基于卷積神經(jīng)網(wǎng)絡(luò)的圖像模糊去除.pdf

1、攝像機已經(jīng)滲透到人們生活的方方面面，圖像作為攝像機的產(chǎn)物，為人們傳遞信息提供了另一種重要途徑。然而由于種種原因，例如拍攝物體的運動、對焦不準確、光照條件的不足等因素，造成拍攝得到的圖像是不清晰的。這些質(zhì)量退化的圖像往往不能滿足人類的需求，嚴重時會造成一定的經(jīng)濟損失。去除模糊、復原圖像、提高圖像質(zhì)量成為人們研究工作關(guān)注的重點。本文主要針對去除圖像模糊與噪聲、恢復清晰圖像方面開展研究。
　　首先，介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像模糊去除研

2、究的相關(guān)理論工作。分析圖像退化模型的基礎(chǔ)上，討論了幾種常用的求解模型，并詳細介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本原理及面向圖像模糊去除的卷積神經(jīng)網(wǎng)絡(luò)模型。
　　其次，依據(jù)前文的卷積神經(jīng)網(wǎng)絡(luò)的理論知識，分析了現(xiàn)存的深度學習模糊去除方法的不足，詳細的介紹了本文設(shè)計的高頻信號保持且可快速模糊去除的快速卷積神經(jīng)網(wǎng)絡(luò)模型(fast CNN，F(xiàn)CNN)。在該網(wǎng)絡(luò)模型訓練的過程中，對高頻圖像進行傅里葉域上的梯度預(yù)處理，通過實施傅里葉域模糊去除的預(yù)處理得到一

3、個初始的清晰圖像。接著將該初始圖像小塊作為輸入，相應(yīng)的真實清晰圖像小塊作為標簽訓練FCNN，得到從模糊圖像到潛在清晰圖像的映射函數(shù)，實現(xiàn)基于該模型的模糊去除。預(yù)處理過程中，添加了梯度約束的高斯模型與提高平滑度的約束項，將圖像的先驗特征直接用于模糊去除，得到一個較魯棒的初值，為后續(xù)訓練FCNN奠定基礎(chǔ)。FCNN模型由四層卷積層及激活函數(shù)構(gòu)成，這樣設(shè)計的目的在于移除圖像模糊的同時，降低時間復雜度。實驗結(jié)果表明，基于FCNN的圖像模糊去除方法

4、相對于其他深度學習模糊去除方法，在有效的移除圖像模糊的基礎(chǔ)上，能夠更好的保持圖像的高頻紋理信息，同時降低了時間復雜度。
　　最后，針對FCNN模型嚴重依賴梯度約束預(yù)處理導致FCNN方法自適應(yīng)較低的缺陷，提出增加模型深度方式得到改進的FCNN模型—β-FCNN，并結(jié)合最小二乘方濾波預(yù)處理的方法實現(xiàn)一個新的去模糊方法，提高了自適應(yīng)性。首先考慮到卷積核大小為1×1的卷積層能夠在增加模型深度的情況下，最小化網(wǎng)絡(luò)訓練參數(shù)的優(yōu)點，對FCNN模

5、型改進，得到β-FCNN模型;其次，考慮到最小二乘方濾波算法能夠使濾波后的圖像邊緣得到增強?；谠撎匦裕疚膶⒆钚《朔綖V波算法與β-FCNN模型結(jié)合（稱之為β-FCNN方法）用于圖像模糊去除。網(wǎng)絡(luò)訓練過程中，將最小二乘方濾波預(yù)處理后的圖像塊作為輸入，對應(yīng)的清晰圖像塊作為標簽，訓練該模型，得到從模糊圖像到潛在清晰圖像的映射函數(shù)，實現(xiàn)基于該模型的圖像模糊去除。實驗結(jié)果表明，β-FCNN方法相對于其他深度學習方法，有效的移除圖像模糊的基礎(chǔ)上