基于多尺度卷积神经网络的图像盲复原方法研究

发布时间：2023-10-02 07:32

　　图像盲复原,即在点扩散函数未知的情况下,从已知的质量退化的图像中恢复潜在的清晰图像,属于图像去模糊的一个重要研究方向。目前,传统的图像盲复原算法需要进行复杂的迭代计算过程,且恢复图像质量较低。为了提高图像盲复原方法的性能,该文应用多尺度卷积神经网络来对该问题展开研究,具体研究内容如下:首先,该文从扩大感受野的角度出发,提出基于扩张卷积的多尺度图像去模糊方法。该方法设计了带有不同扩张因子的小卷积模块,来增大感受野并提取不同尺度的特征信息。该网络利用大量的训练数据学习模糊图像到清晰图像之间的映射。实验结果表明该方法获得的结果具有更高的图像清晰度。其次,为了进一步提高性能,该文提出一种基于全变差(Total Variation,TV)损失的多尺度图像去模糊方法,该方法利用初期残差(Residual Inception Net,Inception-ResNet)模块和残差网络构建网络,利用梯度信息计算损失函数。网络输入具有三个尺度,损失函数和网络结构均使用多尺度结构,以便更好地传递图像信息。实验结果表明该方法可以明显地提高图像质量。最后,为了获得更逼真的细节信息,该文提出了基于生成对抗网络的图...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文研究内容及结构组织安排
第2章 单幅图像去模糊
    2.1 引言
    2.2 图像去模糊数学模型及图像质量评判标准
    2.3 基于暗通道的图像去模糊方法
    2.4 DeblurGAN方法
    2.5 Deep Multi-scale CNN方法
    2.6 本章小结
第3章 基于扩张卷积的多尺度图像去模糊方法
    3.1 引言
    3.2 扩张卷积
    3.3 网络结构
    3.4 训练与测试
    3.5 实验结果
        3.5.1 与其他方法的对比实验
        3.5.2 DilBlock模块中不同扩张因子的影响
    3.6 本章小结
第4章 基于TV损失的多尺度图像去模糊方法
    4.1 引言
    4.2 网络结构
        4.2.1 总体结构
        4.2.2 跳跃连接块
        4.2.3 ResInception模块
        4.2.4 残差模块
        4.2.5 损失函数
    4.3 训练与测试
    4.4 实验结果
        4.4.1 与其他方法的对比实验
        4.4.2 TV损失函数和TV正则化的影响
        4.4.3 ResInception模块的作用
    4.5 本章小结
第5章 基于生成对抗网络的图像去模糊方法
    5.1 引言
    5.2 生成对抗网络
    5.3 生成器网络结构
        5.3.1 基于Inception的生成对抗网络
        5.3.2 基于注意力机制的多尺度图像去模糊方法
        5.3.3 基于UDBlock模块的多尺度图像去模糊方法
    5.4 判别器网络结构
    5.5 训练与测试
    5.6 实验结果
        5.6.1 GoPro数据集下性能对比
        5.6.2 Kohler数据集下性能对比
        5.6.3 真实模糊数据集下性能对比
        5.6.4 图像分块输入对网络的影响
    5.7 本章小结
结论
参考文献
攻读硕士学位期间承担的科研任务与主要成果
致谢



本文编号：3850382