圖像復(fù)原與增強是圖像處理領(lǐng)域中的一個經(jīng)典問題,長久以來一直受到學(xué)者們的廣泛關(guān)注。造成圖像質(zhì)量不佳的一類十分重要的原因就是非理想的外部成像環(huán)境,如相機抖動、惡劣天氣、光線不佳等。這些因素導(dǎo)致觀測圖像很可能表現(xiàn)為模糊圖像、受雨霧等污染的圖像、高動態(tài)范圍圖像、帶噪聲圖像等。如何利用觀測的降質(zhì)圖像計算出視覺效果良好的清晰圖像是一個非常有意義的現(xiàn)實問題。圖像復(fù)原與增強是許多現(xiàn)實視覺系統(tǒng)中的底層處理步驟,往往對后續(xù)的視覺決策起到非常關(guān)鍵的作用,在當前階段也十分具有研究價值。然而,大多數(shù)傳統(tǒng)的圖像復(fù)原與增強方法在關(guān)于復(fù)雜退化模型建模、自然圖像先驗刻畫、失真效果抑制等方面仍在不足之處。近來被大量提出的基于深度學(xué)習(xí)的方法雖然能夠避免優(yōu)化模型及先驗的手工設(shè)計,但其往往需要在大型的數(shù)據(jù)集上訓(xùn)練,計算代價很大;且端到端的工作模式使人們無法得知其內(nèi)在的工作原理。因此,提出有效的圖像復(fù)原與增強算法,根據(jù)降質(zhì)圖像計算出高質(zhì)量的清晰圖像仍是一個有待于進一步解決的問題。圖像復(fù)原與增強所涵蓋的范圍十分廣泛。本學(xué)位論文主要專注于其中的三個有代表性的問題:單幅圖像去模糊問題、聯(lián)合圖像濾波增強問題、以及單幅圖像去雨問題,相應(yīng)地...

【文章頁數(shù)】：116 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
主要符號表
1 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 退化模型驅(qū)動的圖像復(fù)原方法
        1.2.2 空間域圖像增強方法
        1.2.3 數(shù)據(jù)驅(qū)動的基于深度學(xué)習(xí)的方法
    1.3 局限性與挑戰(zhàn)
    1.4 本文主要工作
    1.5 本文章節(jié)安排
2 基于彈性網(wǎng)秩先驗的圖像盲去模糊方法
    2.1 引言
        2.1.1 相關(guān)工作
    2.2 本文去模糊模型及算法概述
        2.2.1 基于非局部自相似性的彈性網(wǎng)正則項
        2.2.2 基于彈性網(wǎng)正則項的目標函數(shù)
    2.3 估計中間清晰圖像
        2.3.1 變量J的更新
        2.3.2 中間的清晰圖像L的更新
    2.4 梯度域上的模糊核更新
    2.5 非盲的圖像去模糊
    2.6 分析與討論
        2.6.1 本文先驗項的有效性
        2.6.2 關(guān)于先驗項中每一項的討論
        2.6.3 算法收斂性
        2.6.4 局限性
    2.7 非一致去模糊上的擴展
    2.8 實驗結(jié)果
        2.8.1 與常用的先驗方法的比較
        2.8.2 與基于邊緣選擇的去模糊方法之間的區(qū)別
        2.8.3 合成數(shù)據(jù)集上的定量評估
        2.8.4 真實模糊圖像的去模糊結(jié)果
        2.8.5 非一致模糊圖像的去模糊結(jié)果
    2.9 結(jié)論
3 保結(jié)構(gòu)的圖像指導(dǎo)濾波增強方法
    3.1 引言
        3.1.1 相關(guān)工作
            3.1.1.1 指導(dǎo)濾波
    3.2 保持結(jié)構(gòu)的濾波模型與優(yōu)化求解
    3.3 分析與討論
        3.3.1 邊緣保持的濾波
        3.3.2 梯度保持的濾波
        3.3.3 迭代的濾波核
        3.3.4 彩色指導(dǎo)圖像的濾波算法
        3.3.5 局限性
    3.4 圖像增強應(yīng)用與實驗結(jié)果
        3.4.1 細節(jié)增強和高動態(tài)范圍壓縮
        3.4.2 閃光/無閃光圖像復(fù)原
        3.4.3 圖像去霧
        3.4.4 圖像摳圖
    3.5 結(jié)論
4 基于擠壓激勵機制和非局部均值的單幅圖像去雨方法
    4.1 引言
        4.1.1 相關(guān)工作
            4.1.1.1 擠壓激勵網(wǎng)絡(luò)
            4.1.1.2 非局部神經(jīng)網(wǎng)絡(luò)
    4.2 基于擠壓激勵機制和非局部均值的深度去雨網(wǎng)絡(luò)
        4.2.1 有雨圖像生成模型
        4.2.2 本文網(wǎng)絡(luò)架構(gòu)
            4.2.2.1 總體框架
            4.2.2.2 擠壓激勵機制下的特征增強
            4.2.2.3 密集的非局部殘差塊
            4.2.2.4 損失函數(shù)
            4.2.2.5 更多細節(jié)與網(wǎng)絡(luò)參數(shù)設(shè)置
    4.3 實驗結(jié)果與分析
        4.3.1 實驗設(shè)置
        4.3.2 合成數(shù)據(jù)集上的實驗結(jié)果
        4.3.3 真實有雨圖像的實驗結(jié)果
        4.3.4 消融實驗
    4.4 結(jié)論
5 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 創(chuàng)新點
    5.3 未來工作展望
參考文獻
攻讀博士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝
作者簡介



本文編號：3937893