【摘要】：隨著對圖像要求的不斷提高,圖像獲取設(shè)備得到了巨大地發(fā)展與提升。相機(jī)像素越來越高,同時也出現(xiàn)各種各樣的成像設(shè)備。但是硬件設(shè)備在一些情況下還是不能完全滿足人們的需求。圖像處理技術(shù)可以提高捕獲圖像的視覺質(zhì)量。光場相機(jī)是近年來新出現(xiàn)的一種相機(jī),得到了越來越多的關(guān)注。它具有普通相機(jī)不具有的優(yōu)點,但是分辨率限制了它的應(yīng)用。本文研究虛擬視角合成方法來提高它的角分辨率達(dá)到提高相機(jī)分辨率的目的。圖像融合能夠?qū)⒍鄰垐D像融合到一張具有更豐富信息的圖像中,它在很多領(lǐng)域都有廣泛的應(yīng)用,本文利用研究多聚焦圖像融合的問題來解決相機(jī)單次聚焦區(qū)域有限的問題。近紅外相機(jī)近年來受到越來越多的關(guān)注,它能夠在非理想環(huán)境下取得高質(zhì)量的成像,但是會缺失顏色信息。本文研究近紅外圖像與彩色圖像的融合來恢復(fù)彩色圖像隱藏的細(xì)節(jié)和紋理。本文的主要工作和貢獻(xiàn)在以下幾個方面:1.提出了一種基于密集連接與多損失卷積神經(jīng)網(wǎng)絡(luò)的高質(zhì)量光場相機(jī)虛擬視角生成算法。隨著商用光場攝像機(jī)的出現(xiàn),光場圖像越來越普遍。然而,由于硬件的限制,光場相機(jī)的角度分辨率和空間分辨率之間存在著平衡。因此,這些相機(jī)通常在空間域或角度域具有稀疏采樣。本文采用密集連接全卷積神經(jīng)網(wǎng)絡(luò)來緩解這一問題。具體地說,我們提出了一種新的多損失函數(shù),使用它來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型,使生成的視角圖像和真實圖像的像素?fù)p失、特征損失和邊緣損失最小化。實驗結(jié)果表明,所提出的方法能合成高質(zhì)量的新視角圖像,優(yōu)于其它方法。2.我們提出了利用光場數(shù)據(jù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行多聚焦圖像融合的方法。我們使用光場數(shù)據(jù)生成聚焦圖用于重聚焦圖像融合的研究。與其他將多聚焦融合看作二元分類CNN的融合方法不同的是,通過全卷積網(wǎng)絡(luò),我們使用多聚焦圖像直接生成焦點圖。為了直接對CNN進(jìn)行訓(xùn)練,我們利用光場數(shù)據(jù)構(gòu)建了一個包含多聚焦圖像及其全清晰圖像的數(shù)據(jù)集,并利用該數(shù)據(jù)集對所提出的網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實驗結(jié)果表明,該方法能生成更接近參考圖的精確聚焦圖,并且在評價指標(biāo)方面優(yōu)于其他先進(jìn)的融合方法。3.我們提出用近紅外(NIR)圖像來恢復(fù)其對應(yīng)的同一場景下的彩色圖像的紋理和細(xì)節(jié)。我們提供了一種將近紅外和視覺圖像融合到同一場景中的方法,能夠?qū)⑺鼈兊膬?yōu)點整合在一起,得到高質(zhì)量的融合圖像。我們將融合任務(wù)分為亮度和色度兩部分。我們利用卷積神經(jīng)網(wǎng)絡(luò)對近紅外圖像和彩色的亮度信息進(jìn)行融合。該融合圖像在低光、高光、霧度等條件下具有良好的邊緣和結(jié)構(gòu)性能。我們使用CNN網(wǎng)絡(luò)來通過融合后的亮度圖像和原始的RGB圖像重建彩色圖像。實驗結(jié)果表明,所提出方法優(yōu)于其他優(yōu)秀方法。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測預(yù)警仿真[J];計算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚;楊健;李厚強(qiáng);;時頻聯(lián)合長時循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計算機(jī)研究與發(fā)展;2019年12期

6 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

7 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

8 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

9 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

10 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2713895