基于模型驱动的深度神经网络的图像恢复

发布时间：2020-12-03 05:40

　　图像信息占据人们所获取信息的很大一部分,高质量的图像会提供更加准确的信息,而由于图像信息在获取、压缩、传播、解压的过程中设备的限制,客观上导致了有些图像质量低下。同时随着高科技的发展,多媒体越来越需要高分辨率的图像满足人们的主观需求,所以图像恢复问题在生产和生活中有着重要的作用。传统的基于模型的图像恢复方法拥有数据项和先验项,通过将这两者结合,可以在逼近原始图像整体的基础上,对图像的细节进行恢复。在传统的基于模型的方法中,图像先验信息一般是人工提取的,通过观察图像特征进行设计,有较为直观的数学表达式,但是存在先验信息单一的问题。而基于深度学习的图像恢复方法,则依赖于大数据的驱动,端到端的实现低质量图像到高质量图像的映射,但恢复结果大程度上依赖于网络的设计,并且随着卷积网络层数的加深,恢复效果提升甚微。本文结合这两种方式,提出了本文的算法——基于模型驱动深度神经网络的图像恢复方法。本文的创新点有以下三点:1、借助深度学习强大的特征提取能力,学习了基于深度神经网络的去噪算子,该算子能够较为全面的提取图像的混合先验信息,为基于模型的图像恢复方法提供了更加准确的约束条件。采用结构对称的U-Ne... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

1常见.的i良让图像举型

网络中对应原来迭代过程的步骤与上一步迭代过程的依赖性减弱，但是可以实现从整体上优化的特点。交替迭代过程展开为端到端的网络图同时，由于引入深度神经网络，并且在展开为端到端的的网络时，卷积网络部分重复出现，因此考虑到整个网络的参数量，我们使得 CNN 部分的参数进行共用。因此在不同的迭代次数中，基于深度神经网络的去噪算子共用的是一组参数，也就是说该基于深度神经网络的去噪算子可以涵盖不同噪声程度的图像的混合先验信息，相比较上一章的 NCSR 去噪算子，本章中基于深度神经网络的去噪算子对噪声方差的包容性更大。具体的我们在 CNN 部分采用了 U-Net 结构，对于选取 U-Net 结构的动机我们将在下文进行说明。结合具体的迭代函数和各个参量之间的关系，本章中所提出模型驱动的深度神经神经网络结构大体如图 4.2。 2 x 1 x1F2Fy 1 f (x ) 0 f (x ) 2 f (x )CNNCNNCNN CNN 3 x3F x

西安电子科技大学硕士学位论文4.3 图像恢复网络的整体实现相较于上一章中去噪算子要在外部迭代的过程中逐步的计算，耗费时间较长，在本章算法中则是通过网络整体在端到端的训练的过程中进行学习的。为了减少整个网络的参数防止过拟合，我们让基于深度卷积网络的去噪算子部分进行参数的共用，网络整体的训练采用均方误差作为损失函数。损失函数的具体表现形式如下： 221argmin ;Ni iiF y x , (4-22)其中iy 和ix 表示第 i 组“退化图像-干净图像”对， ; iF y 表示经过包含参数 的图像恢复网络恢复出的图像组。具体的网络结构如图 4.4。


本文编号：2896077