膜力大小，从而在振幅一定时，根据转子运动轨迹的随机性，油膜力具有区间分布特征，如图 2(b)阴影所示。转子振幅继续增加与油膜环产生碰撞时，油膜会破裂，油膜刚度消失，此时支承本身刚度起主要支承作用。据此绘制支承支反力随振幅变化曲线，如图 2(b)所示，可以看出，松动支承可使转子支承刚度产生突变，从而支反力随振幅变化在油膜破裂点处导数不连续，具有非连续的力学特征，同时当转子与带间隙的支承之间产生频繁碰撞时，转子运动轨迹的随机性导致支承刚度具有区间分布特征，使转子系统具有非确定性特征。
图 2 加大油膜间隙的挤压油膜阻尼器转子模型Figure 2. Model of SFD rotor system with increased oil film clearance支承刚度改变时，转子系统固有频率会随之改变，进而转子系统共振点会产生突变，使转子系统振动响应较为复杂。当转子动力特性对支承刚度敏感度较高时，支承松动可能会使转子产生混沌[1]。所以，高速柔性转子系统采用松动支承设计时，应对其支承方案及相应支承参数进行优化设计，以降低转子动力特性对支承刚度非连续变化的敏感度，使工作转速区域远离混沌响应区域并具有一定裕度，以保证转子动力特性稳定。
1.2 松动支承激励下多支点支承高速柔性转子系统的动力学模型
根据高速柔性转子多支点支承的特点以及松动支承的力学特征，建立如图 3所示多支点支承高速柔性转子系统力学模型。O1、O2为轮盘的几何中心，O1e、O2e为轮盘的质心，e1、e2为质心到形心距离，轮盘质量分别为m1、m2，轮盘处阻尼分别为Cd1、Cd2。Ksi和Csi分别为各支点的支承刚度和阻尼，c2、c3为油膜间隙，c′2、c′3为松动间隙。
图 3 多支点支承高速柔性转子系统力学模型Figure 3. Mechanical model of multi-supported high-speed flexible rotor system忽略陀螺力矩和扭转振动的影响，转子系统横向振动的运动微分方程为
(1a) 
(1b) 
(1c) 
(1d) 
(1e) 
(1f) 式中：ω为转子同步进动角速度；msi为支承质量；ki为转子在轮盘i处的刚度；xsi、ysi为支承位置处转子振动位移分量；xdi、ydi为轮盘振动位移分量；Fsix、Fsiy为松动支承支反力；2、3号支点采用支承松动设计，支承刚度为Ks2、Ks3。支承的支反力随转子振幅变化具有非连续特征，其表达式为
(2) 
(3) 式中：fxi、fyi为油膜力；
采用短轴承油膜理论，半油膜条件下油膜力的表达式为
(4) 式中：
(5) 其中：I1、I2、I3为Sommerfeld系数[15-16]。
2. 松动支承激励下的转子系统动力学特性分析
2.1 非线性振动响应特征
根据松动支承激励下多支点支承高速柔性转子系统力学模型和动力学模型，参考涡轴发动机动力涡轮转子结构，选取结构的各参数如表 1、表 2所示。
表 1 结构参数取值Table 1. Values of structural parameters参数 数值 m1e1/(g·mm) 10 m2e2/(g·mm) 10 c′2/mm 7×10-4 c′4/mm 4×10-4 c2－c′2/mm 2×10-4 c4－c′4/mm 2×10-4 k1/(N·m-1) 2×105 k2/(N·m-1) 1×104 表 2 挤压油膜阻尼器参数取值Table 2. Values of SFD parameters参数 滑油黏度/(Pa·s) 轴向承载长度/mm 轴承半径/mm 数值 1×10-3 90 40 改变转子转速，仿真计算得到松动支承激励下高速柔性转子系统振动响应，如图 4~图 7所示。
图 4 振幅随转速变化的分岔图Figure 4. Bifurcation diagram of vibration amplitude changing with rotational speed
图 5 随转速变化的频域瀑布图Figure 5. Waterfall curve of frequency domain changing with rotational speed从图 4、图 5可以看出，松动支承激励下的柔性转子，其振动响应具有如下特征：
1) 对于带有间隙的2号支点位置处的振动响应，在10~1200rad/s转速范围内，随转速增加，其运动形式依次为周期—拟周期—混沌—拟周期运动。
如图 4所示，当转速较低(ω < 100rad/s)时，由于转子振幅很小，松动支承几乎不起约束作用，轮盘1和2号支点振幅相同，此时转子处于两支点支承状态，为线性系统，频域响应仅为1倍频，转子做周期运动。
转子转速继续增加，向临界转速靠近，在不平衡力作用下，转子振幅增加使转子与松动支承之间的油膜受到挤压时，油膜的刚度和阻尼会抑制转子的振动，此时轮盘1和2号支点振幅出现差异，在非线性油膜力作用下，频域响应为1倍频和3倍频成分的叠加，转子产生拟周期运动。
转子转速继续增加，逐渐远离共振转速，不平衡激振力加大，当振幅下降至与松动支承之间产生频繁碰撞时，整个系统可看成2个系统的耦合：①固有非线性系统，即无不平衡激振作用下的松动支承转子系统；②不平衡激振力作用下的线性振动系统。其中，不平衡激振力可代表 2个系统的耦合程度[16]。当不平衡激振力很小时，线性系统的振动很弱，对应非线性系统的作用也很弱。系统的运动便可近似看成是2个独立运动的叠加，即整个系统的运动是围绕平衡点之一的线性振动。此时根据初始条件不同，系统会绕不同的平衡点运动，从而在相平面上形成不同的流域。由于不平衡激振很小，振动很弱，系统的振动才不会越出既定的流域而趋近于另一平衡点。
根据图 4和图 6(c)的相图所示，当转速增加至580rad/s左右时，受松动支承的影响，频域响应为1倍频、3倍频、5倍频及多种其他频率成分的叠加，运动形式为混沌运动。这是由于不平衡激振力增加，使得2个系统的相互影响增强到使振动可以超过初始流域的界限，从而可从初始的流域转到新的流域，将向其他平衡点靠近。同时，系统振幅也可能增大到超过新流域的界限而趋近于初始流域，此时系统会绕初始的平衡点运动。而系统在自发随机性的影响下会从一个流域进入另一个流域，系统在不同流域之间产生跳动而具有随机的特点，从而产生混沌运动[17-18]。
转速继续增加，不平衡激振力增大，使得线性系统的振动处于主导地位，振幅继续下降，在非线性油膜力作用下，转子运动状态为拟周期运动。
当不平衡激振力很大时，线性系统完全处于支配地位，松动支承引起的非线性影响极弱。此时，整个系统便按线性系统的运动方式运动，变为周期运动[16-17]。
2) 图 7为松动支承激励下轮盘的振动响应，运动形式主要为拟周期和周期运动。2号支点位置处存在混沌运动时，对应轮盘振动响应以转速1倍频为主，同时包含其他频率成分，呈拟周期运动；2号支点位置为拟周期和周期运动时，对应轮盘振动响应仅为1倍频，呈周期运动。
2.2 参数影响规律
为了研究松动间隙、非连续支承刚度、不平衡量大小及松动支承位置对转子响应的影响，以转子系统的加速过程为例，分析不同参数下的松动支承激励的转子系统响应分岔图。
2.2.1 松动支承位置影响
改变松动支承位置，将2号、4号支点处设计松动间隙，其物理模型如图 8所示。得到2号、3号支点位置处及轮盘2位置处转子振幅随转速变化的分岔图。根据图 9，改变轮盘2位置处松动支承的位置，对2号支点位置处转子的振动响应影响较小，混沌响应区域稍有偏移。如图 10所示，松动支承位置改变对轮盘2及其支承位置处振动响应影较大，4号支点采用松动支承设计时，轮盘2在共振点处的峰值略有降低。根据图 11可知，随转速增加，不平衡激振力增加使得转子与松动支承之间存在碰撞冲击时，松动支承位置处响应幅值对转速变化较敏感，因而在2号、3号支点位置设计松动间隙时，3号支点位置处转子响应幅值对转速变化较敏感。同时由于3号支点靠近转子质心，其振幅变化在非连续支承刚度影响下对转速变化敏感时，不利于转子动力特性稳定，因此，优先选择2号、4号支点采用松动支承设计。
图 8 2号、4号支点采用松动支承设计的多支点支承柔性转子系统Figure 8. Multi-supported flexible rotor system with bearing clearance designed at Support 2 and Support 4
图 9 松动支承位置不同时2号支点振幅随转速变化的分岔图Figure 9. Bifurcation diagram of vibration amplitude of Support 2 changing with rotational speed when location of bearing looseness is different
图 10 松动支承位置不同时轮盘2振幅随转速变化的分岔图Figure 10. Bifurcation diagram of vibration amplitude of Disk 2 changing with rotational speed when location of bearing looseness is different
图 11 松动支承位置不同时3号支点振幅随转速变化的分岔图Figure 11. Bifurcation diagram of vibration amplitude of Support 3 changing with rotational speed when location of bearing looseness is different2.2.2 不平衡量影响
如表 3所示，改变轮盘1、2的不平衡量，得到轮盘1及2号支点位置处转子振幅随转速变化的分岔图，如图 12所示。可以看出，转子不平衡量增加时，混沌响应的转速区域向高转速区偏移。这是由于当松动支承处的间隙保持不变时，只有当振幅达到0.4×10－3~0.9×10－3mm时，2号支点位置处转子才会与支承发生频繁碰撞，从而产生混沌运动。由于转子不平衡量增加时，转子振幅随转速变化会整体增加，因此与不平衡量小的情况相比转子在更高的转速范围内，2号支点位置处转子的振幅才会减小至0.4×10－3~0.9×10－3mm，与支承产生频繁碰撞，从而产生混沌运动，且由于该振幅范围对应转速范围较宽，因此，对应混沌响应的转速范围较宽广。
表 3 轮盘不平衡量取值Table 3. Unbalance value of disk不平衡量 m1e1/(g·mm) m2e2/(g·mm) 小不平衡量 10 10 大不平衡量 50 50 
图 12 不平衡量不同时2号支点振幅随转速变化的分岔图Figure 12. Bifurcation diagram of vibration amplitude of Support 2 changing with rotational speed when unbalance value is different2.2.3 非连续支承刚度影响
如表 4所示，为研究支承刚度非连续的影响，改变松动支承位置处的支承刚度变化的区间范围，得到2号支点位置处转子振幅随转速变化的分岔图，如图 13所示。可以看出，松动支承位置处支承刚度变化范围增大时，混响应区域稍有扩大。
表 4 支承刚度变化区间Table 4. Variation range of bearing stiffness支承刚度变化范围 Ks2/(N·m-1) Ks3/(N·m-1) 支承刚度变化范围小 0~1×105 0~1×105 支承刚度变化范围大 0~1×107 0~1×107 
图 13 支承刚度不同时2号支点振幅随转速变化的分岔图Figure 13. Bifurcation diagram of vibration amplitude of Support 2 changing with rotational speed when bearing stiffness is different2.2.4 松动间隙影响
如表 5所示，改变松动支承位置处的间隙，得到2号支点位置处转子振幅随转速变化的分岔图，如图 14所示。可以看出，松动支承的间隙加大时，松动支承位置处转子振幅需增加至可与支承产生频繁碰撞才能引发混沌运动产生，所以产生混沌运动的转速区域向共振区域靠近，且混沌运动振幅随之增加。
表 5 松动间隙参数取值Table 5. Parameter values of bearing clearance松动间隙 c′2/mm c′4/mm c2/mm c4/mm 小松动间隙 1.4×10-3 8×10-4 2×10-4 2×10-4 大松动间隙 7×10-3 4×10-3 2×10-3 2×10-3 
图 14 松动间隙不同时2号支点振幅随转速变化的分岔图Figure 14. Bifurcation diagram of vibration amplitude of Support 2 changing with rotational speed when bearing clearance is different3. 结论
松动支承激励下多支点支承柔性转子的运动状态具有非线性特征，其非线性振动形式主要为拟周期和混沌运动：
1) 在一定不平衡量下，转子与松动支承之间产生频繁碰撞时，松动支承位置处转子的运动形式为混沌运动。对应轮盘处运动形式为拟周期运动。
2) 非线性油膜力作用下，松动支承位置处转子的运动形式为拟周期运动，对应轮盘处运动形式为周期运动。
-
图 4 Set14数据集中图像“barbara”测试结果
Figure 4. Test results of "barbara" image in Set14 dataset
图 5 Set14数据集中图像“monarch”测试结果
Figure 5. Test results of "monarch" image in Set14 dataset
表 1 PSNR和SSIM的测试结果
Table 1. Test results of PSNR and SSIM
数据集 PSNR/dB, SSIM SRGAN 本文算法 Set5 29.50，0.841 30.63，0.897 Set14 25.95，0.740 26.94，0.771 BSD100 25.16，0.669 26.91，0.728 
下载: 导出CSV
表 2 FSIM和UIQ的测试结果
Table 2. Test results of FSIM and UIQ
数据集 FSIM，UIQ SRGAN 本文算法 Set5 0.907，0.925 0.929，0.935 Set14 0.891，0.973 0.900，0.978 BSD100 0.828，0.981 0.832，0.984
下载: 导出CSV
表 3 重建图像LBP特征图与原始图像LBP特征图之间方差
Table 3. Variance between LBP feature map of reconstructed image and LBP feature map of original image
图像 方差 SRGAN 本文算法 bird 0.124 0.061 barbara 0.261 0.216 monarch 0.187 0.121
下载: 导出CSV
-
[1] 曹杨.基于学习的超分辨率复原技术研究[D].北京: 北京工业大学, 2009: 3.CAO Y.Research on learning-based super-resolution restoration technology[D].Beijing: Beijing University of Technology, 2009: 3(in Chinese). [2] TRINH D H, LUONG M, DIBOS F, et al.Novel example-based method for super-resolution and denoising of medical images[J].IEEE Transactions on Image Processing, 2014, 23(4):1882-1895. doi: 10.1109/TIP.2014.2308422 [3] LEI Z, YANG J, XUE B, et al.Super-resolution reconstruction of Chang'e-1 satellite CCD stereo camera images[J].Infrared and Laser Engineering, 2012, 41(2):404-408. [4] SHEN H, NG M K, LI P, et al.Super-resolution reconstruction algorithm to MODIS remote sensing images[J].Computer Journal, 2009, 52(1):90-100. [5] 石晓勃, 高树辉.基于警用图像处理系统对超分辨率图像重建分析[J].中国人民公安大学学报, 2016, 22(4):14-17.SHI X B, GAO B.Analysis of super-resolution image reconstruction based on police image processing system[J].Journal of Chinese People's Public Security University, 2016, 22(4):14-17(in Chinese). [6] 杨宇翔.图像超分辨率算法研究[D].北京: 中国科学技术大学, 2013: 14-28.YANG Y X.Image super resolution algorithm research[D].Beijing: University of Science and Technology of China, 2013: 14-28(in Chinese). [7] PARKER J A, KENYON R V, TROXEL D E.Comparison of interpolating methods for image resampling[J].IEEE Transactions on Medical Imaging, 1983, 2(1):31-39. doi: 10.1109/TMI.1983.4307610 [8] HOU H S, ANDREWS H.Cubic splines for image interpolation and digital filtering[J].IEEE Transactions on Acoustics Speech & Signal Processing, 1978, 26(6):508-517. doi: 10.1109-TASSP.1978.1163154/ [9] LI X, ORCHARD M T.New edge-directed interpolation[J].IEEE Transactions on Image Processing, 2001, 10(10):1521-1527. doi: 10.1109/83.951537 [10] OZKAN M K, TEKALP A M, SEZAN M I.POCS-based restoration of space-varying blurred images[J].IEEE Transactions on Image Processing, 1994, 3(4):450-454. doi: 10.1109/83.298398 [11] IRANI M, PELEG S.Improving resolution by image registration[J].CVGIP Graphical Models & Image Processing, 1991, 53(3):231-239. doi: 10.1017-S1041610209990342/ [12] SCHULTZ R R, STEVENSON R L.A Bayesian approach to image expansion for improved definition[J].IEEE Transactions on Image Processing, 1994, 3(3):233-242. [13] YANG J, WANG Z, LIN Z, et al.Coupled dictionary training for image super-resolution[J].IEEE Transactions on Image Processing, 2012, 21(8):3467-3478. doi: 10.1109/TIP.2012.2192127 [14] DONG C, LO C C, HE K, et al.Learning a deep convolutional network for image super-resolution[C]//European Conference on Computer Vision.Berlin: Springer, 2014: 184-199. doi: 10.1007/978-3-319-10593-2_13 [15] KIM J, LEE J K, LEE K M.Deeply-recursive convolutional network for image super-resolution[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway, NJ: IEEE Press, 2016: 1637-1645. [16] SHI W, CABALLERO J, HUSZAR F, et al.Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway, NJ: IEEE Press, 2016: 1874-1883. [17] TONG T, LI G, LIU X, et al.Image super-resolution using dense skip connections[C]//Proceedings of the IEEE International Conference on Computer Vision.Piscataway, NJ: IEEE Press, 2017: 4809-4817. [18] LEDIG C, WANG Z, SHI W, et al.Photo-realistic single image super-resolution using a generative adversarial network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway, NJ: IEEE Press, 2017: 4681-4690. [19] LAI W S, HUANG J B, AHUJA N, et al.Deep Laplacian pyramid networks for fast and accurate super-resolution[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 1:5835-5843. [20] GUO L, HE Z M.A projection on convex sets super-resolution algorithm using wavelet transform[C]//2008 9th International Conference on Signal Processing.Piscataway, NJ: IEEE Press, 2008: 1039-1041. [21] AKBARZADEH S, HASSAN G, FAEZE V.An efficient single image super resolution algorithm based on wavelet transforms[C]//2015 9th Iranian Conference on Machine Vision and Image Processing (MVIP).Piscataway, NJ: IEEE Press, 2015: 111-114. [22] KUMAR N, VERMA R, SETHI A.Convolutional neural networks for wavelet domain super resolution[J].Pattern Recognition Letters, 2017, 90:65-71. doi: 10.1016/j.patrec.2017.03.014 [23] HUANG H, HE R, SUN Z, et al.Wavelet-SRNet: A wavelet-based CNN for multi-scale face super resolution[C]//Proceedings of the IEEE International Conference on Computer Vision.Piscataway, NJ: IEEE Press, 2017: 1689-1697. [24] HE K, ZHANG X, REN S, et al.Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway, NJ: IEEE Press, 2016: 770-778. [25] LIM B, SON S, KIM H, et al.Enhanced deep residual networks for single image super-resolution[C]//2011 IEEE Computer Vision and Pattern Recognition Workshops.Piscataway, NJ: IEEE Press, 2017: 1132-1140. [26] TIMOFTE R, DE SMET V, VAN GOOL L.Anchored neighborhood regression for fast example-based super-resolution[C]//Proceedings of the IEEE International Conference on Computer Vision. Piscataway, NJ: IEEE Press, 2013: 1920-1927. [27] RUSSAKOVSKY O, DENG J, SU H, et al.ImageNet large scale visual recognition challenge[J].International Journal of Computer Vision, 2014, 115(3):211-252. [28] BEVILACQUA M, ROUMY A, GUILLEMOT C, et al.Neighbor embedding based single-image super-resolution using semi-nonnegative matrix factorization[C]//2012 IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP).Piscataway, NJ: IEEE Press, 2012: 1289-1292. [29] ZEYDE R, ELAD M, PROTTER M.On single image scale-up using sparse-representations[C]//International Conference on Curves and Surfaces.Berlin: Springer, 2010: 711-730. [30] MARTIN D, FOWLKES C, TAL D, et al.A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[C]//IEEE Conference on Computer Vision.Piscataway, NJ: IEEE Press, 2001: 416-423. [31] WANG Z, BOVIK A C, SHEIKH H R, et al.Image quality assessment:From error visibility to structural similarity[J].IEEE Transactions on Image Processing, 2004, 13(4):600-612. doi: 10.1109/TIP.2003.819861 [32] ZHANG L, ZHANG L, MOU X, et al.FSIM:A feature similarity index for image quality assessment[J].IEEE Transactions on Image Processing, 2011, 20(8):2378-2386. doi: 10.1109/TIP.2011.2109730 [33] WANG Z, BOVIK A C.A universal image quality index[J].IEEE Signal Processing Letters, 2002, 9(3):81-84. [34] OJALA T, PIETILAINEN M, HARWOOD D.Performance evaluation of texture measures with classification based on Kullback discrimination of distributions[C]//Proceedings of 12th International Conference on Pattern Recognition.Piscataway, NJ: IEEE Press, 1994, 1: 582-585. 期刊类型引用(8)
1. 张勇. 超高速离心叶轮转子系统不平衡响应研究. 机械强度. 2025(01): 42-49 . 
百度学术2. 龙伦，袁巍，王建方，刘文魁，唐振寰. 高速柔性转子-支承系统耦合动力特性计算与试验. 航空发动机. 2022(03): 60-64 . 百度学术3. 黑棣，郑美茹，孙珂琪. 基于Newmark法两端支座松动拉杆转子动力学分析. 机械设计. 2021(01): 115-126 . 百度学术4. 蒋勉，刘双奇，张静静，罗柏文. 一种转子系统混沌运动转速范围确定方法. 应用力学学报. 2021(02): 802-810 . 百度学术5. 王杰，左彦飞，江志农，冯坤. 带中介轴承的双转子系统振动耦合作用评估. 航空学报. 2021(06): 401-412 . 百度学术6. 洪杰，宋制宏，王东，马艳红. 高速转子系统支承结构及力学特性设计方法. 航空动力学报. 2019(05): 961-970 . 百度学术7. 洪杰，栗天壤，倪耀宇，吕春光，马艳红. 复杂转子系统支点动载荷模型及其优化设计. 北京航空航天大学学报. 2019(05): 847-854 . 
本站查看8. 洪杰，杨哲夫，吕春光，马艳红. 高速柔性转子系统动力特性稳健设计方法. 北京航空航天大学学报. 2019(05): 855-862 . 本站查看其他类型引用(5)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 1439
- HTML全文浏览量: 230
- PDF下载量: 327
- 被引次数: 13
