基于生成对抗网络的低光图像去噪增强算法的研究与实现

发布时间：2020-09-03 14:09

　　 图像去噪和增强一直以来都是图像处理领域提升图像质量的关键技术,近年来,图像处理的应用领域不断扩大,对于图像质量的要求也在不断提升。而在图像采集过程中图像质量难免会受到设备、环境、光照等因素的影响,难以保证采集图像质量的稳定性和优质性,因此通过对图像进行去噪和增强这类图像预处理工作来有效提升图像质量,对后期更好地进行图像处理工作有重要意义。Chen等提出对极弱光线条件下采集的低光图像进行去噪和增强的算法,使处理的图像能够呈现出良好的视觉感受,但他们的算法直接使用U-Net生成图像,没有考虑到不同尺度的接受域可能会导致提取的特征不一致,对一些细节部分的特征信息也没有提取完整,导致生成的图像中存在部分细节不清晰和不连续色差块的情况。由此,论文对低光图像的去噪和增强算法进行了探索和实验,主要工作有以下几个方面:1.使用生成对抗网络作为整体的网络结构,选择U-Net作为生成器的基本框架,利用MAE和对抗损失的加权作为网络的总损失,保证利用网络生成的图像更加真实,有效保留真实图像中特征信息的纹理边界和色调亮度。2.论文提出深度残差捕获模块(Deep Residual Inception Module,DRI)和通道注意力块(Channel Attention Block,CAB)。在U-Net的收缩路径增加DRI模块,使网络可以从更多尺度提取图像的内容信息,保证之后生成图像的特征完整性;在U-Net的扩展路径增加CAB,根据高层的语义信息得到浅层信息中不同特征的权重向量,由此指导全局与局部图像信息的融合,保证生成图像的语义一致性。从实验结果中可以看出,本文提出的算法有效去除了低光图像的真实噪声,增强亮度和对比度,较Chen等提出的算法有明显改进,提升图像的清晰度之外有效恢复细节,解决不连续色差块问题。
【学位单位】：云南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18
【部分图文】：

神经网络［４５］是一种计算模型，可以将其看作是一个复合函数，根据输入的数据逡逑来学习得到想要的输出。神经元、权重和偏置项是构成神经网络结构的三个基本逡逑部分，如图２－１所示是一个简单的神经网络结构。结构图中的圆圈代表神经元，神逡逑经元之间的连线是神经网络的关键，这些连线表示神经网络中的权重，是需要经逡逑过训练得到的。逡逑输ＡＳ逦隐栤逡逑图２－１神经网络结构图逡逑１０逡逑

在接收数据后执行一些计算，之后经过激活函数，激活函数一般选择非线逡逑性函数，通过激活函数将输出的数据限制在一个范围内，再传递给下一个神经逡逑元。如图２－２所示，神经元模型是一个包含输入、输出与计算功能的模型。逡逑输入１、＾

本文编号：2811548