圖像降質(zhì)因素分類(lèi)的研究與實(shí)現(xiàn).pdf

1、空間圖像數(shù)據(jù)在拍攝過(guò)程中會(huì)受到多種降質(zhì)因素的影響，例如相機(jī)自身、成像平臺(tái)、成像環(huán)境以及目標(biāo)自身的特點(diǎn)等都是影響成像質(zhì)量的關(guān)鍵因素。其中，目標(biāo)和相機(jī)的動(dòng)態(tài)特性及其工作模式還有成像環(huán)境等都會(huì)使空間圖像成像結(jié)果降質(zhì)。并且，不同的降質(zhì)因素會(huì)導(dǎo)致獲取到的數(shù)據(jù)信息存在很大偏差，甚至使圖像信息無(wú)法識(shí)別或丟失，這就為后期圖像處理增加了難度。
　　因此，詳細(xì)分析每一種降質(zhì)因素的形成原因和存在形式對(duì)不僅可以為圖像質(zhì)量評(píng)價(jià)提供技術(shù)職稱(chēng)，而且可以給不同的

2、圖像降質(zhì)因素處理方法的參數(shù)建模，為實(shí)現(xiàn)圖像處理流程的智能化提供理論支撐。
　　本文的研究?jī)?nèi)容主要是利用支持向量機(jī)對(duì)圖像的復(fù)合降質(zhì)因素進(jìn)行粗分類(lèi)，再利用深度學(xué)習(xí)對(duì)粗分類(lèi)結(jié)果中的降質(zhì)因素進(jìn)行精細(xì)分類(lèi)。首先分析降質(zhì)因素的形成原因、存在形式以及圖像降質(zhì)因素對(duì)成像圖像數(shù)據(jù)的影響，接著針對(duì)這些降質(zhì)因素進(jìn)行特性分析，并將其作為構(gòu)建空間圖像數(shù)據(jù)庫(kù)的數(shù)據(jù)分類(lèi)標(biāo)定依據(jù)，從而建立復(fù)合降質(zhì)圖像數(shù)據(jù)庫(kù)和單一降質(zhì)圖像數(shù)據(jù)庫(kù)。選擇圖像的空域、頻域特征，主要包括

3、小波變換特征和梯度特征，利用這些特征構(gòu)成的特征向量來(lái)感知降質(zhì)圖像中降質(zhì)因素的存在形式，并將其作為支持向量機(jī)和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入，選用合適參數(shù)的向量機(jī)模型、利用其分類(lèi)準(zhǔn)確的能力對(duì)復(fù)合降質(zhì)的圖像進(jìn)行粗分類(lèi)。選用深度學(xué)習(xí)網(wǎng)絡(luò)模型Alex Net，詳細(xì)分析了其網(wǎng)絡(luò)原理、算法執(zhí)行細(xì)節(jié)、每一層的數(shù)據(jù)傳遞機(jī)制、網(wǎng)絡(luò)訓(xùn)練過(guò)程，利用其強(qiáng)大的自學(xué)習(xí)能力，對(duì)含有單一降質(zhì)因素的圖像數(shù)據(jù)進(jìn)行學(xué)習(xí)、分類(lèi)，實(shí)現(xiàn)成像數(shù)據(jù)降質(zhì)因素的精細(xì)分類(lèi)。文章的主要工作及創(chuàng)新點(diǎn)如

4、下：
　　1)對(duì)空間圖像中降質(zhì)因素的形成原因、存在形式進(jìn)行了較為全面的分析。指出降質(zhì)因素的分類(lèi)對(duì)空間圖像質(zhì)量評(píng)價(jià)以及圖像處理流程智能化有著重要的作用，并構(gòu)建了兩個(gè)降質(zhì)圖像數(shù)據(jù)庫(kù)。從圖像成像鏈路入手，根據(jù)空間圖像成像過(guò)程中存在的降質(zhì)因素成因和類(lèi)型，針對(duì)空間圖像成像途徑少、成像環(huán)境惡劣、數(shù)據(jù)有限、成像機(jī)會(huì)少等特點(diǎn)，針對(duì)標(biāo)定的不同降質(zhì)因素，通過(guò)實(shí)拍數(shù)據(jù)、數(shù)據(jù)仿真等途徑，最大程度地建立復(fù)合降質(zhì)因素圖像數(shù)據(jù)庫(kù)以及單一降質(zhì)因素的圖像數(shù)據(jù)庫(kù)，為

5、本文圖像降質(zhì)因素分類(lèi)方法研究工作以及今后的圖像質(zhì)量評(píng)價(jià)工作提供數(shù)據(jù)基礎(chǔ)。
　　2)提出了一種基于支持向量機(jī)的復(fù)合降質(zhì)因素分類(lèi)方法。基于降質(zhì)因素類(lèi)型，采用小波變換特征、梯度特征構(gòu)成的降質(zhì)因素的特征向量，感知圖像噪聲、模糊、高曝光、低曝光等降質(zhì)在圖像對(duì)比度、結(jié)構(gòu)、細(xì)節(jié)等方面的影響。然后介紹了目前常用的分類(lèi)方法，并且說(shuō)明為什么選擇支撐向量機(jī)。通過(guò)實(shí)驗(yàn)和統(tǒng)計(jì)驗(yàn)證該方法合理有效性，分析出圖像各種降質(zhì)因素存在的概率，為空間圖像的質(zhì)量評(píng)價(jià)以及后

6、續(xù)圖像處理提供很好的依據(jù)。
　　3)提出了一種基于深度學(xué)習(xí)的單一降質(zhì)因素分類(lèi)方法。針對(duì)空間圖像存在單一降質(zhì)因素的情形，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)之典型模型Alex Net網(wǎng)絡(luò)的圖像分類(lèi)具有分類(lèi)效果好的特點(diǎn)把單個(gè)降質(zhì)因素影響的圖像數(shù)據(jù)作為該網(wǎng)絡(luò)的輸入。原始圖像首先進(jìn)入卷積層進(jìn)行卷積產(chǎn)生一個(gè)特征圖，之后進(jìn)入池化層進(jìn)行降采樣，依次類(lèi)推，最后將輸出的特征圖拉成一列特征向量，輸入到分類(lèi)器中，一般該分類(lèi)器可選擇 MLP(Multi-layer