圖像作為一種重要的信息載體,包含了豐富的信息,成為人們記錄生活、交流情感的主要方式。運動圖像去模糊作為圖像復原技術的一種,應用價值正在不斷增加。隨著人工智能時代的來臨,深度學習在圖像領域發(fā)揮著重要作用,生成對抗網絡GAN作為一個優(yōu)秀的生成模型,廣泛應用于圖像生成、修復、分類、風格遷移等領域。圖像去模糊歷來是圖像處理領域的研究熱點,如何改善網絡性能,加快訓練速度,提升圖像質量都成為了備受關注的焦點問題。為了使模型能用于真實場景中并進一步提高生成圖像的質量,本文以生成對抗網絡為基礎,有針對性地進行了改進和優(yōu)化,提出了解決去模糊問題的一種新思路。本文算法模型優(yōu)勢主要有以下幾點:1.使用真實拍攝的圖片作為訓練集,無論在成對和非成對的數(shù)據(jù)集下都能進行訓練,因此在真實場景下具有更強的泛化能力。2.運用圖像翻譯的方法,采用兩個“對偶形式”的條件生成對抗網絡,將圖像去模糊問題轉化為模糊域和清晰域之間相互轉換的問題。3.模型設計中采用全局殘差連接,以WGAN作為判別器,分別用ResNext、ResNetv2替代ResNet殘差網絡模塊,加入SFTGAN超分辨率重建結構提升圖像邊緣、紋理效果,最終還原出清...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖2.10常規(guī)CNN網絡分類準確率隨網絡層數(shù)的變化

緄?深度對模型的性能有著非常重要的作用，網絡層數(shù)越深，就能夠進行更為復雜的特征模式提取，所以按理說當模型更深時結果自然會更出色，大量的實驗均可以印證這一點。但是，更深的網絡其性能一定會更好嗎？為什么有些時候CNN網絡層數(shù)增加分類的準確率反倒下降了呢？是因為模型參數(shù)過多表達能力太強....

圖3.13加噪GoPro數(shù)

基于生成對抗網絡的圖像去運動模糊算法研究46（c）MPRNet(PSNR=32.10)（d）DRSN-GAN(PSNR=32.15)圖3.13加噪GoPro數(shù)據(jù)集的去模糊效果Fig.3.13DeblurringeffectofGoProdatasetwithnoise（a）清晰圖....

圖3.14加噪Khler數(shù)

基于生成對抗網絡的圖像去運動模糊算法研究46（c）MPRNet(PSNR=32.10)（d）DRSN-GAN(PSNR=32.15)圖3.13加噪GoPro數(shù)據(jù)集的去模糊效果Fig.3.13DeblurringeffectofGoProdatasetwithnoise（a）清晰圖....

圖4.6GoPro測試集結果

基于生成對抗網絡的圖像去運動模糊算法研究544.4.2主觀對比評價為了綜合評估算法的優(yōu)劣，下面將從主觀的角度分析各種算法的優(yōu)劣。圖4.6、4.7、4.8分別是各個算法在GoPro、Khler、Lai三個數(shù)據(jù)集上的可視化結果。一張圖像分別篩選了兩個位置進行放大顯示，以便能夠更加清楚....

本文編號：3892469