基于深度神经网络的图像复原与质量评估方法研究

发布时间：2020-12-29 14:02

　　图像模糊会导致关键信息的丢失,如车牌、军事目标、犯罪嫌疑人等。而随着深度学习和硬件设备的发展,基于深度学习的算法在高层次图像处理任务中均取得了非常好的效果,但是在底层图像处理任务,如图像去模糊中,仍然存在很多问题。本文主要针对现有质量评价算法无法对图像复原算法进行指导,以及基于深度学习的图像复原算法无法利用真实模糊数据进行训练的问题,研究了基于深度学习的图像复原和质量评估算法,及利用质量评估算法对图像复原算法进行优化,并研究了利用真实数据训练基于深度学习的图像复原网络,以提高真实模糊图像复原效果的方法。首先,针对复原算法对实时性的要求,设计了一个端到端的多尺度图像复原网络。复原网络分别估计多个尺度下清晰图像与模糊图像的残差,与其它基于深度学习的算法相比本文所设计算法是在去除上一尺度下所估计误差的基础上,再对下一个尺度下误差进行估计,以提供网络处理不同尺度模糊的能力。其次,针对MSE损失函数易导致复原结果模糊的问题,将常用图像评价指标与基于深度学习的图像复原网络损失函数进行改进,提高了图像复原效果。对传统图像质量评价算法SSIM无法很好的与基于深度学习的图像复原网络进行结合的问题,论文重... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

模糊数据集

2）采用多尺度复原的设计，可以将图像缩放到不同的尺度进行处理，在缩小图像幅值后我们可以将较大模糊核缩小，进而减小网络的深度，从而进一步提高其运行速度；3）对于不同尺度下处理后图像的结合问题，我们采用了将小尺度下估计出的残差进行相加，然后与原始尺度下模糊图像相加，并在原始尺度下进一步去模糊的方法，该方法在保证各个尺度下残差合理利用的同时，最大程度上保留原始图像信息；4）由于图像去模糊本身是一个去卷积的过程，同时考虑到我们的网络需要处理不同图幅的图像，我们采用全卷积网络作为我们的图像去模糊网络。综上，我们设计了如图 2-2 所示的多尺度去模糊网络，网络能够估计 1、1/2 和 1/4 三个尺度下的模糊残差，并依次将其去除。本文所设计网络采用逐尺度去除模糊的方法，在去除小尺度下的模糊后再估计下一个尺度下的误差并进行去除，例如在估计出 1/4 误差后，采用双三次差值算法对残差进行插值，并将其与 1/2 尺度下模糊图像相加后，再对 1/2 尺度图像进行模糊估计及去除处理。网络结构如图 2-2 所示。

哈尔滨工业大学工程硕士学位论文清晰图像，X 为模糊图像，其下标为对应的尺度信息；标为图像对应尺度下的残差估计网络。糊网络的搭建及训练 TensorFlow 框架下搭建网络，利用一块 GTX 1080Ti 在网络训练过程中我们所采用激活函数为 Tanh 函数，学习率为 0.01，每训练 12 个小时学习率乘 0.75。

【参考文献】：
期刊论文
[1]无参考模糊图像质量评价改进算法[J]. 李鸿林,张琦,杨大伟.  计算机应用. 2014(03)
[2]红外模糊图像的无参考质量评价方法[J]. 杜少波,章冲,王超,梁晓彬,孙士保.  计算机应用. 2013(08)
[3]基于维纳滤波的图像复原[J]. 金飞,张彬,司璇,袁丛鑫.  中国传媒大学学报(自然科学版). 2011(04)
[4]基于对比度敏感度的无参考图像清晰度评价[J]. 范媛媛,沈湘衡,桑英军.  光学精密工程. 2011(10)
[5]一种针对图像模糊的无参考质量评价指标[J]. 谢小甫,周进,吴钦章.  计算机应用. 2010(04)

博士论文
[1]非均匀模糊图像复原方法研究[D]. 邓红.哈尔滨工业大学 2016



本文编号：2945763