图像复原与增强中的几个问题研究
发布时间：2024-03-24 19:15
图像复原与增强是图像处理领域中的一个经典问题,长久以来一直受到学者们的广泛关注。造成图像质量不佳的一类十分重要的原因就是非理想的外部成像环境,如相机抖动、恶劣天气、光线不佳等。这些因素导致观测图像很可能表现为模糊图像、受雨雾等污染的图像、高动态范围图像、带噪声图像等。如何利用观测的降质图像计算出视觉效果良好的清晰图像是一个非常有意义的现实问题。图像复原与增强是许多现实视觉系统中的底层处理步骤,往往对后续的视觉决策起到非常关键的作用,在当前阶段也十分具有研究价值。然而,大多数传统的图像复原与增强方法在关于复杂退化模型建模、自然图像先验刻画、失真效果抑制等方面仍在不足之处。近来被大量提出的基于深度学习的方法虽然能够避免优化模型及先验的手工设计,但其往往需要在大型的数据集上训练,计算代价很大;且端到端的工作模式使人们无法得知其内在的工作原理。因此,提出有效的图像复原与增强算法,根据降质图像计算出高质量的清晰图像仍是一个有待于进一步解决的问题。图像复原与增强所涵盖的范围十分广泛。本学位论文主要专注于其中的三个有代表性的问题:单幅图像去模糊问题、联合图像滤波增强问题、以及单幅图像去雨问题,相应地...
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
主要符号表
1 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 退化模型驱动的图像复原方法
1.2.2 空间域图像增强方法
1.2.3 数据驱动的基于深度学习的方法
1.3 局限性与挑战
1.4 本文主要工作
1.5 本文章节安排
2 基于弹性网秩先验的图像盲去模糊方法
2.1 引言
2.1.1 相关工作
2.2 本文去模糊模型及算法概述
2.2.1 基于非局部自相似性的弹性网正则项
2.2.2 基于弹性网正则项的目标函数
2.3 估计中间清晰图像
2.3.1 变量J的更新
2.3.2 中间的清晰图像L的更新
2.4 梯度域上的模糊核更新
2.5 非盲的图像去模糊
2.6 分析与讨论
2.6.1 本文先验项的有效性
2.6.2 关于先验项中每一项的讨论
2.6.3 算法收敛性
2.6.4 局限性
2.7 非一致去模糊上的扩展
2.8 实验结果
2.8.1 与常用的先验方法的比较
2.8.2 与基于边缘选择的去模糊方法之间的区别
2.8.3 合成数据集上的定量评估
2.8.4 真实模糊图像的去模糊结果
2.8.5 非一致模糊图像的去模糊结果
2.9 结论
3 保结构的图像指导滤波增强方法
3.1 引言
3.1.1 相关工作
3.1.1.1 指导滤波
3.2 保持结构的滤波模型与优化求解
3.3 分析与讨论
3.3.1 边缘保持的滤波
3.3.2 梯度保持的滤波
3.3.3 迭代的滤波核
3.3.4 彩色指导图像的滤波算法
3.3.5 局限性
3.4 图像增强应用与实验结果
3.4.1 细节增强和高动态范围压缩
3.4.2 闪光/无闪光图像复原
3.4.3 图像去雾
3.4.4 图像抠图
3.5 结论
4 基于挤压激励机制和非局部均值的单幅图像去雨方法
4.1 引言
4.1.1 相关工作
4.1.1.1 挤压激励网络
4.1.1.2 非局部神经网络
4.2 基于挤压激励机制和非局部均值的深度去雨网络
4.2.1 有雨图像生成模型
4.2.2 本文网络架构
4.2.2.1 总体框架
4.2.2.2 挤压激励机制下的特征增强
4.2.2.3 密集的非局部残差块
4.2.2.4 损失函数
4.2.2.5 更多细节与网络参数设置
4.3 实验结果与分析
4.3.1 实验设置
4.3.2 合成数据集上的实验结果
4.3.3 真实有雨图像的实验结果
4.3.4 消融实验
4.4 结论
5 总结与展望
5.1 本文工作总结
5.2 创新点
5.3 未来工作展望
参考文献
攻读博士学位期间发表学术论文情况
致谢
作者简介
本文编号：3937893
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
主要符号表
1 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 退化模型驱动的图像复原方法
1.2.2 空间域图像增强方法
1.2.3 数据驱动的基于深度学习的方法
1.3 局限性与挑战
1.4 本文主要工作
1.5 本文章节安排
2 基于弹性网秩先验的图像盲去模糊方法
2.1 引言
2.1.1 相关工作
2.2 本文去模糊模型及算法概述
2.2.1 基于非局部自相似性的弹性网正则项
2.2.2 基于弹性网正则项的目标函数
2.3 估计中间清晰图像
2.3.1 变量J的更新
2.3.2 中间的清晰图像L的更新
2.4 梯度域上的模糊核更新
2.5 非盲的图像去模糊
2.6 分析与讨论
2.6.1 本文先验项的有效性
2.6.2 关于先验项中每一项的讨论
2.6.3 算法收敛性
2.6.4 局限性
2.7 非一致去模糊上的扩展
2.8 实验结果
2.8.1 与常用的先验方法的比较
2.8.2 与基于边缘选择的去模糊方法之间的区别
2.8.3 合成数据集上的定量评估
2.8.4 真实模糊图像的去模糊结果
2.8.5 非一致模糊图像的去模糊结果
2.9 结论
3 保结构的图像指导滤波增强方法
3.1 引言
3.1.1 相关工作
3.1.1.1 指导滤波
3.2 保持结构的滤波模型与优化求解
3.3 分析与讨论
3.3.1 边缘保持的滤波
3.3.2 梯度保持的滤波
3.3.3 迭代的滤波核
3.3.4 彩色指导图像的滤波算法
3.3.5 局限性
3.4 图像增强应用与实验结果
3.4.1 细节增强和高动态范围压缩
3.4.2 闪光/无闪光图像复原
3.4.3 图像去雾
3.4.4 图像抠图
3.5 结论
4 基于挤压激励机制和非局部均值的单幅图像去雨方法
4.1 引言
4.1.1 相关工作
4.1.1.1 挤压激励网络
4.1.1.2 非局部神经网络
4.2 基于挤压激励机制和非局部均值的深度去雨网络
4.2.1 有雨图像生成模型
4.2.2 本文网络架构
4.2.2.1 总体框架
4.2.2.2 挤压激励机制下的特征增强
4.2.2.3 密集的非局部残差块
4.2.2.4 损失函数
4.2.2.5 更多细节与网络参数设置
4.3 实验结果与分析
4.3.1 实验设置
4.3.2 合成数据集上的实验结果
4.3.3 真实有雨图像的实验结果
4.3.4 消融实验
4.4 结论
5 总结与展望
5.1 本文工作总结
5.2 创新点
5.3 未来工作展望
参考文献
攻读博士学位期间发表学术论文情况
致谢
作者简介
本文编号：3937893
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3937893.html