如今隨著科學(xué)技術(shù)的進(jìn)步發(fā)展,圖像數(shù)據(jù)以令人驚嘆的速度日益增長。然而,一些難以避免的非主觀因素時(shí)常發(fā)生,并對(duì)圖像質(zhì)量產(chǎn)生負(fù)面影響,例如圖像采集時(shí)遭遇遮擋、傳輸過程中混入噪聲、未能妥善存儲(chǔ)而造成圖像損壞等等。為了后續(xù)更好地對(duì)圖像數(shù)據(jù)進(jìn)行處理與分析,需要首先對(duì)低質(zhì)量圖像進(jìn)行修復(fù)。因此,對(duì)圖像修復(fù)技術(shù)的研究具有十分重要的意義。對(duì)特征的稀疏表達(dá)能夠盡量挖掘數(shù)據(jù)的潛在模式,因而能夠有力地推動(dòng)圖像修復(fù)技術(shù)的發(fā)展。目前,由于具有良好的神經(jīng)科學(xué)動(dòng)機(jī)驅(qū)動(dòng),同時(shí)也有堅(jiān)實(shí)的數(shù)學(xué)理論支持,稀疏編碼已成為解決圖像修復(fù)任務(wù)的有效技術(shù)手段。另外,對(duì)數(shù)據(jù)施加稀疏約束以實(shí)現(xiàn)特征選擇,從而保留判別特征,去除冗余特征,也為圖像修復(fù)技術(shù)的進(jìn)步提供了重要幫助。近年來,深度表達(dá)成為計(jì)算機(jī)視覺領(lǐng)域研究熱點(diǎn)之一。深度學(xué)習(xí)依賴于數(shù)據(jù)驅(qū)動(dòng),而當(dāng)前爆發(fā)式增長的數(shù)據(jù)規(guī)模為深度學(xué)習(xí)的蓬勃發(fā)展提供了堅(jiān)實(shí)保障。深度神經(jīng)網(wǎng)絡(luò)模型能夠從大量數(shù)據(jù)中學(xué)習(xí)到潛在的復(fù)雜隱式映射,而不需要預(yù)先設(shè)計(jì)先驗(yàn)知識(shí),并且可以實(shí)時(shí)處理任務(wù)。這些優(yōu)勢(shì)使其能夠高效地處理圖像修復(fù)任務(wù)。本文圍繞著基于稀疏表達(dá)與深度表達(dá)的數(shù)據(jù)處理方法,從圖像結(jié)構(gòu)信息修復(fù)與圖像顏色信息修復(fù)兩方面出發(fā),...

【文章頁數(shù)】：112 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
英文縮略詞
第一章 緒論
    1.1 研究背景與研究意義
    1.2 圖像修復(fù)技術(shù)發(fā)展現(xiàn)狀
        1.2.1 基于稀疏表達(dá)的圖像修復(fù)技術(shù)
        1.2.2 基于深度表達(dá)的圖像修復(fù)技術(shù)
    1.3 本文的主要工作
        1.3.1 基于全局低秩結(jié)構(gòu)與局部稀疏性的張量補(bǔ)全方法
        1.3.2 基于動(dòng)態(tài)對(duì)偶學(xué)習(xí)的圖像盲去噪方法
        1.3.3 基于稀疏約束的可逆灰度圖像方法
    1.4 論文的內(nèi)容組織
第二章 相關(guān)研究綜述
    2.1 圖像補(bǔ)全技術(shù)
        2.1.1 基于匹配的方法
        2.1.2 張量分解與低秩補(bǔ)全方法
    2.2 圖像去噪技術(shù)
        2.2.1 傳統(tǒng)圖像去噪方法
        2.2.2 基于深度學(xué)習(xí)的圖像去噪方法
    2.3 圖像色彩修復(fù)與可逆灰度圖像
        2.3.1 圖像去色
        2.3.2 圖像著色與可逆灰度圖像
    2.4 本章小結(jié)
第三章 基于全局低秩結(jié)構(gòu)與局部稀疏性的張量補(bǔ)全方法
    3.1 引言
    3.2 預(yù)備知識(shí)
        3.2.1 符號(hào)表示與定義
        3.2.2 張量低秩補(bǔ)全
        3.2.3 稀疏編碼與字典學(xué)習(xí)
    3.3 基于低秩表示與稀疏約束的張量補(bǔ)全方法
        3.3.1 問題模型
        3.3.2 優(yōu)化算法
    3.4 實(shí)驗(yàn)對(duì)比與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)配置
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 基于動(dòng)態(tài)對(duì)偶學(xué)習(xí)的圖像盲去噪方法
    4.1 引言
    4.2 基于對(duì)偶學(xué)習(xí)與動(dòng)態(tài)注意力機(jī)制的圖像盲去噪方法
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 動(dòng)態(tài)組合注意力生成模塊
        4.2.3 去噪結(jié)果的合成模型
        4.2.4 損失函數(shù)設(shè)計(jì)
    4.3 實(shí)驗(yàn)對(duì)比與分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)與配置
        4.3.2 帶有高斯噪聲的圖像去噪
        4.3.3 消融實(shí)驗(yàn)
        4.3.4 帶有真實(shí)噪聲的圖像去噪
    4.4 本章小結(jié)
第五章 基于稀疏約束的可逆灰度圖像方法
    5.1 引言
    5.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        5.2.1 編碼器與稀疏正則化層
        5.2.2 解碼器
    5.3 損失函數(shù)
        5.3.1 像素一致性損失函數(shù)與感知損失函數(shù)
        5.3.2 稀疏度損失函數(shù)
    5.4 實(shí)驗(yàn)對(duì)比與分析
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)與配置
        5.4.2 消融實(shí)驗(yàn)
        5.4.3 圖像著色性能評(píng)價(jià)
    5.5 本章小結(jié)
第六章 結(jié)論與展望
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的研究成果
致謝
附件



本文編號(hào)：3832520