基于神经网络的退化图像复原算法研究

论文摘要

图像复原是数字图像处理领域一个重要的研究方向,它是指去除或减轻在获取数字图像过程中发生的图像质量下降(退化),这些退化包括由光学系统、运动等造成的图像模糊,以及源自电路和光度学因素的噪声。图像复原的目标是对退化的图像进行处理,使它趋向于复原成没有退化的理想图像。图像复原有很多经典方法,像逆滤波法、维纳滤波法、最大熵复原、迭代盲反卷积等。然而,传统方法在解决函数逼近问题时存在着不足,神经网络因为其高速的并行计算能力、鲁棒性和自适应学习能力在这方面显示出优势。BP网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,即不需要显式的表达出它们之间的关系,只要用已知的模式对BP网络加以训练,网络就具有输入输出对之间的映射能力。对许多点扩散函数(PSF)变化难以把握,无法获得退化过程精确模型的情形可以采用BP神经网络复原。本文的主要工作包括:1.基于学习机制,本文提出了一种基于BP神经网络的图像复原算法。在分析图像模糊机制的基础上,为了降低输入维数,采用滑动窗口操作来

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景及意义
• 1.2 图象复原方法发展概况
• 1.3 论文各部分的主要内容
• 第二章 图像复原基础
• 2.1 图像退化模型
• 2.1.1 连续函数的退化模型
• 2.1.2 离散函数的退化模型
• 2.2 图像复原方法
• 2.2.1 经典图像复原方法
• 2.2.2 迭代盲反卷积算法
• 2.3 图像复原效果的评价标准
• 2.3.1 主观评价标准
• 2.3.2 客观评价标准
• 第三章 人工神经网络在图像处理中的应用
• 3.1 人工神经网络的发展
• 3.2 图像处理中常用神经网络的类型
• 3.2.1 Hopfield 神经网络
• 3.2.2 BP 网络
• 3.2.3 自组织网络
• 3.2.4 小波网络
• 3.2.5 细胞神经网络
• 3.2.6 模糊神经网络
• 3.3 神经网络在图像复原中的应用
• 3.3.1 基于Hopfield 网络的图像复原
• 3.3.2 基于BP 神经网络的图像复原
• 3.3.3 用于图像复原的其他神经网络
• 第四章 基于BP 神经网络的图像复原算法
• 4.1 引言
• 4.2 BP 学习算法
• 4.2.1 三层BP 网络
• 4.2.2 网络误差与权值调整
• 4.3 BP 网络结构设计
• 4.3.1 输入输出层的设计及其数据的预处理
• 4.3.2 隐含层节点数的选择
• 4.3.3 激励函数的选择
• 4.3.4 初始值的选取
• 4.4 BP 神经网络的训练
• 4.4.1 训练样本的选取
• 4.4.2 学习训练与预测
• 4.4.3 网络模型的性能和泛化能力
• 4.5 BP 神经网络复原试验结果
• 4.5.1 采用整体滑动窗口
• 4.5.2 采用局部滑动窗口
• 4.5.3 结论
• 第五章 图像退化特征及描述
• 5.1 引言
• 5.2 图像退化特征
• 5.2.1 偏移指标
• 5.2.2 抖动指标
• 5.2.3 模糊指标
• 5.3 图像匹配和形态学方法在计算偏移中的应用
• 5.3.1 直方图统计特性
• 5.3.2 快速SSDA 匹配算法
• 5.3.3 形态学方法
• 5.4 图像退化特征描述软件
• 5.4.1 特征退化软件计算流程
• 5.4.2 界面组成及功能介绍
• 第六章 总结与展望
• 6.1 论文的主要工作及创新点
• 6.2 下一步工作展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录