如今隨著科學技術的進步發(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常發(fā)生,并對圖像質量產生負面影響,例如圖像采集時遭遇遮擋、傳輸過程中混入噪聲、未能妥善存儲而造成圖像損壞等等。為了后續(xù)更好地對圖像數(shù)據(jù)進行處理與分析,需要首先對低質量圖像進行修復。因此,對圖像修復技術的研究具有十分重要的意義。對特征的稀疏表達能夠盡量挖掘數(shù)據(jù)的潛在模式,因而能夠有力地推動圖像修復技術的發(fā)展。目前,由于具有良好的神經科學動機驅動,同時也有堅實的數(shù)學理論支持,稀疏編碼已成為解決圖像修復任務的有效技術手段。另外,對數(shù)據(jù)施加稀疏約束以實現(xiàn)特征選擇,從而保留判別特征,去除冗余特征,也為圖像修復技術的進步提供了重要幫助。近年來,深度表達成為計算機視覺領域研究熱點之一。深度學習依賴于數(shù)據(jù)驅動,而當前爆發(fā)式增長的數(shù)據(jù)規(guī)模為深度學習的蓬勃發(fā)展提供了堅實保障。深度神經網絡模型能夠從大量數(shù)據(jù)中學習到潛在的復雜隱式映射,而不需要預先設計先驗知識,并且可以實時處理任務。這些優(yōu)勢使其能夠高效地處理圖像修復任務。本文圍繞著基于稀疏表達與深度表達的數(shù)據(jù)處理方法,從圖像結構信息修復與圖像顏色信息修復兩方面出發(fā),...

【文章頁數(shù)】：112 頁

【學位級別】：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 圖像修復技術發(fā)展現(xiàn)狀
        1.2.1 基于稀疏表達的圖像修復技術
        1.2.2 基于深度表達的圖像修復技術
    1.3 本文的主要工作
        1.3.1 基于全局低秩結構與局部稀疏性的張量補全方法
        1.3.2 基于動態(tài)對偶學習的圖像盲去噪方法
        1.3.3 基于稀疏約束的可逆灰度圖像方法
    1.4 論文的內容組織
第二章 相關研究綜述
    2.1 圖像補全技術
        2.1.1 基于匹配的方法
        2.1.2 張量分解與低秩補全方法
    2.2 圖像去噪技術
        2.2.1 傳統(tǒng)圖像去噪方法
        2.2.2 基于深度學習的圖像去噪方法
    2.3 圖像色彩修復與可逆灰度圖像
        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
第三章 基于全局低秩結構與局部稀疏性的張量補全方法
    3.1 引言
    3.2 預備知識
        3.2.1 符號表示與定義
        3.2.2 張量低秩補全
        3.2.3 稀疏編碼與字典學習
    3.3 基于低秩表示與稀疏約束的張量補全方法
        3.3.1 問題模型
        3.3.2 優(yōu)化算法
    3.4 實驗對比與分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 實驗配置
        3.4.3 實驗結果
    3.5 本章小結
第四章 基于動態(tài)對偶學習的圖像盲去噪方法
    4.1 引言
    4.2 基于對偶學習與動態(tài)注意力機制的圖像盲去噪方法
        4.2.1 網絡結構
        4.2.2 動態(tài)組合注意力生成模塊
        4.2.3 去噪結果的合成模型
        4.2.4 損失函數(shù)設計
    4.3 實驗對比與分析
        4.3.1 實驗數(shù)據(jù)與配置
        4.3.2 帶有高斯噪聲的圖像去噪
        4.3.3 消融實驗
        4.3.4 帶有真實噪聲的圖像去噪
    4.4 本章小結
第五章 基于稀疏約束的可逆灰度圖像方法
    5.1 引言
    5.2 網絡結構設計
        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 實驗對比與分析
        5.4.1 實驗數(shù)據(jù)與配置
        5.4.2 消融實驗
        5.4.3 圖像著色性能評價
    5.5 本章小結
第六章 結論與展望
參考文獻
攻讀博士學位期間取得的研究成果
致謝
附件



本文編號：3832520