圖像模糊會導致關鍵信息的丟失,如車牌、軍事目標、犯罪嫌疑人等。而隨著深度學習和硬件設備的發(fā)展,基于深度學習的算法在高層次圖像處理任務中均取得了非常好的效果,但是在底層圖像處理任務,如圖像去模糊中,仍然存在很多問題。本文主要針對現有質量評價算法無法對圖像復原算法進行指導,以及基于深度學習的圖像復原算法無法利用真實模糊數據進行訓練的問題,研究了基于深度學習的圖像復原和質量評估算法,及利用質量評估算法對圖像復原算法進行優(yōu)化,并研究了利用真實數據訓練基于深度學習的圖像復原網絡,以提高真實模糊圖像復原效果的方法。首先,針對復原算法對實時性的要求,設計了一個端到端的多尺度圖像復原網絡。復原網絡分別估計多個尺度下清晰圖像與模糊圖像的殘差,與其它基于深度學習的算法相比本文所設計算法是在去除上一尺度下所估計誤差的基礎上,再對下一個尺度下誤差進行估計,以提供網絡處理不同尺度模糊的能力。其次,針對MSE損失函數易導致復原結果模糊的問題,將常用圖像評價指標與基于深度學習的圖像復原網絡損失函數進行改進,提高了圖像復原效果。對傳統圖像質量評價算法SSIM無法很好的與基于深度學習的圖像復原網絡進行結合的問題,論文重... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

模糊數據集

2）采用多尺度復原的設計，可以將圖像縮放到不同的尺度進行處理，在縮小圖像幅值后我們可以將較大模糊核縮小，進而減小網絡的深度，從而進一步提高其運行速度；3）對于不同尺度下處理后圖像的結合問題，我們采用了將小尺度下估計出的殘差進行相加，然后與原始尺度下模糊圖像相加，并在原始尺度下進一步去模糊的方法，該方法在保證各個尺度下殘差合理利用的同時，最大程度上保留原始圖像信息；4）由于圖像去模糊本身是一個去卷積的過程，同時考慮到我們的網絡需要處理不同圖幅的圖像，我們采用全卷積網絡作為我們的圖像去模糊網絡。綜上，我們設計了如圖 2-2 所示的多尺度去模糊網絡，網絡能夠估計 1、1/2 和 1/4 三個尺度下的模糊殘差，并依次將其去除。本文所設計網絡采用逐尺度去除模糊的方法，在去除小尺度下的模糊后再估計下一個尺度下的誤差并進行去除，例如在估計出 1/4 誤差后，采用雙三次差值算法對殘差進行插值，并將其與 1/2 尺度下模糊圖像相加后，再對 1/2 尺度圖像進行模糊估計及去除處理。網絡結構如圖 2-2 所示。

哈爾濱工業(yè)大學工程碩士學位論文清晰圖像，X 為模糊圖像，其下標為對應的尺度信息；標為圖像對應尺度下的殘差估計網絡。糊網絡的搭建及訓練 TensorFlow 框架下搭建網絡，利用一塊 GTX 1080Ti 在網絡訓練過程中我們所采用激活函數為 Tanh 函數，學習率為 0.01，每訓練 12 個小時學習率乘 0.75。

【參考文獻】：
期刊論文
[1]無參考模糊圖像質量評價改進算法[J]. 李鴻林,張琦,楊大偉.  計算機應用. 2014(03)
[2]紅外模糊圖像的無參考質量評價方法[J]. 杜少波,章沖,王超,梁曉彬,孫士保.  計算機應用. 2013(08)
[3]基于維納濾波的圖像復原[J]. 金飛,張彬,司璇,袁叢鑫.  中國傳媒大學學報(自然科學版). 2011(04)
[4]基于對比度敏感度的無參考圖像清晰度評價[J]. 范媛媛,沈湘衡,桑英軍.  光學精密工程. 2011(10)
[5]一種針對圖像模糊的無參考質量評價指標[J]. 謝小甫,周進,吳欽章.  計算機應用. 2010(04)

博士論文
[1]非均勻模糊圖像復原方法研究[D]. 鄧紅.哈爾濱工業(yè)大學 2016



本文編號：2945763