基于卷积神经网络的图像复原方法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 课题背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 图像去噪与图像去模糊 | 第9-11页 |
| 1.2.2 图像超分辨率重建 | 第11页 |
| 1.3 论文研究的目的及意义 | 第11-12页 |
| 1.4 论文的主要内容和结构 | 第12-14页 |
| 第二章 图像复原的基本理论与方法 | 第14-29页 |
| 2.1 引言 | 第14页 |
| 2.2 图像退化模型研究 | 第14-17页 |
| 2.2.1 连续函数退化模型 | 第15页 |
| 2.2.2 离散函数退化模型 | 第15-17页 |
| 2.3 经典图像复原方法 | 第17-20页 |
| 2.3.1 维纳滤波法 | 第17页 |
| 2.3.2 最小二乘滤波复原法 | 第17-18页 |
| 2.3.3 正则化图像复原方法 | 第18-20页 |
| 2.3.4 BM3D法 | 第20页 |
| 2.4 单幅图像的超分辨率重建理论 | 第20-27页 |
| 2.4.1 基于插值的算法 | 第21-22页 |
| 2.4.2 基于建模的算法 | 第22-23页 |
| 2.4.3 基于学习的算法 | 第23-25页 |
| 2.4.4 基于神经网络的算法 | 第25-27页 |
| 2.5 图像复原质量评价标准 | 第27-28页 |
| 2.5.1 主观评价方式 | 第27页 |
| 2.5.2 客观评价方式 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 图像去噪的卷积神经网络模型设计 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积神经网络基础理论 | 第29-32页 |
| 3.2.1 神经元与卷积神经网络结构 | 第29-31页 |
| 3.2.2 卷积与特征映射 | 第31页 |
| 3.2.3 池化 | 第31-32页 |
| 3.2.4 全连接 | 第32页 |
| 3.3 卷积神经网络用于图像复原原理 | 第32-33页 |
| 3.4 用于图像去噪的CNN中的关键技术 | 第33-38页 |
| 3.4.1 激活函数的选择 | 第33-34页 |
| 3.4.2 空洞卷积 | 第34-35页 |
| 3.4.3 加速训练过程的设计方法 | 第35-38页 |
| 3.4.3.1 批规范化 | 第35-37页 |
| 3.4.3.2 残差学习 | 第37-38页 |
| 3.5 网络模型的提出 | 第38-40页 |
| 3.6 网络模型用于图像去噪 | 第40-44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 图像去模糊和单幅图像超分辨率重建 | 第45-56页 |
| 4.1 引言 | 第45页 |
| 4.2 图像去模糊研究 | 第45-51页 |
| 4.2.1 图像去模糊理论分析 | 第45-46页 |
| 4.2.2 变量分离技术 | 第46-47页 |
| 4.2.3 实验结果 | 第47-51页 |
| 4.2.3.1 实验说明 | 第47-48页 |
| 4.2.3.2 实验数据与分析 | 第48-51页 |
| 4.3 单幅图像的超分辨率重建研究 | 第51-55页 |
| 4.3.1 单幅图像的超分辨率重建理论分析 | 第51页 |
| 4.3.2 实验结果 | 第51-55页 |
| 4.2.3.1 实验说明 | 第51-52页 |
| 4.2.3.2 实验数据与分析 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-65页 |
| 致谢 | 第65-66页 |
