發(fā)布時(shí)間：2022-01-06 08:43

　　增強(qiáng)圖像質(zhì)量一直是圖像處理領(lǐng)域研究的熱點(diǎn)問題,比如去除圖像中的噪聲、對(duì)圖像中某些部分進(jìn)行增強(qiáng)或者抑制、或者改變圖像的亮度等,從而提高圖像的質(zhì)量。隨著深度學(xué)習(xí)方法在圖像處理中的廣泛應(yīng)用,卷積神經(jīng)網(wǎng)絡(luò)為圖像恢復(fù)和重建提供了新的研究思路,流行的卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)圖像處理應(yīng)用算法的結(jié)合給研究帶來了更多的創(chuàng)新和應(yīng)用研究方向。本文主要圍繞基于卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪和超分辨率重建任務(wù)進(jìn)行展開,研究包括:（1）提出了基于殘差單元和小波變換的圖像去噪對(duì)稱模型。該模型是基于殘差學(xué)習(xí)算法和多級(jí)小波變換設(shè)計(jì)的對(duì)稱結(jié)構(gòu)模型,結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的表征能力和小波分解算法的優(yōu)點(diǎn),在自定義殘差單元使用預(yù)激活層和優(yōu)化了深層網(wǎng)絡(luò)的復(fù)雜冗余結(jié)構(gòu),防止了模型的梯度消失問題和避免使用下采樣導(dǎo)致圖像特征細(xì)節(jié)丟失。此外,該方法采用兩個(gè)大小不同訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練,證明了該網(wǎng)絡(luò)使用較大訓(xùn)練數(shù)據(jù)樣本可以有效地提升模型性能。該方法在一定程度上提升了網(wǎng)絡(luò)模型在高斯噪聲環(huán)境下的去噪性能,獲得更高的圖像恢復(fù)質(zhì)量評(píng)估值和更好的視覺效果。（2）提出了融合不同顏色空間的深度學(xué)習(xí)彩色圖像超分辨率重建模型�；诓煌士臻g的一幅圖像從圖像處理角度而言... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２卷積運(yùn)算示意圖??２一

?第２章圖像恢復(fù)研究基礎(chǔ)???表２．１?ＢＮ網(wǎng)絡(luò)層的前向傳導(dǎo)算法??輸入：ｘ?在?ｍｉｎｉ－ｂａｔｃｈ?上的值：０；??ｍ：樣本集合數(shù)量；￡是趨近于０的數(shù)；要學(xué)習(xí)的參數(shù)：ｙ，ｐ。??—輸出？？?｛％＝廈？⑷｝?—??丄?Ｓ?ｘ，?／／ｍｉｎｉ－ｂａｔｃｈ?平均值值??ｍ?ｉ＝ｘ??ｃｒ＾?－／ｕｐ、?／／ｍｉｎｉ－ｂａｔｃｈ?方差??ｈ?Ｘ「＾?／／歸一化??ｙｊｃＴｆｉ?＋￡??ｙ，?＜—?ｙｘｔ＋ｆｔ三ＢＮｉｐ＾Ｘｉ＾?／／縮放和平移參數(shù)向量??輸入Ｍｘｌ＾?輸出Ｍｓｌ＾ｌ???＊??？??歸－化?変播重構(gòu)ｙ激ｇｇ輸入??圖２．３?ＢＮ網(wǎng)絡(luò)層的前向傳導(dǎo)過程圖??（３）激活函數(shù)層??在卷積神經(jīng)網(wǎng)絡(luò)中，由于卷積層和池化層具備較強(qiáng)線性表征能力，難以應(yīng)??對(duì)大多數(shù)遇到的非線性問題。因此需要在卷積層后加上激活函數(shù)來擬合非線性??的函數(shù)，使ＣＮＮ具有非線性表達(dá)能力。在研究應(yīng)用中常用的激活函數(shù)有Ｓｉｇｍｏｉｄ??函數(shù)和修正線性單元（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔ，?ＲｅＬＵ），可以加快模型的訓(xùn)練速度，??函數(shù)表達(dá)式如公式２．３和公式２．４所示。??■ＳＶｇｗｏＷ函數(shù)表達(dá)式為：??Ｓｉｇｍｏｉｄ?｛ｘ）?＝「匕?（２．３）??１?＋?ｅ??修正線性單元（ｉ？ｅＬＬ〇表達(dá)式為：??ＲｅＬＵ｛ｘ）?＝?ｍａｘ（０，?ｊｃ）?（２．４）??１１??

?第２章圖像恢復(fù)研宄基礎(chǔ)???（４）池化層??池化層也稱為欠采樣或下采樣，主要起到特征降維的作用，在圖像領(lǐng)域用??于減小特征空間的維度，根據(jù)圖像的局部相關(guān)性保留關(guān)鍵的圖像特征，同時(shí)縮??減網(wǎng)絡(luò)模型中的參數(shù)量達(dá)到降低計(jì)算成本的目的。如圖２．４，常用的池化操作有??最大池化（Ｍａｘ?Ｐｏｏｌｉｎｇ）和平均池化（Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ），即使用最大池化時(shí)，輸出??為區(qū)域的最大數(shù)值，而使用平均池化時(shí)，輸出結(jié)果為輸入?yún)^(qū)域的平均值。??Ｍａｘ?Ｐｏｏｌｉｎｇ??????２０?３０??１２?２０?３０?〇?！??１１２?３７??８?１２?２?０????３４?７０?３７?４?＾?????Ａｖｅｒａｇｅ?Ｐｏｏｌｉｎｇ??１１２?１００?２５?１２????????１３?８??７９?２０??圖２．４池化操作示意圖??（５）損失函數(shù)??損失函數(shù)是用來估量模型中預(yù)測(cè)值與真實(shí)值之間存在的誤差，即存在損失??函數(shù)越小，模型的魯棒性就越好。為了使網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值數(shù)據(jù)之間盡可能??接近，在模型訓(xùn)練過程中需要對(duì)損失函數(shù)進(jìn)行優(yōu)化，以便獲得的輸出預(yù)測(cè)值越??逼近真實(shí)值。常用的損失函數(shù)有均方誤差（Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ，?ＭＳＥ）和交叉摘損??失函數(shù)，其函數(shù)定義如公式２．５和公式２．６。??均方誤差損失函數(shù)：??５?＝?（２．５）??丄Ｘ??其中，Ｓ表示損失函數(shù)，Ｘ是樣本，凡為網(wǎng)絡(luò)期望值，１網(wǎng)絡(luò)的輸出預(yù)測(cè)值。??交叉熵?fù)p失函數(shù)：??５?＝?＾：［〇？ｌｎ《?＋?（ｌ?—／？）ｌｎ（ｌ－９））?（２．６）??其中，Ｓ表示損失函數(shù)，ＴＶ表示樣本數(shù)量，Ｘ是樣本，ｐ為網(wǎng)絡(luò)期望


本文編號(hào)：3572139