圖像信息占據(jù)人們所獲取信息的很大一部分,高質(zhì)量的圖像會提供更加準確的信息,而由于圖像信息在獲取、壓縮、傳播、解壓的過程中設(shè)備的限制,客觀上導致了有些圖像質(zhì)量低下。同時隨著高科技的發(fā)展,多媒體越來越需要高分辨率的圖像滿足人們的主觀需求,所以圖像恢復問題在生產(chǎn)和生活中有著重要的作用。傳統(tǒng)的基于模型的圖像恢復方法擁有數(shù)據(jù)項和先驗項,通過將這兩者結(jié)合,可以在逼近原始圖像整體的基礎(chǔ)上,對圖像的細節(jié)進行恢復。在傳統(tǒng)的基于模型的方法中,圖像先驗信息一般是人工提取的,通過觀察圖像特征進行設(shè)計,有較為直觀的數(shù)學表達式,但是存在先驗信息單一的問題。而基于深度學習的圖像恢復方法,則依賴于大數(shù)據(jù)的驅(qū)動,端到端的實現(xiàn)低質(zhì)量圖像到高質(zhì)量圖像的映射,但恢復結(jié)果大程度上依賴于網(wǎng)絡(luò)的設(shè)計,并且隨著卷積網(wǎng)絡(luò)層數(shù)的加深,恢復效果提升甚微。本文結(jié)合這兩種方式,提出了本文的算法——基于模型驅(qū)動深度神經(jīng)網(wǎng)絡(luò)的圖像恢復方法。本文的創(chuàng)新點有以下三點:1、借助深度學習強大的特征提取能力,學習了基于深度神經(jīng)網(wǎng)絡(luò)的去噪算子,該算子能夠較為全面的提取圖像的混合先驗信息,為基于模型的圖像恢復方法提供了更加準確的約束條件。采用結(jié)構(gòu)對稱的U-Ne... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【部分圖文】：

1常見.的i良讓圖像舉型

網(wǎng)絡(luò)中對應(yīng)原來迭代過程的步驟與上一步迭代過程的依賴性減弱，但是可以實現(xiàn)從整體上優(yōu)化的特點。交替迭代過程展開為端到端的網(wǎng)絡(luò)圖同時，由于引入深度神經(jīng)網(wǎng)絡(luò)，并且在展開為端到端的的網(wǎng)絡(luò)時，卷積網(wǎng)絡(luò)部分重復出現(xiàn)，因此考慮到整個網(wǎng)絡(luò)的參數(shù)量，我們使得 CNN 部分的參數(shù)進行共用。因此在不同的迭代次數(shù)中，基于深度神經(jīng)網(wǎng)絡(luò)的去噪算子共用的是一組參數(shù)，也就是說該基于深度神經(jīng)網(wǎng)絡(luò)的去噪算子可以涵蓋不同噪聲程度的圖像的混合先驗信息，相比較上一章的 NCSR 去噪算子，本章中基于深度神經(jīng)網(wǎng)絡(luò)的去噪算子對噪聲方差的包容性更大。具體的我們在 CNN 部分采用了 U-Net 結(jié)構(gòu)，對于選取 U-Net 結(jié)構(gòu)的動機我們將在下文進行說明。結(jié)合具體的迭代函數(shù)和各個參量之間的關(guān)系，本章中所提出模型驅(qū)動的深度神經(jīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)大體如圖 4.2。 2 x 1 x1F2Fy 1 f (x ) 0 f (x ) 2 f (x )CNNCNNCNN CNN 3 x3F x

西安電子科技大學碩士學位論文4.3 圖像恢復網(wǎng)絡(luò)的整體實現(xiàn)相較于上一章中去噪算子要在外部迭代的過程中逐步的計算，耗費時間較長，在本章算法中則是通過網(wǎng)絡(luò)整體在端到端的訓練的過程中進行學習的。為了減少整個網(wǎng)絡(luò)的參數(shù)防止過擬合，我們讓基于深度卷積網(wǎng)絡(luò)的去噪算子部分進行參數(shù)的共用，網(wǎng)絡(luò)整體的訓練采用均方誤差作為損失函數(shù)。損失函數(shù)的具體表現(xiàn)形式如下： 221argmin ;Ni iiF y x , (4-22)其中iy 和ix 表示第 i 組“退化圖像-干凈圖像”對， ; iF y 表示經(jīng)過包含參數(shù) 的圖像恢復網(wǎng)絡(luò)恢復出的圖像組。具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖 4.4。


本文編號：2896077