基于深度学习的图像逆半调和正则化算法研究

发布时间：2020-12-09 18:55

　　半调技术将连续色调图像转换为二值图像,广泛应用于印刷业。逆半调将二值图像转换为连续色调图像,不仅减少图像中的半色调图案,还提供良好的细节和清晰的边缘,逆半调算法应用广泛。逆半调是一个不适定问题,逆半调算法研究是挑战性与前景并存的研究课题。深度学习发展迅速,越来越多性能优异的基于深度学习图像处理算法被提出,本文基于深度学习对逆半调问题进行求解,提出两种图像逆半调算法。生成对抗网络通过对抗过程训练生成模型,本文提出两种基于有监督GAN的改进图像逆半调算法。（1）结合稠密卷积神经网络和生成对抗网络的优点,提出结合紧密连接模块和有监督GAN的图像逆半调方法,促进特征信息在网络中的传播,加强特征重用,减少参数数量,实现特征提取,提取丰富的特征信息;（2）结合经典残差网络和生成对抗网络的优点,提出结合残差学习和有监督GAN的逆半调算法,生成器中包含若干残差块,残差块中的跳跃连接能缓解梯度消失现象,提升了网络提取特征的能力,更好地完成图像重建任务,结合残差模块的有监督GAN擅长进行特征提取。实验分别在误差分散半调图像和有序抖动半调图像上展开,实验结果表明本文提出的2个改进算法表现良好并且提高了逆半调... 

【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】：89 页

【学位级别】：硕士

【部分图文】：

_1常见的误差分散核

西安电子科技大学硕士学位论文卷积网络采用的是局部连接模式[42]，卷积网络采用的权值共享减少了训练 2.12 所示，左边是全连接模式，右边是局部连接模式。假定图片大小规格0，隐藏层的神经元个数为 103时，全连接模式下，训练参数个数为 102× 107。如图 2.12 所示的局部连接模式下，假定 Filter size 为 3×3，需要训数为 103×3×3 = 9000，与全连接模式相比参数量大大减少。卷积层的输出常为维度很大的特征，池化层（Pooling layer）将特征切成于相邻像素往往在语义上是相关的，可以取区域的最大值或平均值，得的特征。最大池化（max-pooling）输出当前池化窗口中元素的最大值，均an-pooling）输出当前池化窗口中元素的平均值，图 2.13 展示了池化的池化操作可以看成数据降维。

1Set12担l{试集

【参考文献】：
期刊论文
[1]图像半色调技术及其进展[J]. 王廷婷.  印刷质量与标准化. 2010(02)
[2]基于PSNR与SSIM联合的图像质量评价模型[J]. 佟雨兵,张其善,祁云平.  中国图象图形学报. 2006(12)
[3]浅谈数字半色调图像水印技术[J]. 谢丁龙,李伟.  开封大学学报. 2006(02)
[4]一种高效的逆半调算法[J]. 张洪刚,周利华.  计算机工程与应用. 2003(26)

博士论文
[1]图像逆半调及其质量评价技术研究[D]. 孔月萍.西安电子科技大学 2008
[2]图像逆半调及硬拷贝数字水印技术研究[D]. 郑海红.西安电子科技大学 2006

硕士论文
[1]扫描输入图像的逆半调方法研究[D]. 宋琳.西安建筑科技大学 2009
[2]扫描图像逆半调恢复研究[D]. 王娜.西安电子科技大学 2008



本文编号：2907328