隨著數(shù)字圖像應(yīng)用的不斷普及,圖像增強(qiáng)技術(shù)的重要性也愈發(fā)凸顯。進(jìn)幾年來,深度學(xué)習(xí)技術(shù)的不斷進(jìn)步帶動了圖像增強(qiáng)算法性能的提升,但目前提高深度網(wǎng)絡(luò)的學(xué)習(xí)效率,提升算法在實(shí)際場景中的性能以及根據(jù)任務(wù)導(dǎo)向優(yōu)化算法等方面仍面臨著一些挑戰(zhàn)。本文基于實(shí)際的增強(qiáng)任務(wù),對其中的一些挑戰(zhàn)進(jìn)行了研究和討論。首先,圖像顏色的好壞是影響觀看體驗(yàn)的重要因素之一。我們根據(jù)顏色增強(qiáng)需要兼顧整體風(fēng)格和局部調(diào)整的特性,提出了一個通道級全局線性增強(qiáng)和像素級局部非線性增強(qiáng)相結(jié)合的多層級增強(qiáng)算法,該算法通過兩個級聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。其中,通道級全局增強(qiáng)是基于輸入圖像紅綠藍(lán)三通道的線性映射,映射系數(shù)由一個卷積神經(jīng)網(wǎng)絡(luò)預(yù)測。像素級局部增強(qiáng)則通過另一個卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)像素到像素的局部微調(diào),并且在網(wǎng)絡(luò)中引入了非局部模塊加強(qiáng)局部的關(guān)聯(lián)。全局增強(qiáng)能夠保留較好的整體顏色一致性,局部增強(qiáng)則能抑制局部的顏色失真。實(shí)驗(yàn)結(jié)果表明所提出的方法中各個模塊都能在一定程度上提升整體性能,并且完整算法的性能在量化指標(biāo)和主觀質(zhì)量上都超過了一些目前最先進(jìn)的算法。其次,實(shí)際場景中的圖像失真比較復(fù)雜,容易出現(xiàn)多種不同類型的失真疊加的情況。我們受到深度圖像先驗(yàn)的啟發(fā),提出了一個基于雙重先驗(yàn)學(xué)習(xí)的混合多失真增強(qiáng)算法,算法框架由圖像先驗(yàn)網(wǎng)絡(luò)和失真先驗(yàn)網(wǎng)絡(luò)構(gòu)成。其中圖像先驗(yàn)網(wǎng)絡(luò)利用圖像內(nèi)在先驗(yàn)從隨機(jī)噪聲生成清晰圖像,失真先驗(yàn)網(wǎng)絡(luò)則根據(jù)輸入圖像預(yù)測包含的失真類型和失真等級,再通過失真模型將清晰圖像轉(zhuǎn)換成失真圖像以此反向約束生成的清晰圖像。對抗學(xué)習(xí)的采用使得圖像先驗(yàn)網(wǎng)絡(luò)增強(qiáng)結(jié)果的分布與真實(shí)清晰圖像的分布相近以進(jìn)一步加強(qiáng)主觀質(zhì)量。我們對所提出算法進(jìn)行了詳細(xì)的實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明所提出的算法相比于原始的深度圖像先驗(yàn)?zāi)芨行У靥幚砦粗д骖愋秃偷燃壍幕旌隙嗍д鎴D像。此外,目前的增強(qiáng)算法普遍存在一些維度的質(zhì)量不可兼得的問題�；诖爽F(xiàn)象,我們進(jìn)一步討論了基于深度網(wǎng)絡(luò)的顏色增強(qiáng)模型和混合多失真增強(qiáng)模型在任務(wù)導(dǎo)向下的優(yōu)化。其中,針對顏色增強(qiáng)模型,本文討論了常見的感知損失函數(shù)和對抗訓(xùn)練的影響。針對混合多失真增強(qiáng)模型,則討論了引入同樣由深度網(wǎng)絡(luò)構(gòu)成的識別模型計算識別損失函數(shù)并反向優(yōu)化增強(qiáng)模型的影響。
【學(xué)位單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41;TP8
【部分圖文】：

一些專業(yè)的??學(xué)習(xí)和經(jīng)驗(yàn)的積累。并且，當(dāng)要處理大量圖片時，手動顏色增強(qiáng)也是一件十分消??耗時間的事情。為了解決上述問題，自動顏色增強(qiáng)（ａｕｔｏｍａｔｉｃ?ｃｏｌｏｒ?ｅｎｈａｎｃｅｍｅｎｔ）??技術(shù)應(yīng)運(yùn)而生。該任務(wù)的難點(diǎn)在于由于人眼的感知特征十分復(fù)雜，所以每個像素??的映射通常來說是非線性的，并且還同時受到整體（ｇｌｏｂａｌ）的風(fēng)格，局部（ｌｏｃａｌ）??的顏色和上下文（ｃｏｎｔｅｘｔ）關(guān)聯(lián)的影響。??■■??（ａ）原始（Ｒａｗ）圖像?（ｂ）修飾后的（Ｒｅｔｏｕｃｈｅｄ）圖像??圖１．１?一個圖像修飾樣例??對基于數(shù)字圖像的檢測識別系統(tǒng)而言，由于圖像采集環(huán)境和采集設(shè)備的多??１??

?第１章緒?論???樣性，現(xiàn)實(shí)場景中運(yùn)動，光照，噪聲，天氣，圖像壓縮等干擾因素都可能會影響??系統(tǒng)的穩(wěn)定性。如圖１．２，（ａ）－（ｅ）分別為真實(shí)場景中運(yùn)動模糊，低光照，噪聲，霧，??壓縮引起的圖像失真。利用增強(qiáng)算法對這些失真圖像進(jìn)行增強(qiáng)以還原出清晰的??圖像能夠降低干擾因素的影響，保持檢測識別系統(tǒng)的準(zhǔn)確性。在實(shí)際情形下，也??容易出現(xiàn)多種失真的疊加，如圖１．２，⑴出現(xiàn)了低光照，噪聲，模糊多種失真。由??于不同失真的特性不一樣，很難通過單一失真處理算法解決所有的失真。如果采??用不同失真依次處理的方式，前一個處理完的結(jié)果也會對后續(xù)的增強(qiáng)造成干擾。??因此，實(shí)際場景中混合多失真的增強(qiáng)處理是一個重要的挑戰(zhàn)。??Ｂｎ??ＨＢＨ?ｔ?Ｔ：?Ｍ??⑷．運(yùn)動模糊?（ｂ）．低光照?（ｃ）．噪聲??親Ｒ／??⑷．霧?（ｅ）．壓縮?（ｆ）？混合多失真??圖１．２現(xiàn)實(shí)場景圖像失真樣例??近幾年來，深度學(xué)習(xí)幫助不少計算機(jī)視覺任務(wù)（比如圖像識別［１＿５］，目標(biāo)檢??測［６＿１（）］，語義分割［９，Ｕ＿１４］等）取得了突破性的提升。與此同時，深度學(xué)習(xí)方法的??引入也極大地促進(jìn)了圖像增強(qiáng)技術(shù)（比如顏色增強(qiáng)，去模糊，圖像超分辨等）的??發(fā)展。通過構(gòu)建成對的數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的方法相比于傳統(tǒng)的方法具有??更強(qiáng)的泛化性能，但目前也仍面臨一些挑戰(zhàn)。??首先，如何設(shè)計更優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)以提升增強(qiáng)性能或者降低計算復(fù)雜度是當(dāng)??前一個重要的研究方向。一方面，對于不同的退化失真需要研究設(shè)計高效通用的??特征學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)和模塊，比如通用的殘差模塊［２］?（ｒｅｓｉｄｕａｌ?ｂｌｏｃｋ），密集連??接［４］?（ｄｅｎｓｅｃｏｎｎｅｃｔｉｎｇ）

?第２章卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)簡介???第２章卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)簡介??本章我們將介紹一些卷積神經(jīng)網(wǎng)絡(luò)的通用技術(shù)，這些內(nèi)容是后續(xù)章節(jié)研究??內(nèi)容的基矗目前深度學(xué)習(xí)技術(shù)的發(fā)展呈現(xiàn)出日新月異的狀態(tài)，涌現(xiàn)出了大量基??礎(chǔ)性的工作，為實(shí)際應(yīng)用提供了支撐。由于篇幅有限，在本章節(jié)我們只簡單介紹??本文研究內(nèi)容中會用到的方法。??２．１全連接??全連接［６７］?（ＦｕｌｌｙＣｏｎｎｅｃｔｅｄ，?ＦＣ）在神經(jīng)網(wǎng)絡(luò)前饋時實(shí)現(xiàn)的是向量到向量的??映射，且輸出向量中的每一個元素都由輸入向量中所有元素加權(quán)求和計算而來??（如圖２．１）。??廣一＇＇Ｘ?－—－＾（?２／１?）?ｙ＼?＝ｂｘ?■＋■?ｙ＂?ｕｊｕＸｊ??廣一／?（?Ｖ２?）?＝?ｉ＞２?＋?５３??（：��；?／?Ｖ??？?／?－??？?／?（?ｙｍ?１?ｙｍ?＝?ｂｍ?＋??０??圖２．１全連接層線性運(yùn)算示意圖??假設(shè)輸入ｎ維的特征向量Ｘ，?為ｍｘ？的權(quán)值矩陣，６是偏置向量，ｙ為輸??出向量，貝Ｕ??ｙ?＝?ｃｏｘ?＋?ｂ，?（２．１）??該運(yùn)算的總參數(shù)量為ｗ?Ｘ?ｎ?＋?ｍ。??２．２卷積??卷積［６７］是卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＣＮＮ）中最基礎(chǔ)的??操作之一。卷積是一種簡單的線性運(yùn)算，如圖２．２所示，通過卷積核在輸入特征??上滑動并計算局部的加權(quán)和可得到輸出特征上的對應(yīng)值。??８??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林森;劉世本;唐延?xùn)|;;多輸入融合對抗網(wǎng)絡(luò)的水下圖像增強(qiáng)[J];紅外與激光工程;2020年05期

2 姜雪松;姚鴻勛;;夜晚圖像增強(qiáng)方法綜述[J];智能計算機(jī)與應(yīng)用;2020年03期

3 朱明秀;;極端天氣條件下艦船圖像增強(qiáng)方法[J];艦船科學(xué)技術(shù);2020年12期

4 田煜衡;;基于暗通道模型的農(nóng)業(yè)用機(jī)井水下圖像增強(qiáng)算法[J];廣東蠶業(yè);2020年03期

5 孫玲姣;;基于Retinex理論的圖像增強(qiáng)算法研究[J];數(shù)碼世界;2016年12期

6 朱振軍;賈少華;;QMV141型微光圖像增強(qiáng)儀[J];輕兵器;2017年09期

7 馬曉濤;;基于同態(tài)濾波的艦船圖像增強(qiáng)方法[J];艦船科學(xué)技術(shù);2020年06期

8 賈玉福;胡勝紅;劉文平;王超;向書成;;使用條件生成對抗網(wǎng)絡(luò)的自然圖像增強(qiáng)方法[J];南京師大學(xué)報(自然科學(xué)版);2019年03期

9 李杰美慧;王謀;韓江鴻;吳丹陽;王惠剛;;小波變換在水下圖像增強(qiáng)中的應(yīng)用[J];技術(shù)與市場;2016年07期

10 胡布?xì)J;莫曉麗;;降質(zhì)圖像增強(qiáng)及評價的應(yīng)用[J];數(shù)字技術(shù)與應(yīng)用;2015年09期

相關(guān)博士學(xué)位論文 前10條

1 李亮亮;基于非下采樣剪切波變換的圖像增強(qiáng)算法研究[D];吉林大學(xué);2019年

2 朱若華;憶阻器集約模型及其信息處理應(yīng)用研究[D];武漢大學(xué);2019年

3 陳杰;基于色彩信息的圖像增強(qiáng)研究[D];南京郵電大學(xué);2017年

4 張憲紅;基于動力系統(tǒng)的圖像增強(qiáng)與分割算法及在林火遙感中應(yīng)用[D];東北林業(yè)大學(xué);2017年

5 丁暢;復(fù)雜海況環(huán)境下海面圖像增強(qiáng)方法研究[D];大連海事大學(xué);2018年

6 向文鼎;霧天及海洋環(huán)境下的圖像增強(qiáng)與復(fù)原技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所);2019年

7 劉玉紅;基于生物視覺感知機(jī)制的圖像增強(qiáng)及質(zhì)量評價的研究[D];電子科技大學(xué);2018年

8 侯國家;水下圖像增強(qiáng)與目標(biāo)識別算法研究[D];中國海洋大學(xué);2015年

9 趙欣慰;水下成像與圖像增強(qiáng)及相關(guān)應(yīng)用研究[D];浙江大學(xué);2015年

10 王月;面向產(chǎn)品裝配引導(dǎo)的增強(qiáng)現(xiàn)實(shí)虛實(shí)融合技術(shù)研究[D];西北工業(yè)大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 單超煒;任務(wù)驅(qū)動的深度學(xué)習(xí)圖像增強(qiáng)研究[D];中國科學(xué)技術(shù)大學(xué);2020年

2 劉鑫;基于深度學(xué)習(xí)的低照度圖像增強(qiáng)方法研究[D];天津大學(xué);2018年

3 秦月雅;交通標(biāo)志檢測與識別關(guān)鍵技術(shù)研究[D];長春理工大學(xué);2019年

4 李寧;基于視覺注意機(jī)制的圖像增強(qiáng)方法研究及應(yīng)用[D];濟(jì)南大學(xué);2019年

5 陳程俊;彩色圖像增強(qiáng)算法的研究與FPGA實(shí)現(xiàn)[D];華南理工大學(xué);2019年

6 卿文楊;單幅水下圖像增強(qiáng)算法研究[D];云南大學(xué);2018年

7 王仕女;全局與局部融合的圖像增強(qiáng)算法研究[D];杭州電子科技大學(xué);2019年

8 魏妍妍;低照度圖像增強(qiáng)與超分辨率重建算法研究[D];西安科技大學(xué);2019年

9 尹超;基于Retinex的低照度圖像增強(qiáng)算法研究[D];重慶郵電大學(xué);2018年

10 胥培;基于Retinex理論圖像增強(qiáng)研究[D];重慶郵電大學(xué);2018年

本文編號：2862006