基于稀疏表达与深度表达的图像修复研究

发布时间：2023-06-08 21:23

　　如今随着科学技术的进步发展,图像数据以令人惊叹的速度日益增长。然而,一些难以避免的非主观因素时常发生,并对图像质量产生负面影响,例如图像采集时遭遇遮挡、传输过程中混入噪声、未能妥善存储而造成图像损坏等等。为了后续更好地对图像数据进行处理与分析,需要首先对低质量图像进行修复。因此,对图像修复技术的研究具有十分重要的意义。对特征的稀疏表达能够尽量挖掘数据的潜在模式,因而能够有力地推动图像修复技术的发展。目前,由于具有良好的神经科学动机驱动,同时也有坚实的数学理论支持,稀疏编码已成为解决图像修复任务的有效技术手段。另外,对数据施加稀疏约束以实现特征选择,从而保留判别特征,去除冗余特征,也为图像修复技术的进步提供了重要帮助。近年来,深度表达成为计算机视觉领域研究热点之一。深度学习依赖于数据驱动,而当前爆发式增长的数据规模为深度学习的蓬勃发展提供了坚实保障。深度神经网络模型能够从大量数据中学习到潜在的复杂隐式映射,而不需要预先设计先验知识,并且可以实时处理任务。这些优势使其能够高效地处理图像修复任务。本文围绕着基于稀疏表达与深度表达的数据处理方法,从图像结构信息修复与图像颜色信息修复两方面出发,...

【文章页数】：112 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
英文缩略词
第一章 绪论
    1.1 研究背景与研究意义
    1.2 图像修复技术发展现状
        1.2.1 基于稀疏表达的图像修复技术
        1.2.2 基于深度表达的图像修复技术
    1.3 本文的主要工作
        1.3.1 基于全局低秩结构与局部稀疏性的张量补全方法
        1.3.2 基于动态对偶学习的图像盲去噪方法
        1.3.3 基于稀疏约束的可逆灰度图像方法
    1.4 论文的内容组织
第二章 相关研究综述
    2.1 图像补全技术
        2.1.1 基于匹配的方法
        2.1.2 张量分解与低秩补全方法
    2.2 图像去噪技术
        2.2.1 传统图像去噪方法
        2.2.2 基于深度学习的图像去噪方法
    2.3 图像色彩修复与可逆灰度图像
        2.3.1 图像去色
        2.3.2 图像着色与可逆灰度图像
    2.4 本章小结
第三章 基于全局低秩结构与局部稀疏性的张量补全方法
    3.1 引言
    3.2 预备知识
        3.2.1 符号表示与定义
        3.2.2 张量低秩补全
        3.2.3 稀疏编码与字典学习
    3.3 基于低秩表示与稀疏约束的张量补全方法
        3.3.1 问题模型
        3.3.2 优化算法
    3.4 实验对比与分析
        3.4.1 实验数据集
        3.4.2 实验配置
        3.4.3 实验结果
    3.5 本章小结
第四章 基于动态对偶学习的图像盲去噪方法
    4.1 引言
    4.2 基于对偶学习与动态注意力机制的图像盲去噪方法
        4.2.1 网络结构
        4.2.2 动态组合注意力生成模块
        4.2.3 去噪结果的合成模型
        4.2.4 损失函数设计
    4.3 实验对比与分析
        4.3.1 实验数据与配置
        4.3.2 带有高斯噪声的图像去噪
        4.3.3 消融实验
        4.3.4 带有真实噪声的图像去噪
    4.4 本章小结
第五章 基于稀疏约束的可逆灰度图像方法
    5.1 引言
    5.2 网络结构设计
        5.2.1 编码器与稀疏正则化层
        5.2.2 解码器
    5.3 损失函数
        5.3.1 像素一致性损失函数与感知损失函数
        5.3.2 稀疏度损失函数
    5.4 实验对比与分析
        5.4.1 实验数据与配置
        5.4.2 消融实验
        5.4.3 图像着色性能评价
    5.5 本章小结
第六章 结论与展望
参考文献
攻读博士学位期间取得的研究成果
致谢
附件



本文编号：3832520