圖像中含有大量的信息,是人類感知世界直接且高效的信息來源,是人類表達信息的重要載體和傳遞信息的重要媒介。隨著硬件設(shè)備以及計算機網(wǎng)絡(luò)技術(shù)的迅速發(fā)展,數(shù)字圖像數(shù)量呈現(xiàn)指數(shù)式的增長,使用計算機處理大量的數(shù)字圖像完成相關(guān)計算機視覺任務(wù)成為必行的趨勢。在眾多計算機視覺任務(wù)解決方法和工具中,卷積神經(jīng)網(wǎng)絡(luò)(CNN,Convolutional Neural Network)作為優(yōu)良的圖像特征提取器,已經(jīng)廣泛運用到圖像分類、目標識別等領(lǐng)域,并取得了很好的效果。但由于CNN需要大量的圖像來支持訓(xùn)練,其收斂速度、過擬合現(xiàn)象的存在都限制了其性能的發(fā)揮,在某些特定場景下以及具體應(yīng)用中,仍需要對CNN結(jié)構(gòu)進行優(yōu)化以取得更好的效果。本文在對現(xiàn)有文獻的研究基礎(chǔ)下,對基于卷積神經(jīng)網(wǎng)絡(luò)的場景圖像分類以及低照度圖像增強兩個問題進行研究。主要研究內(nèi)容包括:(1)針對現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的場景識別算法無法處理目標場景圖像是多光譜圖像的問題,本文提出一種基于多路卷積神經(jīng)網(wǎng)絡(luò)的多光譜場景識別方法。利用改進的CNN結(jié)構(gòu)綜合多個光譜上的信息,結(jié)合預(yù)訓(xùn)練方法,有效提升了場景的分類精度。(2)針對一般CNN使用池化層對特征進行降維操作,造成信息損失,影響網(wǎng)絡(luò)表達能力的問題,提出參數(shù)池化層(Parameterized Pooling Layer)替代一般CNN中的池化層。參數(shù)池化層在僅僅增加了少量網(wǎng)絡(luò)參數(shù)的情況下,最大可能的保留了卷積神經(jīng)網(wǎng)絡(luò)中希望被保留下來的特征,提高了網(wǎng)絡(luò)性能。同時,由于增加了池化層前向傳播的信息,從而影響了反向傳播算法中權(quán)值的更新,網(wǎng)絡(luò)更加易于收斂且收斂速度更快。(3)提出一種基于去光照影響的低照度圖像增強方法,利用卷積神經(jīng)網(wǎng)絡(luò)從低照度圖像訓(xùn)練集中學(xué)習(xí)Retinex理論中需要估計的參數(shù),實現(xiàn)端到端的低照度圖像增強。通過模擬數(shù)據(jù)實驗以及真實低照度圖像增強實驗證明,本文提出的DIENet(De-illumination Effect Net)網(wǎng)絡(luò)模型有效地提高了圖像整體亮度和對比度,較一些經(jīng)典算法以及其他基于CNN的方法在結(jié)構(gòu)相似度和峰值信噪比上均有所提高。
【學(xué)位單位】：桂林電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

逑池化層生要用于給數(shù)據(jù)降維以減少計算；量＊并不是所有的ＣＮＮ模型中都帶有池化層Ｂ逡逑—般ＣＮＮ的結(jié)構(gòu)如圖２－１所示。下面，對各層進行具體講述。逡逑ｆｅａｔｕｒｅ邐Ｆｅａｔｕｒｅ邐Ｆｅａｔｕｒｅ邐Ｆｅａｔｕｒｅ邐Ｆｅａｔｕｒｅｓ逡逑Ｈａｐｓ邐Ｈａｐｓ邐Ｍａｐｓ邐Ｍａｐｓ逡逑卷積層１邐池化層邐卷和層２邋１——Ｉ池化層一全連接層：逡逑圖２－１邋ＣＮＮ的基本結(jié)構(gòu)逡逑１邋？卷積層逡逑卷積層是實現(xiàn)ＣＮＮ特征提取功能的核心結(jié)構(gòu)，拍如其名宇＞邋該層對于輸入的圖逡逑像做卷積運算。此處卷積運算的數(shù)學(xué)原理與圈像的濾波是一致的，它們都需要使用一逡逑個稱為濾波核＿＿〔在ＣＮＮ中稱為卷積核）的矩陣與掘像．一個卷積．區(qū)域逐元素．相乘后求逡逑和，由此得到卷積啟圖像的一個像素值。接下來使用滑動窗口的形式遍歷整個圖像即逡逑可得到卷積后的圖像。ＣＮＮ中卷積層與圖像濾波的不同之處在于，圖像濾波運算的逡逑濾波核是人工設(shè)計好的固定樣式的濾波核，例如高斯濾波、中值濾波等；而ＣＮＮ中逡逑的卷積運算中的卷積核使用隨機初始化賦值并在網(wǎng)絡(luò)模型的訓(xùn)練過程中由反向傳播逡逑（ＢＰ）算法進行調(diào)整。ＣＮＮ中的卷積操作還需加上一個偏置項得到最后的輸出，其逡逑具體操作如下式。逡逑４邋＝邐（２－１）逡逑ｉ＆Ｍｊ逡逑其中，ｚ；表示第／層卷積層的第ｊ個未激活輸出，ｘ丨表示第（層的輸入，也就是逡逑前一層的輸出（在本文公式中

邐－￣￣＜逐元素相乘邐？邋５邋－４邋０邋ｒ＜求和〉逡逑Ｔ｜邋０邋Ｉ邋６逡逑圖邋２．－２．邋ＣＮＮ邋中：卷積運算an理，ｋｓｉｚｅ＝３，ｓｔｒｉｄｅ＝ｌ，邋ｐａｄｄｉｎｇ＝０逡逑在圖２－２所示的卷積運算下，被卷積的圖像邊緣像素并不會作為卷積運算的中心，逡逑＿此卷積之后的圖像大小會發(fā)生改變。在實際ＣＮＮ的卷積運算中，卷積運算具有三逡逑個超參數(shù)，它們影響卷積操作之后圖像的大小。卷積核大�。ǎ耄螅椋澹┲傅氖菂⑴c卷積逡逑運算的權(quán)桯的長和寬；步長（ｓｔｒｉｄｅ）指的是滑窗的步幅；填充（ｐａｄｄｉｎｇ）指的是在圖逡逑像的邊緣以外填充一些像素，保證圖像的邊緣像素也能夠成為卷積運算的中心。三者逡逑與被卷積圖像、卷積后圖像的大小關(guān)系如下式。逡逑Ｈ邋Ｈ－ｋｓｉｚｅ邋＋邋ｐａｄｄｉｎｇ邋｜邋１邐⑴）逡逑ｓｔｒｉｄｅ逡逑Ｈ表示輸入數(shù)據(jù)的長度或者寬度，丑’表亦輸出數(shù)據(jù)的長度或者寬度。由式（２－２〉逡逑可知，在圖像邊緣沒有填充（ｐａｄｄｉｎｇ＝０）的情況下，卷積的步長越大，得到的特征圖逡逑大小就會成倍縮小，在實際應(yīng)用中往往通過設(shè)置較大的步長實現(xiàn)特征圖的降維。逡逑２■激活層逡逑從式（２－１）可知，卷積運算得到的結(jié)果實際上是一個線性組合的計算過程。為使逡逑模型更加具有季線性的表達能力

３．池化層誤差反向傳播逡逑假設(shè)＜５；為第／層的誤差冱該層＿輸出層，其下一層是池化層，并且已知該池化層逡逑的誤差。按照（２－１０）式的思想，有：逡逑ｄＣ邋ｄｚ�。卞义显姡ǎ玻В保梗╁义掀溴荆卞澹藉澹洌铮鳎睿螅幔恚穑冢澹椋兀剑�，根據(jù)池化方法的不＿選用的降采樣方法也不逡逑一樣。池化層沒有需要學(xué)習(xí)的參數(shù)，但是降采樣函數(shù)造成了數(shù)據(jù)維度上的變化，因此逡逑需要一個上采樣的過程使本層誤差數(shù)據(jù)表示的維度恢復(fù)到采樣前，上采樣方法與池化逡逑方法有關(guān)。式（２－１９）寫為：逡逑８ｌｋ邋＝邋ｕｐｓａｍｐｌｅ邋（＾＋１）邋0邋ｃｒ＇邋（邋４邋）邐（．２－２０）逡逑ＭｐｓａｍＰＺｅ（＿）函數(shù)根據(jù)不同的池化方法進行不同的操作。若采用最大池化方法，逡逑則上采樣函數(shù)將誤差矩陣衫＋１以０填充的方法恢復(fù)到采樣前的大小，然后將５（＋１中的逡逑值放回其采樣位置中；若采用平均池化，同樣先將衫＋１恢復(fù)到采樣前的大小，然后將逡逑被＋１每個值平均到對應(yīng)的池化域中。上采樣函數(shù)的操作示意圖如圖２－４所示。逡逑

【參考文獻】

相關(guān)期刊論文 前4條

1 張瑞杰;李弼程;魏福山;;基于多尺度上下文語義信息的圖像場景分類算法[J];電子學(xué)報;2014年04期

2 楊昭;高雋;謝昭;吳克偉;;局部Gist特征匹配核的場景分類[J];中國圖象圖形學(xué)報;2013年03期

3 曹瑩;苗啟廣;劉家辰;高琳;;AdaBoost算法研究進展與展望[J];自動化學(xué)報;2013年06期

4 殷慧;曹永鋒;孫洪;;基于多維金字塔表達和AdaBoost的高分辨率SAR圖像城區(qū)場景分類算法[J];自動化學(xué)報;2010年08期

相關(guān)碩士學(xué)位論文 前1條

1 李琰婷;基于偏微分方程的可見光圖像增強方法及實現(xiàn)[D];長春理工大學(xué);2014年

本文編號：2820281