數(shù)字圖像修復(fù)是指利用破損圖像缺失區(qū)域的鄰域信息,遵循一定的規(guī)則復(fù)原出缺失區(qū)域,使得人眼看不出明顯的修復(fù)痕跡。傳統(tǒng)的圖像修復(fù)算法由于修復(fù)策略缺陷和模型表征能力的限制,在一些復(fù)雜情況下無(wú)法取得令人滿意的修復(fù)結(jié)果。深度學(xué)習(xí)以其強(qiáng)大的特征學(xué)習(xí)和提取能力,在圖像修復(fù)領(lǐng)域特別是圖像語(yǔ)義修復(fù)上取得了耀眼的成績(jī)。然而,現(xiàn)階段的基于深度學(xué)習(xí)的圖像修復(fù)算法在很多方面仍然值得改進(jìn)和完善,如訓(xùn)練不穩(wěn)定、準(zhǔn)確性不足等。本文致力于研究深度學(xué)習(xí)在圖像修復(fù)中的應(yīng)用。針對(duì)現(xiàn)存圖像修復(fù)算法的缺陷和存在的問題,提出了兩種基于深度學(xué)習(xí)的圖像修復(fù)算法。具體研究?jī)?nèi)容如下:（1）針對(duì)傳統(tǒng)圖像修復(fù)算法修復(fù)策略的缺陷和模型表征能力的不足,提出了基于深度自編碼器的圖像修復(fù)算法。在算法中訓(xùn)練了一個(gè)多任務(wù)深度自編碼器,能夠同時(shí)完成圖像特征的提取和缺失像素的預(yù)測(cè)�？紤]到自然圖像具有局部相關(guān)性和非局部自相似性,算法使用局部信息對(duì)缺失像素進(jìn)行預(yù)測(cè),使用非局部信息對(duì)預(yù)測(cè)進(jìn)行矯正,提高修復(fù)的準(zhǔn)確性。此外,為了改善誤差傳播問題,提出了一種基于支撐域和預(yù)測(cè)值的聯(lián)合置信度的自適應(yīng)修復(fù)順序。（2）針對(duì)現(xiàn)有的面向語(yǔ)義信息丟失的圖像修復(fù)算法中存在的缺陷,提出了基... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

數(shù)字圖像修復(fù)技術(shù)的分類圖像修復(fù)技術(shù)最早用于修復(fù)圖像中細(xì)小劃痕等小范圍缺失，受人腦視覺擴(kuò)散

基于深度學(xué)習(xí)的圖像修復(fù)方法研究7第二章相關(guān)理論和算法研究2.1引言圖像修復(fù)(imageinpainting)是指利用圖像缺失部分鄰域的信息和圖像整體的結(jié)構(gòu)信息，按照一定的規(guī)則對(duì)缺失區(qū)域進(jìn)行修復(fù)，使得修復(fù)后的圖像具有視覺上的連貫性和完整性。根據(jù)人類視覺心理學(xué)的要求，修復(fù)后的圖像應(yīng)保持結(jié)構(gòu)相同，修復(fù)的邊界的色彩應(yīng)過渡平滑且紋理保持一致。如圖2-1所示，X是一張待修復(fù)的受損的圖像，可看作由完好區(qū)域S和缺失區(qū)域U組成，圖像的修復(fù)過程就是建立修復(fù)模型，根據(jù)完好區(qū)域S的有效信息來重建缺失區(qū)域U的內(nèi)容。圖2-1圖像修復(fù)示意圖本文主要致力于研究深度學(xué)習(xí)在圖像修復(fù)領(lǐng)域的應(yīng)用。針對(duì)傳統(tǒng)圖像修復(fù)算法的缺陷，本文提出了基于深度自編碼器神經(jīng)網(wǎng)絡(luò)的圖像修復(fù)算法，并通過分析生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)在圖像修復(fù)上的應(yīng)用，提出了基于生成對(duì)抗網(wǎng)絡(luò)的漸進(jìn)式圖像修復(fù)算法。本章首先介紹評(píng)價(jià)圖像修復(fù)效果常用的指標(biāo)，并對(duì)算法中涉及到的相關(guān)算法和技術(shù)進(jìn)行詳細(xì)介紹。2.2圖像修復(fù)的評(píng)價(jià)指標(biāo)圖像修復(fù)是一個(gè)病態(tài)的逆問題，圖像缺失部分的真實(shí)值在修復(fù)過程中無(wú)法獲取，這意味著無(wú)法求得和原始圖像完全一致的解，因此，采用合理的評(píng)價(jià)指標(biāo)來評(píng)估算法的修復(fù)效果十分重要，合理的評(píng)價(jià)指標(biāo)有助于網(wǎng)絡(luò)的訓(xùn)練和修復(fù)效果的提高。目前，在數(shù)字圖像修復(fù)領(lǐng)域常用的客觀評(píng)價(jià)指標(biāo)有：峰值信噪比(PeakSignaltoNoiseRatio,PSNR)[23]和結(jié)構(gòu)相似性(StructureSimilarityIndex,SSIM)[24]。峰值信噪比(PSNR)是用來衡量圖像失真或噪聲水平的客觀評(píng)價(jià)指標(biāo)，常用于

基于深度學(xué)習(xí)的圖像修復(fù)方法研究912222212(2)(2)(,)()()IIIIIIIIuuCCSSIMIIuuCC\*MERGEFORMAT(2-7)2.3深度學(xué)習(xí)深度學(xué)習(xí)(DeepLearning,DL)是機(jī)器學(xué)習(xí)(MachineLearning,ML)的一個(gè)分支，常用來學(xué)習(xí)數(shù)據(jù)的內(nèi)在規(guī)律和潛在表達(dá)。深度學(xué)習(xí)模型一般采用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，常見的深度學(xué)習(xí)模型有自動(dòng)編碼器(Auto-Encoder,AE)，卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork,CNN)和生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)(GenerativeAdversarialNetwork,GAN)等。近年來，深度學(xué)習(xí)憑借在捕捉圖像結(jié)構(gòu)和紋理等深層特征上的卓越能力，可以擬合各種復(fù)雜的數(shù)據(jù)分布，在圖像分類、語(yǔ)義分割和目標(biāo)檢測(cè)等領(lǐng)域均取得了突破性的進(jìn)展。其中，生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)(GAN)由于其強(qiáng)大的生成能力，具有一定的“想象力”，在圖像生成和修復(fù)領(lǐng)域取得了耀眼的成就。本節(jié)將對(duì)本文所涉及到的一些深度學(xué)習(xí)概念和模型進(jìn)行詳細(xì)介紹。2.3.1自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)自動(dòng)編碼器(Auto-Encoder,AE)神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典的無(wú)監(jiān)督學(xué)習(xí)算法，經(jīng)過訓(xùn)練后能夠嘗試將輸入數(shù)據(jù)在輸出端進(jìn)行復(fù)現(xiàn)，完成數(shù)據(jù)壓縮，最早由Rumelhart等人[25]提出。2006年，Hinton[26]將其作為一種數(shù)據(jù)降維的方法發(fā)表在Science上，由此產(chǎn)生了深度自動(dòng)編碼器(DeepAutoEncoder,DAE)。Vicent等人[27]通過給輸入數(shù)據(jù)添加噪聲，提出了去噪自編碼器(DenoisingAutoEncoder)，訓(xùn)練后的去噪自編碼器不僅能夠在輸出端重建輸入數(shù)據(jù)，還能在一定程度上去除數(shù)據(jù)中的噪聲，增強(qiáng)了自編碼器的魯棒性。經(jīng)典的自編碼器有三層，分別是輸入層、隱藏層和輸出層，如圖2-2所示是經(jīng)典的自編碼器結(jié)構(gòu)示意圖。圖2-2自編碼器結(jié)構(gòu)示意圖我們一般將輸入層和隱藏層合在一起稱為編碼器，將隱藏層和輸出層合在一

【參考文獻(xiàn)】：
期刊論文
[1]基于優(yōu)先權(quán)改進(jìn)和塊劃分的圖像修復(fù)[J]. 曾接賢,王璨.  中國(guó)圖象圖形學(xué)報(bào). 2017(09)
[2]基于Criminisi算法的圖像修復(fù)順序的研究[J]. 亓卓亞,蘇紅旗.  無(wú)線互聯(lián)科技. 2016(03)
[3]紋理和邊緣特征相結(jié)合的圖像修復(fù)算法[J]. 任澍,唐向宏,康佳倫.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2013(11)
[4]基于修復(fù)順序的圖像修復(fù)算法[J]. 張偉彬.  計(jì)算機(jī)工程與應(yīng)用. 2008(22)

博士論文
[1]基于樣本的紋理合成方法研究[D]. 孫利君.山東大學(xué) 2012

碩士論文
[1]正面人臉圖像眼鏡去除方法研究及系統(tǒng)實(shí)現(xiàn)[D]. 張利利.西安理工大學(xué) 2019
[2]基于生成對(duì)抗網(wǎng)絡(luò)的圖像修復(fù)算法研究[D]. 王一鳴.北京交通大學(xué) 2019
[3]基于深度學(xué)習(xí)的圖像修復(fù)方案設(shè)計(jì)與實(shí)現(xiàn)[D]. 卜彥超.吉林大學(xué) 2019
[4]基于全局與局部感知對(duì)抗網(wǎng)絡(luò)的圖像修復(fù)算法研究與實(shí)現(xiàn)[D]. 邱路發(fā).華中科技大學(xué) 2019
[5]基于生成式對(duì)抗網(wǎng)絡(luò)的圖像修復(fù)算法研究[D]. 趙立怡.西安理工大學(xué) 2018
[6]基于局部結(jié)構(gòu)的圖像修復(fù)算法研究[D]. 劉影.魯東大學(xué) 2016
[7]基于深度學(xué)習(xí)的人臉識(shí)別研究[D]. 尹曉燕.天津大學(xué) 2014
[8]基于分解的圖像和視頻修復(fù)算法研究[D]. 李翔.中南大學(xué) 2008



本文編號(hào)：3379347