【摘要】：隨著媒體技術(shù)和信息網(wǎng)絡(luò)的發(fā)展,數(shù)字電視視系統(tǒng)和顯示設(shè)備對圖像信號的質(zhì)量要求越來越高。海量的原始數(shù)據(jù)經(jīng)壓縮后能夠方便的用于傳輸和存儲,然而高壓縮率不可避免地造成信息損失。低碼率下的解碼圖像會產(chǎn)生嚴重的模糊和塊效應(yīng),大大降低了圖像質(zhì)量。壓縮圖像后處理是一項針對壓縮后嚴重失真的圖像,去除壓縮產(chǎn)生的人工痕跡的關(guān)鍵技術(shù)。在圖像成像方面,隨著傳感系統(tǒng)的發(fā)展,近紅外光譜圖像得到廣泛的應(yīng)用。在諸多應(yīng)用場景下,例如夜景拍照和安全監(jiān)控等,低光照條件下的多光譜圖像融合成為可行的解決方案。低光照下的可見光拍照設(shè)備受噪聲干擾,同一場景下的近紅外圖像能夠提供不同光譜圖像的細節(jié)。為了得到高質(zhì)量的融合結(jié)果,研究人員已經(jīng)開展了諸多多光譜圖像圖像融合算法的研究。當(dāng)黑暗得環(huán)境中普通相機無法獲取信息,只有單通道的近紅外圖像輔助視覺時,為近紅外圖像上色能夠更符合人眼的視覺感知。近紅外圖像上色技術(shù)能夠更好地輔助場景理解和信息分析。隨著計算機科學(xué)飛速發(fā)展,深度學(xué)習(xí)在圖像處理領(lǐng)域展現(xiàn)出強大的能力。本文基于相關(guān)的工作,針對壓縮圖像去塊效應(yīng)和近紅外與可見光圖像融合及近紅外圖像上色技術(shù)技術(shù)進行了研究。本文的主要工作在以下幾個方面:1.提出了梯度引導(dǎo)的壓縮圖像去方塊算法�；趬K的獨立編碼導(dǎo)致壓縮圖像的塊效應(yīng),由于沒有考慮編碼塊間的相關(guān)性,圖像在塊邊緣的梯度產(chǎn)生明顯的變化。先前的工作致力于恢復(fù)網(wǎng)絡(luò)的構(gòu)建而沒有考慮了壓縮圖像的先驗信息。我們在圖像恢復(fù)過程中同時恢復(fù)圖像梯度。圖像和梯度的恢復(fù)由兩個協(xié)作的子網(wǎng)絡(luò)完成。在梯度恢復(fù)中生成的特征在圖像恢復(fù)子網(wǎng)絡(luò)中融合以引導(dǎo)壓縮圖像的恢復(fù)。通過梯度子網(wǎng)絡(luò)特征引導(dǎo),圖像恢子網(wǎng)絡(luò)去除了壓縮圖像中的模糊和塊效應(yīng)并產(chǎn)生良好的細節(jié)信息。2.提出了基于卷積神經(jīng)網(wǎng)絡(luò)的近紅外圖像和可見光圖像的融合算法。不同于傳統(tǒng)圖像融合算法,我們將卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用于近紅外圖像和可見光圖像的融合。受限于不同光照場景數(shù)據(jù)集的拍攝難度,我們用正常光照條件的數(shù)據(jù)集下合成了可用的訓(xùn)練集。我們構(gòu)建了一個兩級網(wǎng)絡(luò)分別用于去噪和融合,并采用多級聚合結(jié)構(gòu)以融合多尺度信息。為了使融合結(jié)果保留可見光圖像的原始顏色和近紅外圖像豐富的細節(jié),我們提出兩種損失函數(shù):感知損失函數(shù)和多光譜損失函數(shù)。通過兩個損失函數(shù)項的最佳權(quán)重,融合結(jié)果消除了低光照產(chǎn)生的噪聲,并正確保留原始圖像顏色,同時包含豐富的紋理信息。3.提出基于卷積神經(jīng)網(wǎng)絡(luò)的近紅外圖像上色算法。近紅外圖像上色是一個具有挑戰(zhàn)性的問題,盡管與傳統(tǒng)灰度圖上色方法有相似之處,但是近紅外上色技術(shù)需要克服多光譜圖像與單通道亮度圖像的結(jié)構(gòu)差異性,恢復(fù)出三通道的彩色圖片。我們采用能夠有效利用多尺度信息的網(wǎng)絡(luò)模型作為基本卷積單元,成功恢復(fù)出近紅外圖像的顏色。我們提出了使用結(jié)構(gòu)相似性作為損失函數(shù),為了進一步優(yōu)化上色結(jié)果,我們在梯度閾對輸出約束以去除平坦區(qū)域的嘈雜紋理。實驗結(jié)果表明,我們的網(wǎng)絡(luò)結(jié)構(gòu)有良好的性能表現(xiàn),提出的損失函數(shù)能夠很好地應(yīng)用于近紅外圖像的上色問題。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 趙莉蘋;莊玉冊;;高頻超聲射頻圖像梯度信息盲提取仿真研究[J];計算機仿真;2019年12期

2 趙麗花;植賜佳;;基于圖像梯度的印刷品缺陷檢測算法研究[J];科技風(fēng);2011年06期

3 姜太平;魏宗斌;潘祥;邰偉鵬;;基于梯度紋理描繪子的霧圖像判別方法[J];蘇州科技大學(xué)學(xué)報(自然科學(xué)版);2017年04期

4 邊子健;覃文軍;劉積仁;趙大哲;;肺部CT圖像中的解剖結(jié)構(gòu)分割方法綜述[J];中國圖象圖形學(xué)報;2018年10期

5 程大騫;付文智;陳東杰;王慕冰;陳彥;李朝榮;;基于圖像梯度的透鏡成像清晰度評估系統(tǒng)[J];物理與工程;2018年05期

6 羅鑫;張亞軍;;基于圖像梯度差值算法的自動快速調(diào)焦[J];工具技術(shù);2016年04期

7 朱慶永;彭璽;王珊珊;梁棟;;基于參考圖像梯度方向先驗的壓縮感知磁共振快速成像[J];集成技術(shù);2016年03期

8 楊朝霞,逯峰,李岳生;圖像梯度與散度計算及在邊緣提取中的應(yīng)用[J];中山大學(xué)學(xué)報(自然科學(xué)版);2002年06期

9 張玲艷;閆麗;王大凱;;圖像梯度分類的概率模型及在邊緣檢測中的應(yīng)用[J];計算機工程與應(yīng)用;2010年18期

10 喻恒;胡海峰;耿則勛;;圖像梯度引導(dǎo)的窗口形狀自適應(yīng)雙邊濾波[J];計算機應(yīng)用與軟件;2019年12期

相關(guān)會議論文 前6條

1 王端秀;徐磊;隋國榮;;基于FPGA的形態(tài)學(xué)圖像梯度算法實現(xiàn)[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（2）[C];2008年

2 陳杰春;趙麗萍;郭鳴;;角點檢測不確定度評定方法[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

3 杜建洪;梁子長;;車輛走向定位技術(shù)的研究[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

4 毛貴超;宋利權(quán);靳民會;;基于灰度冗余的紅外圖像局部對比度增強方法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（上冊）[C];2010年

5 肖鵬峰;馮學(xué)智;趙書河;佘江峰;;基于相位一致梯度的高分辨率遙感圖像分水嶺分割[A];中國地理學(xué)會2006年學(xué)術(shù)年會論文摘要集[C];2006年

6 賈義臣;伍鐵如;;基于梯度光順和直接插值的無縫即時圖像克隆[A];第六屆全國幾何設(shè)計與計算學(xué)術(shù)會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 王振松;CT圖像頭頸部組織器官分割方法研究[D];電子科技大學(xué);2019年

2 朱婷婷;圖像通用隱秘分析方法研究[D];武漢大學(xué);2015年

3 童蓓蕾;基于變分法的圖像復(fù)原算法研究[D];中國科學(xué)技術(shù)大學(xué);2018年

4 徐瑩瑩;基于生物圖像的蛋白質(zhì)亞細胞定位及其動態(tài)轉(zhuǎn)移檢測[D];上海交通大學(xué);2017年

5 張大龍;基于數(shù)據(jù)驅(qū)動的圖像局部特征表達方法研究[D];浙江大學(xué);2018年

6 陳陽;基于不同先驗獲取的PET圖像優(yōu)質(zhì)重建新方法研究[D];第一軍醫(yī)大學(xué);2007年

7 郝聚濤;血管造影圖像統(tǒng)計分割研究[D];上海交通大學(xué);2007年

8 戴百生;基于彩色視網(wǎng)膜圖像的眼底病相關(guān)目標檢測方法研究[D];哈爾濱工業(yè)大學(xué);2016年

9 陳磊;基于層級結(jié)構(gòu)信息的生物細胞圖像分析方法[D];浙江工業(yè)大學(xué);2017年

10 耿英楠;立體匹配技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 馮佳偉;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像去方塊與多光譜圖像融合及上色的研究[D];西安電子科技大學(xué);2019年

2 劉靜;基于壓縮感知的磁共振圖像重建方法研究[D];北京交通大學(xué);2019年

3 曹宇思;云環(huán)境下密文圖像檢索系統(tǒng)研究[D];中南林業(yè)科技大學(xué);2019年

4 劉波;基于光照分解的本征圖像提取算法研究[D];上海交通大學(xué);2016年

5 倪旭彬;基于語義網(wǎng)絡(luò)的圖像信息表征和視覺推理[D];電子科技大學(xué);2019年

6 于虎;基于局部二值模式的圖像特征提取技術(shù)[D];河南理工大學(xué);2018年

7 辛亮亮;基于局部二值模式的圖像特征描述方法研究[D];重慶郵電大學(xué);2019年

8 張晨;人臉圖像的色素區(qū)域檢測方法研究[D];重慶郵電大學(xué);2019年

9 黃興森;基于深度學(xué)習(xí)的圖像隱私感知算法研究[D];哈爾濱工業(yè)大學(xué);2019年

10 黃一珉;基于深度學(xué)習(xí)模型與聯(lián)合優(yōu)化的單幅圖像去霧算法研究[D];大連理工大學(xué);2019年

，

本文編號：2604355