基于深度学习的图像处理算法研究
发布时间：2022-11-05 03:20
随着智能手机和微单相机的普及,拍照已经变成人们日常生活中不可缺少的一部分,图像也已成为人类社会的重要信息媒介。然而受到拍照环境、设备和技术的影响,图像中难免会出现退化现象,如何从图像处理的角度提升拍摄照片的质量具有重要的研究意义与应用价值。近年来,深度学习技术得到了巨大的发展,并广泛应用于图像处理领域。相对于许多传统算法,深度学习技术从海量的训练数据中学习到的先验知识具有更强的泛化能力和更复杂的参数化表达,且无需调节算法参数以适应不同的应用场景。得益于上述优势,深度学习技术已经广泛应用于图像处理领域,如何利用深度学习算法提升图像处理的效果也变成了一个重要的研究方向。尽管深度学习技术显著促进了图像处理领域的发展,但是受限于其对训练数据的敏感性,在面对无标签、仅有弱标签或者合成伪标签的数据时,深度学习技术的优势难以充分体现。本学位论文针对以上挑战,重点研究了缺失完整数据标签的经典图像处理问题,包括图像平滑、反光去除和本征图像分解等。本文通过将上述问题抽象为对图像结构敏感的图像分解问题,将显著的目标边缘信息通过优化或者滤波的方式编码进深度学习的算法设计中。根据图像处理问题中数据标签的类型和数...
【文章页数】：208 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.1.1 研究内容
1.1.2 研究意义
1.1.3 深度学习技术的价值和挑战
1.2 国内外研究现状
1.2.1 图像平滑
1.2.2 基于反光的图像复原
1.2.3 本征图像分解
1.2.4 参数化图像处理
1.3 本文的主要工作和创新点
1.4 论文组织结构
第2章 基于无监督学习的空间自适应图像平滑算法
2.1 引言
2.2 基于无监督学习的空间自适应图像平滑算法
2.2.1 目标函数的定义
2.2.2 动态空间自适应的Lp平滑项
2.2.3 基于深度学习的优化
2.3 实现细节
2.4 方法分析和讨论
2.4.1 不同优化器的视觉效果
2.4.2 带有固定L_p分布的不同优化器的性能比较
2.4.3 带有动态L_p分布的不同优化器的性能比较
2.5 实验结果
2.5.1 自对比实验
2.5.2 与传统方法的对比
2.6 应用
2.6.1 图像抽象化和铅笔素描
2.6.2 细节增强
2.6.3 纹理去除
2.6.4 基于内容的图像处理
2.7 本章小结
第3章 基于弱监督学习的图像反光去除算法
3.1 引言
3.2 基于弱监督学习的图像反光去除算法
3.2.1 边缘学习算法
3.2.2 图像重建算法
3.2.3 基于深度学习的算法实现
3.2.4 目标函数的定义
3.2.5 弱监督信号的生成
3.3 实验结果
3.3.1 自对比实验
3.3.2 图像反光去除
3.3.3 图像平滑
3.4 本章小结
第4章 基于多标签联合训练的本征图像分解算法
4.1 引言
4.2 基于多标签联合训练的本征图像分解算法
4.2.1 直接本征图像估计网络
4.2.2 导向网络
4.2.3 域滤波器
4.3 灵活的监督损失层
4.3.1 稀疏的成对比较数据
4.3.2 密集的图像标签
4.4 实验结果
4.4.1 在IIW数据上的稀疏成对监督
4.4.2 在MPI-Sintel和MIT数据集的密集监督
4.4.3 基于多标签的联合监督
4.5 本章小结
第5章 基于解耦学习的实时参数化图像处理算法
5.1 引言
5.2 基于解耦学习的实时参数化图像处理算法
5.2.1 问题定义和动机
5.2.2 深度学习的算法实现
5.2.3 图像算子的选择
5.2.4 数据采样
5.3 实验结果
5.3.1 定性和定量比较
5.3.2 拓展到多个输入参数
5.3.3 拓展到多个图像算子的联合训练
5.3.4 与先进图像算子的性能比较
5.3.5 理解和分析
5.4 本章小结
第6章 总结与展望
6.1 全文总结
6.2 工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参与科研项目及获奖情况
外文论文
学位论文评阅及答辩情况表
本文编号：3701826
【文章页数】：208 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.1.1 研究内容
1.1.2 研究意义
1.1.3 深度学习技术的价值和挑战
1.2 国内外研究现状
1.2.1 图像平滑
1.2.2 基于反光的图像复原
1.2.3 本征图像分解
1.2.4 参数化图像处理
1.3 本文的主要工作和创新点
1.4 论文组织结构
第2章 基于无监督学习的空间自适应图像平滑算法
2.1 引言
2.2 基于无监督学习的空间自适应图像平滑算法
2.2.1 目标函数的定义
2.2.2 动态空间自适应的Lp平滑项
2.2.3 基于深度学习的优化
2.3 实现细节
2.4 方法分析和讨论
2.4.1 不同优化器的视觉效果
2.4.2 带有固定L_p分布的不同优化器的性能比较
2.4.3 带有动态L_p分布的不同优化器的性能比较
2.5 实验结果
2.5.1 自对比实验
2.5.2 与传统方法的对比
2.6 应用
2.6.1 图像抽象化和铅笔素描
2.6.2 细节增强
2.6.3 纹理去除
2.6.4 基于内容的图像处理
2.7 本章小结
第3章 基于弱监督学习的图像反光去除算法
3.1 引言
3.2 基于弱监督学习的图像反光去除算法
3.2.1 边缘学习算法
3.2.2 图像重建算法
3.2.3 基于深度学习的算法实现
3.2.4 目标函数的定义
3.2.5 弱监督信号的生成
3.3 实验结果
3.3.1 自对比实验
3.3.2 图像反光去除
3.3.3 图像平滑
3.4 本章小结
第4章 基于多标签联合训练的本征图像分解算法
4.1 引言
4.2 基于多标签联合训练的本征图像分解算法
4.2.1 直接本征图像估计网络
4.2.2 导向网络
4.2.3 域滤波器
4.3 灵活的监督损失层
4.3.1 稀疏的成对比较数据
4.3.2 密集的图像标签
4.4 实验结果
4.4.1 在IIW数据上的稀疏成对监督
4.4.2 在MPI-Sintel和MIT数据集的密集监督
4.4.3 基于多标签的联合监督
4.5 本章小结
第5章 基于解耦学习的实时参数化图像处理算法
5.1 引言
5.2 基于解耦学习的实时参数化图像处理算法
5.2.1 问题定义和动机
5.2.2 深度学习的算法实现
5.2.3 图像算子的选择
5.2.4 数据采样
5.3 实验结果
5.3.1 定性和定量比较
5.3.2 拓展到多个输入参数
5.3.3 拓展到多个图像算子的联合训练
5.3.4 与先进图像算子的性能比较
5.3.5 理解和分析
5.4 本章小结
第6章 总结与展望
6.1 全文总结
6.2 工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参与科研项目及获奖情况
外文论文
学位论文评阅及答辩情况表
本文编号：3701826
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3701826.html
最近更新
教材专著
