發(fā)布時間：2023-04-25 22:19

　　隨著便攜式智能手機的普及,數(shù)字圖像已成為人們感知、處理、分析和分享信息的重要載體。由于現(xiàn)實生活中復(fù)雜因素的影響,例如:成像系統(tǒng)的不完善、存儲容量以及網(wǎng)絡(luò)帶寬的限制,數(shù)字圖像在其形成、傳輸、存儲過程中往往會引入噪聲并且以較低分辨率的形式存在。圖像去噪和圖像超分辨率作為數(shù)字圖像處理領(lǐng)域內(nèi)經(jīng)典而又十分活躍的底層視覺研究課題,其不僅能夠改善圖像的視覺感知質(zhì)量,同時也可以提高后續(xù)高層語義分析的精確度。目前主流的圖像去噪和超分辨率方法包括基于模型的方法和判別學(xué)習(xí)方法。一般來說,這兩種方法都有其各自的優(yōu)勢以及缺點,例如:基于模型的方法可以靈活地處理各種不同的圖像復(fù)原任務(wù)但是通常運行速度較慢并且需要設(shè)計復(fù)雜的圖像先驗來達到較好的性能;與此同時,以卷積神經(jīng)網(wǎng)絡(luò)為代表的判別學(xué)習(xí)方法雖然測試速度快以及由于端對端訓(xùn)練導(dǎo)致性能好,但是其應(yīng)用范圍受到特定退化模型的限制。針對上述問題,本文從函數(shù)回歸、最大后驗、優(yōu)化算法的角度出發(fā),設(shè)計了高效的去噪網(wǎng)絡(luò)、提出了靈活的去噪和超分辨率網(wǎng)絡(luò)、解決了復(fù)雜退化下的超分辨率重建。具體研究內(nèi)容及創(chuàng)新點如下:(1)基于模型的去噪方法通常犧牲速度來提升性能,而目前的判別學(xué)習(xí)去噪方法雖然...

【文章頁數(shù)】：143 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
        1.1.3 課題來源
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像去噪與圖像超分辨率的聯(lián)系
        1.2.2 基于模型的方法
        1.2.3 判別學(xué)習(xí)方法
        1.2.4 基于CNN的圖像去噪進展
        1.2.5 基于CNN的圖像超分辨率進展
    1.3 主要研究內(nèi)容
第2章 基于殘差學(xué)習(xí)的深度去噪網(wǎng)絡(luò)
    2.1 引言
    2.2 深度去噪網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        2.2.1 網(wǎng)絡(luò)層數(shù)的設(shè)定
        2.2.2 殘差學(xué)習(xí)
        2.2.3 批規(guī)范化
    2.3 殘差學(xué)習(xí)與批規(guī)范化
    2.4 與TNRD的關(guān)聯(lián)
    2.5 實驗結(jié)果
        2.5.1 網(wǎng)絡(luò)訓(xùn)練
        2.5.2 實驗結(jié)果比較
        2.5.3 針對不同復(fù)原任務(wù)的單一網(wǎng)絡(luò)模型
        2.5.4 測試時間
    2.6 本章小結(jié)
第3章 快速靈活的非盲去噪網(wǎng)絡(luò)
    3.1 引言
    3.2 快速有效的判別學(xué)習(xí)去噪
        3.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 噪聲水平圖
        3.2.3 降采樣子圖像
        3.2.4 噪聲水平圖穩(wěn)健性分析
        3.2.5 與盲去噪模型的區(qū)別
        3.2.6 殘差與非殘差學(xué)習(xí)的區(qū)別
        3.2.7 量化與非量化噪聲圖像的區(qū)別
    3.3 實驗結(jié)果
        3.3.1 數(shù)據(jù)集與網(wǎng)絡(luò)訓(xùn)練
        3.3.2 高斯白噪聲去噪實驗
        3.3.3 空間不均勻高斯去噪實驗
        3.3.4 噪聲水平敏感性實驗
        3.3.5 真實圖像去噪實驗
        3.3.6 運行時間比較
    3.4 本章小結(jié)
第4章 針對多種退化類型的卷積超分辨率網(wǎng)絡(luò)
    4.1 引言
    4.2 方法
        4.2.1 退化模型
        4.2.2 MAP模型
        4.2.3 維度拉伸
        4.2.4 網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 實驗結(jié)果
        4.3.1 訓(xùn)練數(shù)據(jù)和網(wǎng)絡(luò)訓(xùn)練
        4.3.2 雙三次退化圖像超分辨率
        4.3.3 一般退化圖像超分辨率
        4.3.4 空間不均勻的退化圖像超分辨率
        4.3.5 真實圖像超分辨率
    4.4 本章小結(jié)
第5章 基于深度去噪網(wǎng)絡(luò)與半二次優(yōu)化的圖像復(fù)原
    5.1 引言
    5.2 用去噪方法解決圖像復(fù)原的相關(guān)工作
    5.3 半二次分裂算法
        5.3.1 CNN去噪先驗的優(yōu)勢
        5.3.2 深度去噪網(wǎng)絡(luò)
    5.4 實驗結(jié)果
        5.4.1 圖像超分辨率
        5.4.2 圖像去模糊
    5.5 本章小結(jié)
第6章 基于即插即用網(wǎng)絡(luò)的模糊圖像超分辨率重建
    6.1 引言
    6.2 相關(guān)工作
        6.2.1 深度超分辨率網(wǎng)絡(luò)
        6.2.2 即插即用圖像復(fù)原
    6.3 方法
        6.3.1 新退化模型
        6.3.2 深度即插即用超分辨率
        6.3.3 深度超分辨率先驗
        6.3.4 與相關(guān)方法的比較
    6.4 實驗結(jié)果
        6.4.1 參數(shù)設(shè)置
        6.4.2 結(jié)果比較
        6.4.3 基于生成對抗的超分辨率先驗
        6.4.4 基于估計模糊核的圖像超分辨率
    6.5 本章小結(jié)
結(jié)論
參考文獻
攻讀博士學(xué)位期間發(fā)表的論文及其他成果
致謝
個人簡歷



本文編號：3801171