圖像是一種具有巨大使用價(jià)值的信息載體。不僅如此,具有一定審美能力的人能從圖像的構(gòu)圖和色彩中發(fā)現(xiàn)美。從社會(huì)發(fā)展來(lái)看,圖像起著舉足輕重的作用。在圖像處理領(lǐng)域中存在著兩個(gè)經(jīng)典的問(wèn)題,運(yùn)動(dòng)模糊消除和圖像色彩增強(qiáng)。隨著深度學(xué)習(xí)的發(fā)展,在神經(jīng)網(wǎng)絡(luò)模型的幫助下,對(duì)這兩個(gè)問(wèn)題的研究都取得了顯著的進(jìn)展。在以往的研究中,都是以?xún)蓚�(gè)不同的模型來(lái)處理兩者,這勢(shì)必會(huì)增加總的處理時(shí)間。本文的研究致力于實(shí)現(xiàn)一種能同時(shí)增強(qiáng)運(yùn)動(dòng)模糊圖像的清晰度和色彩的多任務(wù)圖像增強(qiáng)模型。本文主要的研究工作如下:1.基于編碼-解碼器的卷積網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造了能將模糊圖像恢復(fù)成清晰且色彩飽滿的圖像生成器。該生成器中采用了殘差連接,提升了模型抓取圖像特征的敏感度。在中部的卷積層中應(yīng)用了嵌套式的殘差連接,這種連接方式有利于模型優(yōu)化并能使模型提取到復(fù)雜的特征信息。在編碼器和解碼器之間應(yīng)用了跳躍拼接操作,使模型避免了特征信息在經(jīng)過(guò)多層卷積操作后出現(xiàn)丟失的情況。2.基于Wasserstein距離構(gòu)建了適用于本研究的多任務(wù)生成對(duì)抗網(wǎng)絡(luò)。由于原生生成對(duì)抗網(wǎng)絡(luò)的判別器的損失函數(shù)使得該模型在理論上去優(yōu)化一個(gè)常數(shù)而不能實(shí)現(xiàn)生成圖像與目標(biāo)圖像逐步靠近。因此,本文在只... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Valid填充方式

重慶郵電大學(xué)碩士學(xué)位論文第2章深度學(xué)習(xí)的基礎(chǔ)知識(shí)12核參數(shù)和對(duì)應(yīng)的偏置量。公式2.2中h表示卷積核的高，w表示卷積核的寬。Wab表示卷積核中第a行第b列的參數(shù)，Nab表示卷積核在輸入圖像中對(duì)應(yīng)感受野中的第a行第b列的像素值。當(dāng)卷積核在對(duì)新的特征圖估算的時(shí)候，其移動(dòng)的步長(zhǎng)能決定新輸出特征圖的尺寸。如果要使得輸出的特征圖尺寸保持不變，就要設(shè)置卷積核移動(dòng)的步長(zhǎng)為1并采用邊界填充的方式。邊界填有三種方式。Vaild代表不填充，如圖2.1所示，輸入圖像尺寸為4*4，卷積核的尺寸為3*3，步長(zhǎng)為1，輸出的特征圖尺寸為2*2。這種填充方式會(huì)使得卷積核處理后的特征圖尺寸小于原輸入圖像。Same代表邊界以0值填充。如圖2.2所示，輸入圖像的尺寸為4*4，卷積核尺寸為3*3,步長(zhǎng)為1，輸出特征圖的尺寸同樣為4*4。這種填充方式能使得圖像在經(jīng)過(guò)卷積核處理后得到相同尺寸的特征圖。最后還有一種填充方式為Full，該種方式能指定邊界填充寬度，效果類(lèi)似Same填充方式。圖2.1Valid填充方式圖2.2Same填充方式2.1.2池化層一種有效的網(wǎng)絡(luò)模型一般都具有一定數(shù)量的卷積層，少者十幾層，多則幾十上百層。卷積操作后的特征圖尺寸縮小量比較小，同時(shí)特征圖的深度也增加了。因此如果不減少特征圖尺寸的話，網(wǎng)絡(luò)中要處理更多的圖像信息，這樣會(huì)加劇網(wǎng)絡(luò)的負(fù)擔(dān)。池化層便是一種縮減特征圖尺寸的操作。目前常用的兩種池化操作為平均池化

平均池化操作

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)直方圖的低照度圖像增強(qiáng)算法[J]. 何畏.  計(jì)算機(jī)科學(xué). 2015(S1)
[2]基于小波變換的低照度圖像自適應(yīng)增強(qiáng)算法[J]. 李慶忠,劉清.  中國(guó)激光. 2015(02)



本文編號(hào)：3315367