近年來,隨著深度學(xué)習(xí)技術(shù)的出現(xiàn),為圖像復(fù)原領(lǐng)域提供了技術(shù)上的新方向,出現(xiàn)了眾多基于深度學(xué)習(xí)技術(shù)的圖像復(fù)原算法。已有研究主要關(guān)注圖像復(fù)原中的圖像去噪和圖像超分辨重構(gòu)兩個(gè)領(lǐng)域。這兩個(gè)領(lǐng)域本質(zhì)上屬于同一研究目標(biāo),即對圖像丟失的信息進(jìn)行重建。圖像去噪主要針對高斯白噪聲的去噪問題,已有的基于先驗(yàn)或者基于學(xué)習(xí)的方法,存在圖像細(xì)節(jié)或邊緣模糊,算法時(shí)耗高等問題。圖像超分辨重構(gòu)主要是對固定尺度的單張圖像進(jìn)行放大重構(gòu),已有的基于重構(gòu)模型或者基于學(xué)習(xí)的方法,存在圖像細(xì)節(jié)重構(gòu)不完整,算法參數(shù)量大等問題。從深度學(xué)習(xí)技術(shù)的角度解決兩個(gè)領(lǐng)域的問題,根本上是一致的,就是提取更有效的圖像特征。在對兩個(gè)方向進(jìn)行了深入調(diào)研后,圍繞兩個(gè)領(lǐng)域中各自的研究熱點(diǎn)和難點(diǎn),分別進(jìn)行了研究和改進(jìn)。對于圖像去噪領(lǐng)域,已有的卷積神經(jīng)網(wǎng)絡(luò)方法,存在收斂速度慢,測試速度慢,不能采用同一網(wǎng)絡(luò)完成灰度圖和彩色圖去噪等問題。本文提出了一種基于多尺度特征的圖像去噪算法,利用不同大小的卷積核提取不同尺度的特征,結(jié)合標(biāo)準(zhǔn)化的擴(kuò)張卷積設(shè)計(jì)方法,加入殘差學(xué)習(xí),PReLU等常用的深度學(xué)習(xí)技術(shù),訓(xùn)練了一個(gè)端到端的深度去噪網(wǎng)絡(luò)。采用多個(gè)模型消融實(shí)驗(yàn)確定了網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像復(fù)原流程

重慶大學(xué)碩士學(xué)位論文2圖像復(fù)原的相關(guān)理論與方法9圖2.2神經(jīng)元模型Figure.2.2Neuronmodel模型。左側(cè)的0,1,2表示信息輸入，可以擴(kuò)展到多個(gè)。0,1,2表示各輸入信息對應(yīng)的權(quán)重。神經(jīng)元模型中間的公式表示輸入信息和權(quán)重的乘積累加。f則對應(yīng)于激活函數(shù)。這里的激活函數(shù)是一個(gè)閾值控制，如公式2.11所示。公式里面的θ代表的是閾值，超過這個(gè)閾值則為0，相當(dāng)于不激活該信號，低于這個(gè)閾值，則為1，相當(dāng)于激活該信號。={0∑>()1∑≤()（2.11）卷積神經(jīng)網(wǎng)絡(luò)一般包括輸入層、卷積層、池化層、激活函數(shù)層和全連接層[88]，如圖2.3所示。卷積神經(jīng)網(wǎng)絡(luò)區(qū)別于其他傳統(tǒng)神經(jīng)網(wǎng)絡(luò)主要是因?yàn)橄∈柽B接和權(quán)重共享兩個(gè)特點(diǎn)。稀疏連接帶來的好處就是讓模型有更好的表征力，并且不需要手動(dòng)選擇或設(shè)計(jì)特征，權(quán)重共享使得卷積神經(jīng)網(wǎng)絡(luò)能處理高維的數(shù)據(jù)，降低了網(wǎng)絡(luò)的復(fù)雜性。這些特點(diǎn)使得卷積神經(jīng)網(wǎng)絡(luò)非常適合處理圖像相關(guān)的任務(wù)。在圖像復(fù)原的任務(wù)里面，本文也是采用的卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行處理。2.3.1激活函數(shù)在前面提到的神經(jīng)元模型中，如果沒有激活函數(shù)f，那么剩余部分組成的就是一個(gè)線性模型。很顯然，僅依靠線性模型難以解決現(xiàn)實(shí)生活中的絕大多數(shù)問題。而人腦的處理機(jī)制也并非一種線性關(guān)系。因此，引入激活函數(shù)的最初目的是為了增加模型的非線性，使得神經(jīng)網(wǎng)絡(luò)模型可以去逼近任意的非線性函數(shù)，增強(qiáng)模型的泛化能力。這里重點(diǎn)介紹幾種在深度學(xué)習(xí)技術(shù)中常用的激活函數(shù)。第一種是sigmoid函數(shù)[53]，如公式2.12所示。它來源于統(tǒng)計(jì)學(xué)，模型非常簡

重慶大學(xué)碩士學(xué)位論文2圖像復(fù)原的相關(guān)理論與方法10圖2.3卷積神經(jīng)網(wǎng)絡(luò)模型示例圖Figure.2.3Examplediagramofconvolutionalneuralnetworkmodel()=11+（2.12）單，并且在機(jī)器學(xué)習(xí)的很多模型中表現(xiàn)優(yōu)異。Sigmoid在坐標(biāo)軸上的圖像曲線形似一個(gè)S曲線，值域在[0,1]之間。神經(jīng)網(wǎng)絡(luò)很長一段時(shí)間就是選用sigmoid作為激活函數(shù)，因?yàn)槠溆幸浊髮?dǎo)、穩(wěn)定等優(yōu)點(diǎn)。不管在大小數(shù)據(jù)集上，只要經(jīng)過較長時(shí)間的訓(xùn)練學(xué)習(xí)，都能取得不錯(cuò)的結(jié)果。但是也有不足的地方，由于函數(shù)的輸出都是正值，導(dǎo)致權(quán)重更新的速度降低，并且在神經(jīng)網(wǎng)絡(luò)的反向傳播過程中，遠(yuǎn)離原點(diǎn)坐標(biāo)的值趨于穩(wěn)定，易產(chǎn)生梯度消失的問題。第二種激活函數(shù)是雙曲正切函數(shù)，其表達(dá)式如公式2.13所示。雙曲正切函數(shù)()=sinhcosh=121+2（2.13）也是常用的激活函數(shù)之一，它的曲線圖也是S型，值域在[1,1]之間，雙曲函數(shù)更加適用于特征區(qū)分度很好的情況，在不斷的迭代中能擴(kuò)大這種區(qū)分度。對于特征之間相差不多或區(qū)別不明顯時(shí)，sigmoid的效果會(huì)更好。由于雙曲正切函數(shù)也是S曲線之一，在訓(xùn)練時(shí)同樣會(huì)產(chǎn)生梯度彌漫的情況，不利于模型優(yōu)化。第三種是現(xiàn)在常用的線性整流激活函數(shù)ReLU[54]，表達(dá)式如公式2.14所示。它的提出主要是為了緩解sigmoid函數(shù)帶來的梯度彌散問題。在實(shí)驗(yàn)中發(fā)現(xiàn)，經(jīng)過ReLU處理的數(shù)據(jù)具有非常好的稀疏性，并且能降低計(jì)算量，加速模型訓(xùn)練，由于其函數(shù)表達(dá)式的特點(diǎn)，求出來的梯度是常數(shù)，有助于網(wǎng)絡(luò)收斂。但是ReLU()=(0,)={0≤0>0（2.14）也有缺點(diǎn)，在曲線圖里，左半部分均為0，導(dǎo)致在訓(xùn)練時(shí)會(huì)出現(xiàn)神經(jīng)元“死亡”的現(xiàn)象。在實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)學(xué)習(xí)率很大時(shí)，極易出現(xiàn)神經(jīng)元“死亡”現(xiàn)象。設(shè)置一個(gè)較小的學(xué)習(xí)率，能降低神經(jīng)元的“死亡率”。第四種要介紹的激活函數(shù)是?

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)K-SVD和非局部正則化的圖像去噪[J]. 楊愛萍,田玉針,何宇清,董翠翠.  計(jì)算機(jī)工程. 2015(05)
[2]煤礦井下視頻監(jiān)控圖像噪聲消除算法的研究[J]. 孫永,賀廣強(qiáng),黃興,張立剛.  科技信息. 2011(09)
[3]煤礦工業(yè)電視圖像增強(qiáng)技術(shù)的應(yīng)用研究[J]. Yuan XiaopingQian JianshengFu HuishengLiu Fuqiang (China University of Mining and Technology).  煤炭學(xué)報(bào). 1999(02)

博士論文
[1]基于集成學(xué)習(xí)的人臉識(shí)別研究[D]. 李艷秋.合肥工業(yè)大學(xué) 2018

碩士論文
[1]基于深度學(xué)習(xí)的圖像去噪算法研究[D]. 鄧正林.電子科技大學(xué) 2018
[2]基于隨機(jī)森林的單幅圖像超分辨重建算法研究[D]. 盧歡.中國地質(zhì)大學(xué)(北京) 2017



本文編號：2982964