運(yùn)動(dòng)模糊是最常見的模糊類型之一。在拍攝過程中,如果攝像機(jī)和物體發(fā)生相對運(yùn)動(dòng)并且此時(shí)攝像機(jī)快門較慢時(shí),就會(huì)造成運(yùn)動(dòng)模糊。運(yùn)動(dòng)模糊會(huì)影響圖像觀感,并且會(huì)造成圖像信息丟失從而對后續(xù)諸多算法造成精度下降等影響。由于運(yùn)動(dòng)模糊的廣泛存在以及目前模糊復(fù)原算法仍然無法很好地復(fù)原圖像,如何從嚴(yán)重模糊的圖像中復(fù)原得到清晰圖像仍然是圖像處理領(lǐng)域一個(gè)熱門研究方向。近幾年利用深度學(xué)習(xí)算法進(jìn)行模糊圖像復(fù)原的研究也取得了一些成果。本文開展了基于生成式對抗網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像復(fù)原的研究,主要研究內(nèi)容包括:(1)論述了傳統(tǒng)模糊圖像修復(fù)算法以及基于深度學(xué)習(xí)的模糊圖像復(fù)原算法的發(fā)展進(jìn)程和存在問題,詳細(xì)描述了深度學(xué)習(xí)以及基于生成式對抗網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像復(fù)原算法的原理。(2)提出了基于增強(qiáng)型生成式對抗網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像復(fù)原算法。利用縮放卷積(resize convoluation)替代反卷積作為圖像上采樣策略,有效地消除了過去基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行運(yùn)動(dòng)模糊圖像復(fù)原的方法中由于反卷積不均勻重疊而造成的棋盤效應(yīng)問題;利用壓縮激勵(lì)網(wǎng)絡(luò)可以提取特征通道權(quán)重的特性,將壓縮激勵(lì)網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)結(jié)合為壓縮激勵(lì)殘差網(wǎng)絡(luò)模塊(SE-ResBlock)...

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 運(yùn)動(dòng)模糊圖像復(fù)原的難點(diǎn)及挑戰(zhàn)
    1.4 主要工作與章節(jié)安排
第2章 生成式對抗網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像復(fù)原原理
    2.1 引言
    2.2 模糊圖像的模擬成像原理
    2.3 模糊圖像的分類
        2.3.1 運(yùn)動(dòng)模糊
        2.3.2 散焦模糊
        2.3.3 高斯模糊
    2.4 生成式對抗網(wǎng)絡(luò)及其應(yīng)用
        2.4.1 神經(jīng)網(wǎng)絡(luò)
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.3 生成式對抗網(wǎng)絡(luò)
    2.5 本章小結(jié)
第3章 基于增強(qiáng)型生成式對抗網(wǎng)絡(luò)的運(yùn)動(dòng)模糊圖像復(fù)原算法
    3.1 引言
    3.2 生成器優(yōu)化策略
        3.2.1 棋盤效應(yīng)及其解決方案
        3.2.2 壓縮激勵(lì)殘差模塊
    3.3 損失函數(shù)設(shè)計(jì)
        3.3.1 對抗損失
        3.3.2 感知損失
        3.3.3 梯度損失
        3.3.4 判別器損失函數(shù)
    3.4 增強(qiáng)型生成式對抗網(wǎng)絡(luò)
        3.4.1 生成器
        3.4.2 判別器
    3.5 仿真實(shí)驗(yàn)及其分析
        3.5.1 實(shí)驗(yàn)設(shè)置
        3.5.2 評測指標(biāo)
        3.5.3 數(shù)據(jù)集及實(shí)驗(yàn)測試
    3.6 本章小結(jié)
第4章 基于多幀圖像與三維變形卷積的運(yùn)動(dòng)模糊視頻復(fù)原算法
    4.1 引言
    4.2 運(yùn)動(dòng)模糊視頻圖像復(fù)原原理
    4.3 三維變形卷積
    4.4 模型加速
        4.4.1 深度網(wǎng)絡(luò)模型加速與壓縮技術(shù)
        4.4.2 輕量化網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    4.5 仿真實(shí)驗(yàn)及其分析
        4.5.1 GOPRO測試集復(fù)原效果對比
        4.5.2 Deep Video Deblurring測試集復(fù)原效果對比
        4.5.3 模型加速效果對比
        4.5.4 模型小型化效果對比
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的研究成果



本文編號：3865308