基于密集神经网络的灰度图像着色算法研究及应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 选题依据、研究背景及意义 | 第10-11页 |
| 1.1.1 选题依据 | 第10页 |
| 1.1.2 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 基于用户引导下的颜色传播类算法 | 第11-12页 |
| 1.2.2 基于指定函数或参数的颜色映射算法 | 第12-13页 |
| 1.2.3 基于数据驱动的图像着色方法 | 第13-15页 |
| 1.3 本文主要研究内容及安排 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文的组织结构 | 第16-18页 |
| 1.4 本章小结 | 第18-20页 |
| 第二章 图像着色及深度学习相关知识 | 第20-28页 |
| 2.1 颜色空间 | 第20-21页 |
| 2.1.1 RGB颜色空间 | 第20页 |
| 2.1.2 CMYK颜色空间 | 第20-21页 |
| 2.1.3 HSV颜色空间 | 第21页 |
| 2.1.4 YUV颜色空间 | 第21页 |
| 2.1.5 Lab颜色空间 | 第21页 |
| 2.2 深度学习类灰度图像着色算法的基本流程 | 第21-22页 |
| 2.3 深度学习算法及其优化 | 第22-26页 |
| 2.3.1 卷积神经网络 | 第22-23页 |
| 2.3.2 跨层级连接思想 | 第23-25页 |
| 2.3.3 密集神经网络 | 第25-26页 |
| 2.4 迁移学习及应用 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于密集神经网络的灰度图像着色算法研究 | 第28-44页 |
| 3.1 设计网络结构 | 第28-33页 |
| 3.1.1 特征提取部分 | 第31-32页 |
| 3.1.2 分类指导部分 | 第32页 |
| 3.1.3 融合入及输出部分 | 第32-33页 |
| 3.2 构造损失函数 | 第33-34页 |
| 3.2.1 特征提取损失 | 第33-34页 |
| 3.2.2 分类损失 | 第34页 |
| 3.3 实验及结果分析 | 第34-43页 |
| 3.3.1 实验数据集及环境 | 第34页 |
| 3.3.2 评价指标 | 第34-35页 |
| 3.3.3 整体着色效果 | 第35-36页 |
| 3.3.4 密集网络结构对着色效果的影响 | 第36-38页 |
| 3.3.5 有原图参考下的着色效果对比 | 第38-41页 |
| 3.3.6 老照片及黑白图像着色效果对比 | 第41-43页 |
| 3.3.7 信息损失对比 | 第43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 着色性能影响因素及推广应用研究 | 第44-62页 |
| 4.1 多尺度图像着色 | 第44-51页 |
| 4.1.1 训练方式 | 第44-45页 |
| 4.1.2 网络结构 | 第45-47页 |
| 4.1.3 着色质量评价 | 第47-49页 |
| 4.1.4 多尺寸着色效果对比 | 第49-51页 |
| 4.2 损失函数优化 | 第51-55页 |
| 4.2.1 正则化损失 | 第51-52页 |
| 4.2.2 结构化损失 | 第52-53页 |
| 4.2.3 损失优化着色效果对比 | 第53-55页 |
| 4.3 综合优化着色效果 | 第55-57页 |
| 4.4 基于迁移学习的医学图像着色 | 第57-60页 |
| 4.4.1 网络训练流程 | 第57-59页 |
| 4.4.2 着色效果 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 总结与展望 | 第62-66页 |
| 5.1 总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
