深度学习背景下对图像修复方法的研究.docVIP

深度学习背景下对图像修复方法的研究 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：深度学习背景下对图像修复方法的研究 2 一、绪论 2 二、基于深度学习的图像修复方法 2 (一)基于卷积神经网络的图像修复模型 3 1.卷积神经网络概述以及原理 3 2.基于卷积自编码的图像修复方法 3 (二)基于生成式对抗网络的图像修复模型 4 1.生成式对抗网络概述以及原理 4 2.基于生成式对抗网络图像修复方法 4 (三)基于循环神经网络的图像修复模型 5 1.循环神经网络概述以及原理 5 2.基于循环神经网络图像修复方法 5 三、总结与展望 5 文2：α稳定分布噪声对图像影响的研究 6 1.图像去噪 6 2.α稳定分布的定义 7 0α≤ 2，γ ≥ 0，-1≤β ≤ 1， a∈R， 7 3.分数低阶统计量 7 4.在MATLAB平台下进行仿真实验 8 5.结论 9 参考文摘引言： 9 原创性声明（模板） 10 文章致谢（模板） 10 正文 深度学习背景下对图像修复方法的研究 文1：深度学习背景下对图像修复方法的研究 一、绪论 通过已知区域修复丢损区域的图像修复方法起源于手工匠对损坏艺术品的修复技术，即以局部信息为基础进行扩散修复，研究者们也由此提出了基于偏微分方程的早期图像修复算法，偏微分方程算法采用的是扩散的思想，将图像传输过程中丢失区域附近的数据通过扩散到来修复丢损区域，比如Bertalmio等人提出BSCB模型，将受损区域周围的有效信息平整扩展到受损区域;再如Chan等人提出TV模型、CDD模型等，TV模型虽然考虑到自然图像的平滑性，但是没有考虑到图像的几何特征，所以Chan等人又在其中加入曲率，提出CDD模型，一定程度上解决了TV模型不能满足视觉连通的缺点。基于偏微分方程的图像修复方法，可以对小范围破损的图像进行很好的修复，还能同时修复多个破损领域，但是对于大范围信息缺失的图像，修复结果却不能让人满意，随着图像修复在生物医学、人脸图像修复等新领域的应用，对修复图像的质量要求也越来越高，研究者提出了动态加权匹配的图像修复算法，更好得利用了图像的已知信息，提高了图像修复质量，利用局部平均灰度熵快速图像修复算法[1]来加快计算机执行修复的速度结构信息、连接边缘，之后再修复纹理成分，可提高图像结构、纹理等的一致性。除此之外，Criminisi等人也提出一种基于块的修复技术，算法速度得到了很大提升。 二、基于深度学习的图像修复方法 随着深度学习算法的逐步完善和发展，研究者开始将深度学习算法应用于图像修复领域。1998年的经典网络LeNet的提出被认为是卷积神经网络的起始，由于计算机计算能力有限，LeNet在图像修复领域未被广泛应用，此后研究者们相继提出AlexNet、VGG-NET、ResNet等卷积神经网络，基于深度学习的图像修复模型最初多以上述结构为基础，利用卷积神经网络来训练数据，高效预测图像的结构，但在图像修复的纹理细节方面不尽人意。考虑到卷积神经网络存在的局限性，有研究者将生成式对抗网络应用于图像修复领域:Goodfellow于2014年提出生成对抗网络，由生成器和判别器构成，生成器从给定噪声中合成数据，判别器分辨合成数据和真实数据的相似程度，如果计算生成的样本图像与待修复区域图像足够相似，即可达到图像修复的目的。随着深度学习在图像修复领域工作的开展，循环神经网络已经在对无标志图像自动生成中得到应用，将其和卷积神经网络结合用于图像修复的研究也取得了进一步的研究成果。 (一)基于卷积神经网络的图像修复模型 1.卷积神经网络概述以及原理 卷积神经网络(CNN)作为最早的二维图像识别传感器，采用监督学习的方式，每一层是由多个独立神经元组成的二维平面，如经典的LeNet-5结构，数据依次通过输入层、卷积层1、池化层1、卷积层2、池化层2、全连接层1、激活函数层、全连接层2、输出层，此类结构可以层层提取特征，最后利用全连接层完成若干个分类任务。卷积神经网络的部分同层神经元到下一层的权值设置相同，即权值共享，在训练数据时会降低模型复杂性，把庞大的图像修复问题降维处理。 图1LeNet-5结构 2.基于卷积自编码的图像修复方法 CNN进行图像修复存在监督学习的困难，Masci提出的卷积自编码则有效解决了该问题，Pathak等人命名提出ContextEncoder网络，编码器逐渐增加图像的尺度，解码器则是一个逆过程，学习全局图像特征和推断损失部分，利用L2损失和对抗损失来修复图像，但是在对抗损失训练时考虑的是预测值和实际像素值之间的欧式距离，得到的图像缺少完整的纹理细节，在图