基于深度学习的低照度图像增强算法研究

发布时间：2021-02-23 08:12

　　在低照度环境下,成像设备捕获的图像常常存在细节信息丢失、对比度较低、动态范围较差、噪声严重等诸多问题。这类图像不但会影响人类的视觉感知能力,同时会影响基于视觉信息的人工智能算法的性能。通过图像增强技术,可以有效的提高低照度图像的质量,使图像拥有更好的清晰度、更丰富的纹理细节信息以及较低的图像噪声。由于低照度图像增强算法目前仍面临诸多挑战,且在人类生活中具有广泛的用途,因此这个问题无论是从科学研究的角度,还是从实际应用的角度来看都是意义重大的。本文关注于如何增强低照度环境下图像质量的问题,结合目前在计算机视觉领域取得诸多进步的深度神经网络算法,以及多粒度分析的思想,展开了一系列的研究。文章的主要工作包括:首先,本文在第一章和第二章介绍了相关的背景知识。在第三章中通过对深度神经网络中不同大小感受野的卷积核对深度神经网络性能影响的分析,受多粒度分析的启发,结合残差网络和密集网络的思想,提出了多粒度残差密集卷积块。本方法在一个模块中使用不同感受野大小的卷积核对深度卷积神经网络上一层输出的特征提取不同粒度的信息,在模块的最后通过对不同粒度下的特征信息进行融合生成新的特征。基于多粒度残差密集卷积块... 

【文章来源】：山西大学山西省

【文章页数】：72 页

【学位级别】：硕士

【图文】：

MCP模型示意图

第二章相关内容(a)Sigmoid(b)Tanh(c)ReLu图2.2不同激活函数曲线示意图网络中常用的激活函数有Sigmoid函数、Tanh函数、Relu函数，其数学表达式如公式2.2所示，图2.2展示了这三个函数的曲线形状。sigmoid(x)=11+ex,tanh(x)=21+e2x1,relu(x)=max(0,x)(2.2)如图2.3所示，是一个简单的四分类深度神经网络结构，由多个简单神经元组成的多层深度神经网络结构，每一层神经元的输入都是上一层神经元的输出。深度神经网络的输入为待分类样本，输出为属于四个类别中每个类别的概率值，一般情况下取最大的概率值作为该样本属于的类别。图2.3多层深度神经网络示意图2.2.2深度神经网络参数优化深度神经网络通过学习的方法学习从x到y的映射函数，其中x是网络的输入信息，y是期望得到的结果，这个函数的参数便是需要通过数据训练得到的深度11

第二章相关内容(a)Sigmoid(b)Tanh(c)ReLu图2.2不同激活函数曲线示意图网络中常用的激活函数有Sigmoid函数、Tanh函数、Relu函数，其数学表达式如公式2.2所示，图2.2展示了这三个函数的曲线形状。sigmoid(x)=11+ex,tanh(x)=21+e2x1,relu(x)=max(0,x)(2.2)如图2.3所示，是一个简单的四分类深度神经网络结构，由多个简单神经元组成的多层深度神经网络结构，每一层神经元的输入都是上一层神经元的输出。深度神经网络的输入为待分类样本，输出为属于四个类别中每个类别的概率值，一般情况下取最大的概率值作为该样本属于的类别。图2.3多层深度神经网络示意图2.2.2深度神经网络参数优化深度神经网络通过学习的方法学习从x到y的映射函数，其中x是网络的输入信息，y是期望得到的结果，这个函数的参数便是需要通过数据训练得到的深度11


本文编号：3047282