基于生成对抗网络的运动模糊消除及色彩增强研究

发布时间：2021-08-01 10:31

　　图像是一种具有巨大使用价值的信息载体。不仅如此,具有一定审美能力的人能从图像的构图和色彩中发现美。从社会发展来看,图像起着举足轻重的作用。在图像处理领域中存在着两个经典的问题,运动模糊消除和图像色彩增强。随着深度学习的发展,在神经网络模型的帮助下,对这两个问题的研究都取得了显著的进展。在以往的研究中,都是以两个不同的模型来处理两者,这势必会增加总的处理时间。本文的研究致力于实现一种能同时增强运动模糊图像的清晰度和色彩的多任务图像增强模型。本文主要的研究工作如下:1.基于编码-解码器的卷积网络结构构造了能将模糊图像恢复成清晰且色彩饱满的图像生成器。该生成器中采用了残差连接,提升了模型抓取图像特征的敏感度。在中部的卷积层中应用了嵌套式的残差连接,这种连接方式有利于模型优化并能使模型提取到复杂的特征信息。在编码器和解码器之间应用了跳跃拼接操作,使模型避免了特征信息在经过多层卷积操作后出现丢失的情况。2.基于Wasserstein距离构建了适用于本研究的多任务生成对抗网络。由于原生生成对抗网络的判别器的损失函数使得该模型在理论上去优化一个常数而不能实现生成图像与目标图像逐步靠近。因此,本文在只... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

Valid填充方式

重庆邮电大学硕士学位论文第2章深度学习的基础知识12核参数和对应的偏置量。公式2.2中h表示卷积核的高，w表示卷积核的宽。Wab表示卷积核中第a行第b列的参数，Nab表示卷积核在输入图像中对应感受野中的第a行第b列的像素值。当卷积核在对新的特征图估算的时候，其移动的步长能决定新输出特征图的尺寸。如果要使得输出的特征图尺寸保持不变，就要设置卷积核移动的步长为1并采用边界填充的方式。边界填有三种方式。Vaild代表不填充，如图2.1所示，输入图像尺寸为4*4，卷积核的尺寸为3*3，步长为1，输出的特征图尺寸为2*2。这种填充方式会使得卷积核处理后的特征图尺寸小于原输入图像。Same代表边界以0值填充。如图2.2所示，输入图像的尺寸为4*4，卷积核尺寸为3*3,步长为1，输出特征图的尺寸同样为4*4。这种填充方式能使得图像在经过卷积核处理后得到相同尺寸的特征图。最后还有一种填充方式为Full，该种方式能指定边界填充宽度，效果类似Same填充方式。图2.1Valid填充方式图2.2Same填充方式2.1.2池化层一种有效的网络模型一般都具有一定数量的卷积层，少者十几层，多则几十上百层。卷积操作后的特征图尺寸缩小量比较小，同时特征图的深度也增加了。因此如果不减少特征图尺寸的话，网络中要处理更多的图像信息，这样会加剧网络的负担。池化层便是一种缩减特征图尺寸的操作。目前常用的两种池化操作为平均池化

平均池化操作

【参考文献】：
期刊论文
[1]基于改进直方图的低照度图像增强算法[J]. 何畏.  计算机科学. 2015(S1)
[2]基于小波变换的低照度图像自适应增强算法[J]. 李庆忠,刘清.  中国激光. 2015(02)



本文编号：3315367