当前位置:主页 > 科技论文 > 自动化论文 >

基于生成对抗网络的图像去模糊

发布时间:2021-01-06 10:52
  图像作为信息的重要载体之一,包含了丰富的信息。然而在图像获取、处理、传输或者保存的过程中,可能会存在着拍摄设备的抖动或者其他不可控制因素的影响,导致图像存在不同程度的退化现象,如模糊、噪声等,给后续的图像处理或应用带来麻烦。因此,如何根据模糊图像重建出清晰图像成为了图像处理领域一个热门研究方向。为此,本文利用生成对抗网络围绕图像去模糊问题展开研究,主要工作包括:(1)当前生成对抗网络大多是通过卷积神经网络来构建生成器的,但是由于卷积操作是在空间上的局部操作,无法高效地捕获长范围特征之间的相关性,从而导致在生成具有复杂几何结构物体的图像时效果不尽如人意。针对这个问题,提出一种基于注意力机制生成对抗网络的图像去模糊模型。首先,基于非局部操作引入空间注意力机制,在计算特征图每个位置的输出时,不再只和局部邻域像素做计算,而是取其所有位置的加权平均值作为输出位置的响应;其次,通过softmax操作进一步突出重要位置的权重,完成空间注意力的操作;然后,考虑特征图通道维度之间的相关性,引入通道注意力机制,通过全局池化操作学习出每个通道的权重,从而产生通道域的注意力;最后,将空间注意力和通道注意力机制... 

【文章来源】:中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】:78 页

【学位级别】:硕士

【部分图文】:

基于生成对抗网络的图像去模糊


空间注意力图

特征图,通道,特征图


个通道对任务更有利,哪个通道对任务影响更小,这无疑缺少处理不同类型信息的灵活度。图像去模糊任务在保持图像内容一致的前提下,尽可能多地恢复高频信息,如纹理细节等,而低分辨率图像或特征图往往包含着许多低频信息,如图像的轮廓,因此如果简单地认为特征图的所有通道同等重要,会使网络缺乏辨别学习的能力。因此,有必要区别对待特征图的每个通道,也就是说每个通道应该都有一个权重系数来表征其重要程度,然后用这个权重乘以原来的通道,得到新的特征图。基于上面的分析,在残差模块的基础上引入通道注意力机制,如图3-3所示,通过对特征图通道之间的依赖关系进行建模,能够使网络根据任务自适应地缩放每个通道的特征。┼sigmoid输出特征图最大池化平均池化共享权重输入特征图图3-3通道注意力图Figure3-3Diagramofchannelattention

特征图,注意力,通道,特征图


个通道对任务更有利,哪个通道对任务影响更小,这无疑缺少处理不同类型信息的灵活度。图像去模糊任务在保持图像内容一致的前提下,尽可能多地恢复高频信息,如纹理细节等,而低分辨率图像或特征图往往包含着许多低频信息,如图像的轮廓,因此如果简单地认为特征图的所有通道同等重要,会使网络缺乏辨别学习的能力。因此,有必要区别对待特征图的每个通道,也就是说每个通道应该都有一个权重系数来表征其重要程度,然后用这个权重乘以原来的通道,得到新的特征图。基于上面的分析,在残差模块的基础上引入通道注意力机制,如图3-3所示,通过对特征图通道之间的依赖关系进行建模,能够使网络根据任务自适应地缩放每个通道的特征。┼sigmoid输出特征图最大池化平均池化共享权重输入特征图图3-3通道注意力图Figure3-3Diagramofchannelattention

【参考文献】:
期刊论文
[1]运动模糊图像经典复原算法[J]. 季亚男,刘光远,陈通,李剑峰.  西南大学学报(自然科学版). 2018(08)
[2]一种改进的图像迭代盲反卷积算法[J]. 李艳琴,张立毅,孙云山,刘淑聪.  计算机工程. 2012(08)
[3]基于Richardson-Lucy的图像去模糊新算法[J]. 赵博,张文生,丁欢.  计算机工程与应用. 2011(34)
[4](■,F)-数据离散矩形区域在数据辨识中的应用[J]. 李豫颖,林宏康.  山东大学学报(理学版). 2011(03)
[5]基于优化步长和梯度法的置信规则库参数学习方法[J]. 常瑞,张速.  华北水利水电学院学报. 2011(01)
[6]运动模糊图像的维纳滤波复原研究[J]. 周玉,彭召意.  计算机工程与应用. 2009(19)
[7]一种改进的模糊核聚类算法[J]. 薛耿剑,王毅,赵海涛,魏梦琦,郝重阳.  中国医学影像技术. 2005(10)

博士论文
[1]图像盲复原与改善空间分辨率研究[D]. 李盛阳.中国科学院研究生院(遥感应用研究所) 2006

硕士论文
[1]一种用于图像复原的多约束迭代算法[D]. 刘倩.天津大学 2014
[2]图像盲超分辨率重建和人脸幻想技术[D]. 王晓玲.山东大学 2009



本文编号:2960439

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2960439.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户8af9d***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com