發(fā)布時間：2022-11-09 21:36

　　圖像質(zhì)量與很多計算機視覺相關(guān)技術(shù)的效果息息相關(guān),高質(zhì)量的圖像可以帶來更多信息。日常生活中的很多因素都可以直接或間接地影響圖像質(zhì)量,低光照便是其中之一。如果能對低光照圖像進行預處理來提升圖像質(zhì)量,計算機視覺任務的效果可以得到提升,例如夜間,深海環(huán)境以及其他低光照條件下的圖像識別與圖像分割等任務。因此,對低光照圖像增強進行研究具有重要的實際應用價值與理論意義。本文主要針對低光照場景下的圖像增強算法進行了研究。目前很多基于深度學習的低光照圖像增強模型都建立在Retinex理論上,這意味著他們通常需要訓練額外的分解網(wǎng)絡(luò)來分離亮度圖與反射圖,而這樣會增大模型的參數(shù)量與計算量。本文提出的基于多路徑卷積神經(jīng)網(wǎng)絡(luò)的低光照圖像增強方法相比于以往的低光照圖像增強算法可以避免這些缺陷。本文首先介紹了一些數(shù)字圖像與卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論,并對相關(guān)的低光照圖像增強方法進行梳理與探討,然后對研究方法與內(nèi)容進行描述。本文詳細描述了提出多路徑卷積結(jié)構(gòu)的動機,假設(shè)與結(jié)果,系統(tǒng)地設(shè)計了實驗并進行驗證。本文的主要貢獻包括:1)針對低光照圖像增強任務,本文提出了兩種能夠處理不同曝光條件的基于多路徑卷積神經(jīng)網(wǎng)絡(luò)的圖像增強方法。... 

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景
    1.2 研究目的與意義
    1.3 低光照圖像增強的研究現(xiàn)狀
        1.3.1 基于直方圖均衡的低光照圖像增強
        1.3.2 基于Retinex理論的低光照圖像增強算法
        1.3.3 基于深度學習的低光照圖像增強算法
    1.4 主要研究內(nèi)容
    1.5 章節(jié)安排
第2章 理論背景知識介紹
    2.1 直方圖均衡
    2.2 色彩空間
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層
        2.3.2 激活層
        2.3.3 池化層
        2.3.4 批標準化處理
        2.3.5 感受野
    2.4 本章小結(jié)
第3章 基于多路徑卷積神經(jīng)網(wǎng)絡(luò)的低光照圖像增強
    3.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計動機與假設(shè)
    3.2 使用卷積網(wǎng)絡(luò)驗證假設(shè)
        3.2.1 色彩空間轉(zhuǎn)換的使用方式
        3.2.2 加入批標準化層
        3.2.3 網(wǎng)絡(luò)結(jié)構(gòu)的影響
        3.2.4 全局信息對亮度與色度的影響
        3.2.5 增加結(jié)構(gòu)相似性損失函數(shù)
    3.3 低光照多路融合增強網(wǎng)絡(luò)
    3.4 低光照雙路增強網(wǎng)絡(luò)
        3.4.1 亮度網(wǎng)
        3.4.2 色度網(wǎng)
        3.4.3 融合層
    3.5 本章小結(jié)
第4章 實驗細節(jié)與結(jié)果分析
    4.1 數(shù)據(jù)集
    4.2 實驗環(huán)境與實施細節(jié)
    4.3 評估指標
        4.3.1 峰值信噪比
        4.3.2 結(jié)構(gòu)相似性
        4.3.3 自然圖像質(zhì)量評估
        4.3.4 亮度順序誤差
    4.4 實驗結(jié)果與分析
        4.4.1 驗證假設(shè)實驗的實驗結(jié)果
        4.4.2 網(wǎng)絡(luò)模型在測試集上的結(jié)果
        4.4.3 部分結(jié)果圖片展示
    4.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝


【參考文獻】：
期刊論文
[1]圖像亮度精確控制的雙直方圖均衡算法[J]. 江巨浪,王振東,鐘倫超,吳翰.  電子科技大學學報. 2018(01)



本文編號：3704935