基于卷积神经网络的图像去噪与超分辨率方法研究
发布时间：2023-04-25 22:19
随着便携式智能手机的普及,数字图像已成为人们感知、处理、分析和分享信息的重要载体。由于现实生活中复杂因素的影响,例如:成像系统的不完善、存储容量以及网络带宽的限制,数字图像在其形成、传输、存储过程中往往会引入噪声并且以较低分辨率的形式存在。图像去噪和图像超分辨率作为数字图像处理领域内经典而又十分活跃的底层视觉研究课题,其不仅能够改善图像的视觉感知质量,同时也可以提高后续高层语义分析的精确度。目前主流的图像去噪和超分辨率方法包括基于模型的方法和判别学习方法。一般来说,这两种方法都有其各自的优势以及缺点,例如:基于模型的方法可以灵活地处理各种不同的图像复原任务但是通常运行速度较慢并且需要设计复杂的图像先验来达到较好的性能;与此同时,以卷积神经网络为代表的判别学习方法虽然测试速度快以及由于端对端训练导致性能好,但是其应用范围受到特定退化模型的限制。针对上述问题,本文从函数回归、最大后验、优化算法的角度出发,设计了高效的去噪网络、提出了灵活的去噪和超分辨率网络、解决了复杂退化下的超分辨率重建。具体研究内容及创新点如下:(1)基于模型的去噪方法通常牺牲速度来提升性能,而目前的判别学习去噪方法虽然...
【文章页数】：143 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.1.3 课题来源
1.2 国内外研究现状
1.2.1 图像去噪与图像超分辨率的联系
1.2.2 基于模型的方法
1.2.3 判别学习方法
1.2.4 基于CNN的图像去噪进展
1.2.5 基于CNN的图像超分辨率进展
1.3 主要研究内容
第2章 基于残差学习的深度去噪网络
2.1 引言
2.2 深度去噪网络结构设计
2.2.1 网络层数的设定
2.2.2 残差学习
2.2.3 批规范化
2.3 残差学习与批规范化
2.4 与TNRD的关联
2.5 实验结果
2.5.1 网络训练
2.5.2 实验结果比较
2.5.3 针对不同复原任务的单一网络模型
2.5.4 测试时间
2.6 本章小结
第3章 快速灵活的非盲去噪网络
3.1 引言
3.2 快速有效的判别学习去噪
3.2.1 网络结构
3.2.2 噪声水平图
3.2.3 降采样子图像
3.2.4 噪声水平图稳健性分析
3.2.5 与盲去噪模型的区别
3.2.6 残差与非残差学习的区别
3.2.7 量化与非量化噪声图像的区别
3.3 实验结果
3.3.1 数据集与网络训练
3.3.2 高斯白噪声去噪实验
3.3.3 空间不均匀高斯去噪实验
3.3.4 噪声水平敏感性实验
3.3.5 真实图像去噪实验
3.3.6 运行时间比较
3.4 本章小结
第4章 针对多种退化类型的卷积超分辨率网络
4.1 引言
4.2 方法
4.2.1 退化模型
4.2.2 MAP模型
4.2.3 维度拉伸
4.2.4 网络结构
4.3 实验结果
4.3.1 训练数据和网络训练
4.3.2 双三次退化图像超分辨率
4.3.3 一般退化图像超分辨率
4.3.4 空间不均匀的退化图像超分辨率
4.3.5 真实图像超分辨率
4.4 本章小结
第5章 基于深度去噪网络与半二次优化的图像复原
5.1 引言
5.2 用去噪方法解决图像复原的相关工作
5.3 半二次分裂算法
5.3.1 CNN去噪先验的优势
5.3.2 深度去噪网络
5.4 实验结果
5.4.1 图像超分辨率
5.4.2 图像去模糊
5.5 本章小结
第6章 基于即插即用网络的模糊图像超分辨率重建
6.1 引言
6.2 相关工作
6.2.1 深度超分辨率网络
6.2.2 即插即用图像复原
6.3 方法
6.3.1 新退化模型
6.3.2 深度即插即用超分辨率
6.3.3 深度超分辨率先验
6.3.4 与相关方法的比较
6.4 实验结果
6.4.1 参数设置
6.4.2 结果比较
6.4.3 基于生成对抗的超分辨率先验
6.4.4 基于估计模糊核的图像超分辨率
6.5 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
个人简历
本文编号：3801171
【文章页数】：143 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.1.3 课题来源
1.2 国内外研究现状
1.2.1 图像去噪与图像超分辨率的联系
1.2.2 基于模型的方法
1.2.3 判别学习方法
1.2.4 基于CNN的图像去噪进展
1.2.5 基于CNN的图像超分辨率进展
1.3 主要研究内容
第2章 基于残差学习的深度去噪网络
2.1 引言
2.2 深度去噪网络结构设计
2.2.1 网络层数的设定
2.2.2 残差学习
2.2.3 批规范化
2.3 残差学习与批规范化
2.4 与TNRD的关联
2.5 实验结果
2.5.1 网络训练
2.5.2 实验结果比较
2.5.3 针对不同复原任务的单一网络模型
2.5.4 测试时间
2.6 本章小结
第3章 快速灵活的非盲去噪网络
3.1 引言
3.2 快速有效的判别学习去噪
3.2.1 网络结构
3.2.2 噪声水平图
3.2.3 降采样子图像
3.2.4 噪声水平图稳健性分析
3.2.5 与盲去噪模型的区别
3.2.6 残差与非残差学习的区别
3.2.7 量化与非量化噪声图像的区别
3.3 实验结果
3.3.1 数据集与网络训练
3.3.2 高斯白噪声去噪实验
3.3.3 空间不均匀高斯去噪实验
3.3.4 噪声水平敏感性实验
3.3.5 真实图像去噪实验
3.3.6 运行时间比较
3.4 本章小结
第4章 针对多种退化类型的卷积超分辨率网络
4.1 引言
4.2 方法
4.2.1 退化模型
4.2.2 MAP模型
4.2.3 维度拉伸
4.2.4 网络结构
4.3 实验结果
4.3.1 训练数据和网络训练
4.3.2 双三次退化图像超分辨率
4.3.3 一般退化图像超分辨率
4.3.4 空间不均匀的退化图像超分辨率
4.3.5 真实图像超分辨率
4.4 本章小结
第5章 基于深度去噪网络与半二次优化的图像复原
5.1 引言
5.2 用去噪方法解决图像复原的相关工作
5.3 半二次分裂算法
5.3.1 CNN去噪先验的优势
5.3.2 深度去噪网络
5.4 实验结果
5.4.1 图像超分辨率
5.4.2 图像去模糊
5.5 本章小结
第6章 基于即插即用网络的模糊图像超分辨率重建
6.1 引言
6.2 相关工作
6.2.1 深度超分辨率网络
6.2.2 即插即用图像复原
6.3 方法
6.3.1 新退化模型
6.3.2 深度即插即用超分辨率
6.3.3 深度超分辨率先验
6.3.4 与相关方法的比较
6.4 实验结果
6.4.1 参数设置
6.4.2 结果比较
6.4.3 基于生成对抗的超分辨率先验
6.4.4 基于估计模糊核的图像超分辨率
6.5 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
个人简历
本文编号：3801171
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3801171.html
最近更新
教材专著
