基于生成对抗网络的运动图像去模糊算法研究

发布时间：2024-02-01 17:03

　　图像作为一种重要的信息载体,包含了丰富的信息,成为人们记录生活、交流情感的主要方式。运动图像去模糊作为图像复原技术的一种,应用价值正在不断增加。随着人工智能时代的来临,深度学习在图像领域发挥着重要作用,生成对抗网络GAN作为一个优秀的生成模型,广泛应用于图像生成、修复、分类、风格迁移等领域。图像去模糊历来是图像处理领域的研究热点,如何改善网络性能,加快训练速度,提升图像质量都成为了备受关注的焦点问题。为了使模型能用于真实场景中并进一步提高生成图像的质量,本文以生成对抗网络为基础,有针对性地进行了改进和优化,提出了解决去模糊问题的一种新思路。本文算法模型优势主要有以下几点:1.使用真实拍摄的图片作为训练集,无论在成对和非成对的数据集下都能进行训练,因此在真实场景下具有更强的泛化能力。2.运用图像翻译的方法,采用两个“对偶形式”的条件生成对抗网络,将图像去模糊问题转化为模糊域和清晰域之间相互转换的问题。3.模型设计中采用全局残差连接,以WGAN作为判别器,分别用ResNext、ResNetv2替代ResNet残差网络模块,加入SFTGAN超分辨率重建结构提升图像边缘、纹理效果,最终还原出清...

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图2.10常规CNN网络分类准确率随网络层数的变化

绲?深度对模型的性能有着非常重要的作用，网络层数越深，就能够进行更为复杂的特征模式提取，所以按理说当模型更深时结果自然会更出色，大量的实验均可以印证这一点。但是，更深的网络其性能一定会更好吗？为什么有些时候CNN网络层数增加分类的准确率反倒下降了呢？是因为模型参数过多表达能力太强....

图3.13加噪GoPro数

基于生成对抗网络的图像去运动模糊算法研究46（c）MPRNet(PSNR=32.10)（d）DRSN-GAN(PSNR=32.15)图3.13加噪GoPro数据集的去模糊效果Fig.3.13DeblurringeffectofGoProdatasetwithnoise（a）清晰图....

图3.14加噪Khler数

基于生成对抗网络的图像去运动模糊算法研究46（c）MPRNet(PSNR=32.10)（d）DRSN-GAN(PSNR=32.15)图3.13加噪GoPro数据集的去模糊效果Fig.3.13DeblurringeffectofGoProdatasetwithnoise（a）清晰图....

图4.6GoPro测试集结果

基于生成对抗网络的图像去运动模糊算法研究544.4.2主观对比评价为了综合评估算法的优劣，下面将从主观的角度分析各种算法的优劣。图4.6、4.7、4.8分别是各个算法在GoPro、Khler、Lai三个数据集上的可视化结果。一张图像分别筛选了两个位置进行放大显示，以便能够更加清楚....

本文编号：3892469