基于全局去噪神经网络的图像复原

发布时间：2023-02-18 13:49

　　在当今信息化社会,图像不仅是人们生活中必不可缺少的媒介,而且在各行各业(如医疗诊断、航天所等)都有着广泛的应用。但是图像质量会因为各种各样的原因而产生降质,从而极大地影响其使用价值。所以,图像复原技术是一直存在的研究问题。从数学角度看,图像复原问题其实是一个病态的反问题。如今表现较好的图像复原方法有很多,本文主要研究两大类方法:一类是对图像先验信息建立复杂的模型并进行求解,另一类是利用判别式学习方法学习图像先验信息,这两类方法都各有利弊。基于模型优化的方法涉及大量迭代且运算复杂,单次图像复原任务耗时长,但是它可以被灵活地运用于不同的图像复原任务;而判别式学习方法,特别是基于深度学习进行端对端的深度神经网络训练的方法,这类方法重构效果优越且耗时非常短,但一般也只能被应用于求解特定任务。因此,融合这两类方法各自的优点,提出一种新的图像复原方法有着一定的研究意义。本文利用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)建立图像复原问题的模型,将图像降质过程与图像的先验信息分离。一方面,涉及图像先验信息的部分实质上是一个图像去噪...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题的来源及研究的目的和意义
    1.2 国内外研究现状
        1.2.1 国内外图像去噪的研究现状
        1.2.2 国内外图像去模糊的研究现状
        1.2.3 国内外图像超分辨重构的研究现状
    1.3 本文的主要研究内容和结构
第2章 图像复原的基本方法与评价标准
    2.1 引言
    2.2 图像退化模型
    2.3 经典的图像复原算法
        2.3.1 基于正则化项模型的图像复原方法
        2.3.2 基于深度学习的图像复原方法
    2.4 图像复原的质量评价方法
        2.4.1 主观评价
        2.4.2 客观评价
    2.5 本章小结
第3章 图像去噪的神经网络模型设计与实验测试
    3.1 引言
    3.2 卷积神经网络的基础知识
        3.2.1 神经元与神经网络
        3.2.2 卷积层和批量归一化层
        3.2.3 池化层
        3.2.4 全连接层
    3.3 全局去噪神经网络的模型设计
        3.3.1 全局去噪神经网络的结构
        3.3.2 全局去噪神经网络的优化算法
        3.3.3 全局去噪神经网络的训练设置
    3.4 全局去噪神经网络的实验结果
        3.4.1 灰色图像去噪
        3.4.2 彩色图像去噪
        3.4.3 真实图像去噪
    3.5 本章小结
第4章 基于ADMM算法的图像去模糊和单幅图像的超分辨重构
    4.1 引言
    4.2 ADMM算法
    4.3 图像去模糊
        4.3.1 基于ADMM的图像去模糊理论及算法
        4.3.2 图像去模糊的参数设置
        4.3.3 图像去模糊的实验结果
    4.4 单幅图像的超分辨重构
        4.4.1 基于ADMM的图像超分辨重构理论及算法
        4.4.2 图像超分辨重构的实验结果
    4.5 本章小结
结论
参考文献
致谢



本文编号：3745086