基于深度学习的图像修复方法研究
发布时间：2021-09-02 16:32
数字图像修复是指利用破损图像缺失区域的邻域信息,遵循一定的规则复原出缺失区域,使得人眼看不出明显的修复痕迹。传统的图像修复算法由于修复策略缺陷和模型表征能力的限制,在一些复杂情况下无法取得令人满意的修复结果。深度学习以其强大的特征学习和提取能力,在图像修复领域特别是图像语义修复上取得了耀眼的成绩。然而,现阶段的基于深度学习的图像修复算法在很多方面仍然值得改进和完善,如训练不稳定、准确性不足等。本文致力于研究深度学习在图像修复中的应用。针对现存图像修复算法的缺陷和存在的问题,提出了两种基于深度学习的图像修复算法。具体研究内容如下:（1）针对传统图像修复算法修复策略的缺陷和模型表征能力的不足,提出了基于深度自编码器的图像修复算法。在算法中训练了一个多任务深度自编码器,能够同时完成图像特征的提取和缺失像素的预测。考虑到自然图像具有局部相关性和非局部自相似性,算法使用局部信息对缺失像素进行预测,使用非局部信息对预测进行矫正,提高修复的准确性。此外,为了改善误差传播问题,提出了一种基于支撑域和预测值的联合置信度的自适应修复顺序。（2）针对现有的面向语义信息丢失的图像修复算法中存在的缺陷,提出了基...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
数字图像修复技术的分类图像修复技术最早用于修复图像中细小划痕等小范围缺失，受人脑视觉扩散
基于深度学习的图像修复方法研究7第二章相关理论和算法研究2.1引言图像修复(imageinpainting)是指利用图像缺失部分邻域的信息和图像整体的结构信息，按照一定的规则对缺失区域进行修复，使得修复后的图像具有视觉上的连贯性和完整性。根据人类视觉心理学的要求，修复后的图像应保持结构相同，修复的边界的色彩应过渡平滑且纹理保持一致。如图2-1所示，X是一张待修复的受损的图像，可看作由完好区域S和缺失区域U组成，图像的修复过程就是建立修复模型，根据完好区域S的有效信息来重建缺失区域U的内容。图2-1图像修复示意图本文主要致力于研究深度学习在图像修复领域的应用。针对传统图像修复算法的缺陷，本文提出了基于深度自编码器神经网络的图像修复算法，并通过分析生成式对抗神经网络在图像修复上的应用，提出了基于生成对抗网络的渐进式图像修复算法。本章首先介绍评价图像修复效果常用的指标，并对算法中涉及到的相关算法和技术进行详细介绍。2.2图像修复的评价指标图像修复是一个病态的逆问题，图像缺失部分的真实值在修复过程中无法获取，这意味着无法求得和原始图像完全一致的解，因此，采用合理的评价指标来评估算法的修复效果十分重要，合理的评价指标有助于网络的训练和修复效果的提高。目前，在数字图像修复领域常用的客观评价指标有：峰值信噪比(PeakSignaltoNoiseRatio,PSNR)[23]和结构相似性(StructureSimilarityIndex,SSIM)[24]。峰值信噪比(PSNR)是用来衡量图像失真或噪声水平的客观评价指标，常用于
基于深度学习的图像修复方法研究912222212(2)(2)(,)()()IIIIIIIIuuCCSSIMIIuuCC\*MERGEFORMAT(2-7)2.3深度学习深度学习(DeepLearning,DL)是机器学习(MachineLearning,ML)的一个分支，常用来学习数据的内在规律和潜在表达。深度学习模型一般采用神经网络来实现，常见的深度学习模型有自动编码器(Auto-Encoder,AE)，卷积神经网络(ConvolutionalNeuralNetwork,CNN)和生成式对抗神经网络(GenerativeAdversarialNetwork,GAN)等。近年来，深度学习凭借在捕捉图像结构和纹理等深层特征上的卓越能力，可以拟合各种复杂的数据分布，在图像分类、语义分割和目标检测等领域均取得了突破性的进展。其中，生成式对抗神经网络(GAN)由于其强大的生成能力，具有一定的“想象力”，在图像生成和修复领域取得了耀眼的成就。本节将对本文所涉及到的一些深度学习概念和模型进行详细介绍。2.3.1自动编码器神经网络自动编码器(Auto-Encoder,AE)神经网络是一种经典的无监督学习算法，经过训练后能够尝试将输入数据在输出端进行复现，完成数据压缩，最早由Rumelhart等人[25]提出。2006年，Hinton[26]将其作为一种数据降维的方法发表在Science上，由此产生了深度自动编码器(DeepAutoEncoder,DAE)。Vicent等人[27]通过给输入数据添加噪声，提出了去噪自编码器(DenoisingAutoEncoder)，训练后的去噪自编码器不仅能够在输出端重建输入数据，还能在一定程度上去除数据中的噪声，增强了自编码器的鲁棒性。经典的自编码器有三层，分别是输入层、隐藏层和输出层，如图2-2所示是经典的自编码器结构示意图。图2-2自编码器结构示意图我们一般将输入层和隐藏层合在一起称为编码器，将隐藏层和输出层合在一
【参考文献】：
期刊论文
[1]基于优先权改进和块划分的图像修复[J]. 曾接贤,王璨. 中国图象图形学报. 2017(09)
[2]基于Criminisi算法的图像修复顺序的研究[J]. 亓卓亚,苏红旗. 无线互联科技. 2016(03)
[3]纹理和边缘特征相结合的图像修复算法[J]. 任澍,唐向宏,康佳伦. 计算机辅助设计与图形学学报. 2013(11)
[4]基于修复顺序的图像修复算法[J]. 张伟彬. 计算机工程与应用. 2008(22)
博士论文
[1]基于样本的纹理合成方法研究[D]. 孙利君.山东大学 2012
硕士论文
[1]正面人脸图像眼镜去除方法研究及系统实现[D]. 张利利.西安理工大学 2019
[2]基于生成对抗网络的图像修复算法研究[D]. 王一鸣.北京交通大学 2019
[3]基于深度学习的图像修复方案设计与实现[D]. 卜彦超.吉林大学 2019
[4]基于全局与局部感知对抗网络的图像修复算法研究与实现[D]. 邱路发.华中科技大学 2019
[5]基于生成式对抗网络的图像修复算法研究[D]. 赵立怡.西安理工大学 2018
[6]基于局部结构的图像修复算法研究[D]. 刘影.鲁东大学 2016
[7]基于深度学习的人脸识别研究[D]. 尹晓燕.天津大学 2014
[8]基于分解的图像和视频修复算法研究[D]. 李翔.中南大学 2008
本文编号：3379347
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
数字图像修复技术的分类图像修复技术最早用于修复图像中细小划痕等小范围缺失，受人脑视觉扩散
基于深度学习的图像修复方法研究7第二章相关理论和算法研究2.1引言图像修复(imageinpainting)是指利用图像缺失部分邻域的信息和图像整体的结构信息，按照一定的规则对缺失区域进行修复，使得修复后的图像具有视觉上的连贯性和完整性。根据人类视觉心理学的要求，修复后的图像应保持结构相同，修复的边界的色彩应过渡平滑且纹理保持一致。如图2-1所示，X是一张待修复的受损的图像，可看作由完好区域S和缺失区域U组成，图像的修复过程就是建立修复模型，根据完好区域S的有效信息来重建缺失区域U的内容。图2-1图像修复示意图本文主要致力于研究深度学习在图像修复领域的应用。针对传统图像修复算法的缺陷，本文提出了基于深度自编码器神经网络的图像修复算法，并通过分析生成式对抗神经网络在图像修复上的应用，提出了基于生成对抗网络的渐进式图像修复算法。本章首先介绍评价图像修复效果常用的指标，并对算法中涉及到的相关算法和技术进行详细介绍。2.2图像修复的评价指标图像修复是一个病态的逆问题，图像缺失部分的真实值在修复过程中无法获取，这意味着无法求得和原始图像完全一致的解，因此，采用合理的评价指标来评估算法的修复效果十分重要，合理的评价指标有助于网络的训练和修复效果的提高。目前，在数字图像修复领域常用的客观评价指标有：峰值信噪比(PeakSignaltoNoiseRatio,PSNR)[23]和结构相似性(StructureSimilarityIndex,SSIM)[24]。峰值信噪比(PSNR)是用来衡量图像失真或噪声水平的客观评价指标，常用于
基于深度学习的图像修复方法研究912222212(2)(2)(,)()()IIIIIIIIuuCCSSIMIIuuCC\*MERGEFORMAT(2-7)2.3深度学习深度学习(DeepLearning,DL)是机器学习(MachineLearning,ML)的一个分支，常用来学习数据的内在规律和潜在表达。深度学习模型一般采用神经网络来实现，常见的深度学习模型有自动编码器(Auto-Encoder,AE)，卷积神经网络(ConvolutionalNeuralNetwork,CNN)和生成式对抗神经网络(GenerativeAdversarialNetwork,GAN)等。近年来，深度学习凭借在捕捉图像结构和纹理等深层特征上的卓越能力，可以拟合各种复杂的数据分布，在图像分类、语义分割和目标检测等领域均取得了突破性的进展。其中，生成式对抗神经网络(GAN)由于其强大的生成能力，具有一定的“想象力”，在图像生成和修复领域取得了耀眼的成就。本节将对本文所涉及到的一些深度学习概念和模型进行详细介绍。2.3.1自动编码器神经网络自动编码器(Auto-Encoder,AE)神经网络是一种经典的无监督学习算法，经过训练后能够尝试将输入数据在输出端进行复现，完成数据压缩，最早由Rumelhart等人[25]提出。2006年，Hinton[26]将其作为一种数据降维的方法发表在Science上，由此产生了深度自动编码器(DeepAutoEncoder,DAE)。Vicent等人[27]通过给输入数据添加噪声，提出了去噪自编码器(DenoisingAutoEncoder)，训练后的去噪自编码器不仅能够在输出端重建输入数据，还能在一定程度上去除数据中的噪声，增强了自编码器的鲁棒性。经典的自编码器有三层，分别是输入层、隐藏层和输出层，如图2-2所示是经典的自编码器结构示意图。图2-2自编码器结构示意图我们一般将输入层和隐藏层合在一起称为编码器，将隐藏层和输出层合在一
【参考文献】：
期刊论文
[1]基于优先权改进和块划分的图像修复[J]. 曾接贤,王璨. 中国图象图形学报. 2017(09)
[2]基于Criminisi算法的图像修复顺序的研究[J]. 亓卓亚,苏红旗. 无线互联科技. 2016(03)
[3]纹理和边缘特征相结合的图像修复算法[J]. 任澍,唐向宏,康佳伦. 计算机辅助设计与图形学学报. 2013(11)
[4]基于修复顺序的图像修复算法[J]. 张伟彬. 计算机工程与应用. 2008(22)
博士论文
[1]基于样本的纹理合成方法研究[D]. 孙利君.山东大学 2012
硕士论文
[1]正面人脸图像眼镜去除方法研究及系统实现[D]. 张利利.西安理工大学 2019
[2]基于生成对抗网络的图像修复算法研究[D]. 王一鸣.北京交通大学 2019
[3]基于深度学习的图像修复方案设计与实现[D]. 卜彦超.吉林大学 2019
[4]基于全局与局部感知对抗网络的图像修复算法研究与实现[D]. 邱路发.华中科技大学 2019
[5]基于生成式对抗网络的图像修复算法研究[D]. 赵立怡.西安理工大学 2018
[6]基于局部结构的图像修复算法研究[D]. 刘影.鲁东大学 2016
[7]基于深度学习的人脸识别研究[D]. 尹晓燕.天津大学 2014
[8]基于分解的图像和视频修复算法研究[D]. 李翔.中南大学 2008
本文编号：3379347
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3379347.html
