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(lái)源,是人類表達(dá)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(jì)算機(jī)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(zhǎng),使用計(jì)算機(jī)處理大量的數(shù)字圖像完成相關(guān)計(jì)算機(jī)視覺(jué)任務(wù)成為必行的趨勢(shì)。在眾多計(jì)算機(jī)視覺(jué)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(yùn)用到圖像分類、目標(biāo)識(shí)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(lái)支持訓(xùn)練,其收斂速度、過(guò)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(chǎng)景下以及具體應(yīng)用中,仍需要對(duì)CNN結(jié)構(gòu)進(jìn)行優(yōu)化以取得更好的效果。本文在對(duì)現(xiàn)有文獻(xiàn)的研究基礎(chǔ)下,對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景圖像分類以及低照度圖像增強(qiáng)兩個(gè)問(wèn)題進(jìn)行研究。主要研究?jī)?nèi)容包括:(1)針對(duì)現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的場(chǎng)景識(shí)別算法無(wú)法處理目標(biāo)場(chǎng)景圖像是多光譜圖像的問(wèn)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(chǎng)景識(shí)別方法。利用改進(jìn)的CNN結(jié)構(gòu)綜合多個(gè)光譜上的信息,結(jié)合預(yù)訓(xùn)練方法,有效提升了場(chǎng)景的分類精度。(2)針對(duì)一般CNN使用池化層對(duì)特征進(jìn)行降維操作,造成信息損失,影響網(wǎng)絡(luò)表達(dá)能力的問(wèn)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(lái)的特征,提高了網(wǎng)絡(luò)性能。同時(shí),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(qiáng)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(jì)的參數(shù),實(shí)現(xiàn)端到端的低照度圖像增強(qiáng)。通過(guò)模擬數(shù)據(jù)實(shí)驗(yàn)以及真實(shí)低照度圖像增強(qiáng)實(shí)驗(yàn)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(duì)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(jí)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(jì)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(duì)各層進(jìn)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(shí)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(duì)于輸入的圖逡逑像做卷積運(yùn)算。此處卷積運(yùn)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(gè)稱為濾波核＿＿〔在ＣＮＮ中稱為卷積核）的矩陣與掘像．一個(gè)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(gè)像素值。接下來(lái)使用滑動(dòng)窗口的形式遍歷整個(gè)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(yùn)算的逡逑濾波核是人工設(shè)計(jì)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(yùn)算中的卷積核使用隨機(jī)初始化賦值并在網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中由反向傳播逡逑（ＢＰ）算法進(jìn)行調(diào)整。ＣＮＮ中的卷積操作還需加上一個(gè)偏置項(xiàng)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(gè)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(yùn)算an理，ｋｓｉｚｅ＝３，ｓｔｒｉｄｅ＝ｌ，邋ｐａｄｄｉｎｇ＝０逡逑在圖２－２所示的卷積運(yùn)算下，被卷積的圖像邊緣像素并不會(huì)作為卷積運(yùn)算的中心，逡逑＿此卷積之后的圖像大小會(huì)發(fā)生改變。在實(shí)際ＣＮＮ的卷積運(yùn)算中，卷積運(yùn)算具有三逡逑個(gè)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(yùn)算的權(quán)桯的長(zhǎng)和寬；步長(zhǎng)（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(yùn)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(zhǎng)度或者寬度，丑’表亦輸出數(shù)據(jù)的長(zhǎng)度或者寬度。由式（２－２〉逡逑可知，在圖像邊緣沒(méi)有填充（ｐａｄｄｉｎｇ＝０）的情況下，卷積的步長(zhǎng)越大，得到的特征圖逡逑大小就會(huì)成倍縮小，在實(shí)際應(yīng)用中往往通過(guò)設(shè)置較大的步長(zhǎng)實(shí)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(yùn)算得到的結(jié)果實(shí)際上是一個(gè)線性組合的計(jì)算過(guò)程。為使逡逑模型更加具有季線性的表達(dá)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(méi)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(gè)上采樣的過(guò)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(xiě)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(jìn)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(gè)值平均到對(duì)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(xiàn)】

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(yǔ)義信息的圖像場(chǎng)景分類算法[J];電子學(xué)報(bào);2014年04期

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

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

4 殷慧;曹永鋒;孫洪;;基于多維金字塔表達(dá)和AdaBoost的高分辨率SAR圖像城區(qū)場(chǎng)景分類算法[J];自動(dòng)化學(xué)報(bào);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(jiàn)光圖像增強(qiáng)方法及實(shí)現(xiàn)[D];長(zhǎng)春理工大學(xué);2014年

本文編號(hào)：2820281