基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的图像去模糊方法研究
这是一篇关于深度学习,图像去模糊,注意力机制,残差网络,多尺度信息,空洞卷积的论文, 主要内容为图像模糊是图像退化中的一种常见形式,可能发生在任何需要成像设备的应用领域,其中散焦模糊是由拍摄物体在数码相机焦平面外引起的。由于相机景深有限,在拍摄场景具有显著深度变化的情况下,散焦模糊不可避免。散焦图像中不同区域的模糊程度可能不同,使得从模糊图像中获取清晰图像成为很具挑战性的任务。双像素技术通过使用两个独立的光电二极管,捕捉到更多的光学信息,帮助光学器件实现自动对焦,而其采集到的左右子视图中隐含的差异信息,近年来也受到计算机视觉中深度估计和图像去模糊等任务的关注。为了解决单幅散焦图像复原问题,本文以U-Net[1]为基础架构,对编码层、瓶颈层和解码层均进行改进,提出了SDFRNet。首先,针对散焦图像中模糊区域与清晰区域呈现空域变化的特点,本文设计了残差空间注意力模块作为网络基本块;其次,为了避免传统池化下采样和反卷积上采样导致的特征图信息丢失问题,本文利用离散小波变换的无损可逆性,提出了基于离散小波变换的下采样以及基于逆小波变换的上采样;然后,由于在U-Net[1]架构中编码层将输入特征图提升到高维,为了能更好地利用高维特征图信息,本文将多尺度局部卷积引入瓶颈层;最后,与DPDNet[2]针对单幅散焦图像输入的版本相比,SDFRNet在参数量减少67%的同时,在DPDD[2]测试集的室内场景下,图像质量评价指标PSNR、SSIM、MAE和LPIPS分别提升了1.61d B、4.66%、16.12%和13.39%,各项性能指标得到显著提升。为了解决双像素散焦图像对的复原问题,本文将双像素技术中采集到的左右子图像对作为网络输入,并在SDFRNet基础上进行针对性的改进,提出了DPDFRNet。由于左右子图像在模糊区域存在相关性复杂的差异,而模糊区域是空域变化的,且不同程度模糊的模糊范围不同,所以本文首先从多尺度角度对残差空间注意力模块进行了改进,并引入了残差嵌套结构,让网络能从多级残差的多尺度信息里学习到多层级范围的空域变化特征信息;其次,本文在特征转换阶段引入了空洞卷积,无损增大感受野,增加网络对更大区域特征的感知程度;最后,与DPDNet[2]针对双像素图像对输入的版本相比,DPDFRNet在参数量减少40.73%的同时,在DPDD[2]测试集的室内场景下,图像质量评价指标PSNR、SSIM和MAE上分别提升了1.29d B、2.24%和17.24%,表现出了明显的优势。
基于深度学习的图像去模糊方法研究
这是一篇关于深度学习,图像去模糊,注意力机制,残差网络,多尺度信息,空洞卷积的论文, 主要内容为图像模糊是图像退化中的一种常见形式,可能发生在任何需要成像设备的应用领域,其中散焦模糊是由拍摄物体在数码相机焦平面外引起的。由于相机景深有限,在拍摄场景具有显著深度变化的情况下,散焦模糊不可避免。散焦图像中不同区域的模糊程度可能不同,使得从模糊图像中获取清晰图像成为很具挑战性的任务。双像素技术通过使用两个独立的光电二极管,捕捉到更多的光学信息,帮助光学器件实现自动对焦,而其采集到的左右子视图中隐含的差异信息,近年来也受到计算机视觉中深度估计和图像去模糊等任务的关注。为了解决单幅散焦图像复原问题,本文以U-Net[1]为基础架构,对编码层、瓶颈层和解码层均进行改进,提出了SDFRNet。首先,针对散焦图像中模糊区域与清晰区域呈现空域变化的特点,本文设计了残差空间注意力模块作为网络基本块;其次,为了避免传统池化下采样和反卷积上采样导致的特征图信息丢失问题,本文利用离散小波变换的无损可逆性,提出了基于离散小波变换的下采样以及基于逆小波变换的上采样;然后,由于在U-Net[1]架构中编码层将输入特征图提升到高维,为了能更好地利用高维特征图信息,本文将多尺度局部卷积引入瓶颈层;最后,与DPDNet[2]针对单幅散焦图像输入的版本相比,SDFRNet在参数量减少67%的同时,在DPDD[2]测试集的室内场景下,图像质量评价指标PSNR、SSIM、MAE和LPIPS分别提升了1.61d B、4.66%、16.12%和13.39%,各项性能指标得到显著提升。为了解决双像素散焦图像对的复原问题,本文将双像素技术中采集到的左右子图像对作为网络输入,并在SDFRNet基础上进行针对性的改进,提出了DPDFRNet。由于左右子图像在模糊区域存在相关性复杂的差异,而模糊区域是空域变化的,且不同程度模糊的模糊范围不同,所以本文首先从多尺度角度对残差空间注意力模块进行了改进,并引入了残差嵌套结构,让网络能从多级残差的多尺度信息里学习到多层级范围的空域变化特征信息;其次,本文在特征转换阶段引入了空洞卷积,无损增大感受野,增加网络对更大区域特征的感知程度;最后,与DPDNet[2]针对双像素图像对输入的版本相比,DPDFRNet在参数量减少40.73%的同时,在DPDD[2]测试集的室内场景下,图像质量评价指标PSNR、SSIM和MAE上分别提升了1.29d B、2.24%和17.24%,表现出了明显的优势。
基于深度学习的图像去模糊方法研究
这是一篇关于深度学习,图像去模糊,注意力机制,残差网络,多尺度信息,空洞卷积的论文, 主要内容为图像模糊是图像退化中的一种常见形式,可能发生在任何需要成像设备的应用领域,其中散焦模糊是由拍摄物体在数码相机焦平面外引起的。由于相机景深有限,在拍摄场景具有显著深度变化的情况下,散焦模糊不可避免。散焦图像中不同区域的模糊程度可能不同,使得从模糊图像中获取清晰图像成为很具挑战性的任务。双像素技术通过使用两个独立的光电二极管,捕捉到更多的光学信息,帮助光学器件实现自动对焦,而其采集到的左右子视图中隐含的差异信息,近年来也受到计算机视觉中深度估计和图像去模糊等任务的关注。为了解决单幅散焦图像复原问题,本文以U-Net[1]为基础架构,对编码层、瓶颈层和解码层均进行改进,提出了SDFRNet。首先,针对散焦图像中模糊区域与清晰区域呈现空域变化的特点,本文设计了残差空间注意力模块作为网络基本块;其次,为了避免传统池化下采样和反卷积上采样导致的特征图信息丢失问题,本文利用离散小波变换的无损可逆性,提出了基于离散小波变换的下采样以及基于逆小波变换的上采样;然后,由于在U-Net[1]架构中编码层将输入特征图提升到高维,为了能更好地利用高维特征图信息,本文将多尺度局部卷积引入瓶颈层;最后,与DPDNet[2]针对单幅散焦图像输入的版本相比,SDFRNet在参数量减少67%的同时,在DPDD[2]测试集的室内场景下,图像质量评价指标PSNR、SSIM、MAE和LPIPS分别提升了1.61d B、4.66%、16.12%和13.39%,各项性能指标得到显著提升。为了解决双像素散焦图像对的复原问题,本文将双像素技术中采集到的左右子图像对作为网络输入,并在SDFRNet基础上进行针对性的改进,提出了DPDFRNet。由于左右子图像在模糊区域存在相关性复杂的差异,而模糊区域是空域变化的,且不同程度模糊的模糊范围不同,所以本文首先从多尺度角度对残差空间注意力模块进行了改进,并引入了残差嵌套结构,让网络能从多级残差的多尺度信息里学习到多层级范围的空域变化特征信息;其次,本文在特征转换阶段引入了空洞卷积,无损增大感受野,增加网络对更大区域特征的感知程度;最后,与DPDNet[2]针对双像素图像对输入的版本相比,DPDFRNet在参数量减少40.73%的同时,在DPDD[2]测试集的室内场景下,图像质量评价指标PSNR、SSIM和MAE上分别提升了1.29d B、2.24%和17.24%,表现出了明显的优势。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/54623.html
