基于深度全卷积网络的图像可变模糊盲去除

《基于深度全卷积网络的图像可变模糊盲去除》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于深度全卷积网络的图像可变模糊盲去除作者姓名伍楚丹学科专业计算机科学与技术指导教师沃焱教授所在学院计算机科学与工程学院论文提交日期2018年4月20日DeepFullyConvolutionNeuralNetworkbasedMethodforSingleImageNon-uniformBlindDeblurADissertationSubmittedfortheDegreeofMasterCandidate：WuChudanSupervisor：Prof.WoYanSouthChinaUn

2、iversityofTechnologyGuangzhou,China分类号：TP391学校代号：10561学号：201620131444华南理工大学硕士学位论文基于深度全卷积网络的图像可变模糊盲去除作者姓名：伍楚丹指导教师姓名、职称：沃焱教授申请学位级别：工学硕士学科专业名称：计算机科学与技术研究方向：多媒体技术和图形图像处理论文提交日期：2018年4月20日论文答辩日期：2018年5月31日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：赵跃龙委员：李桂清、陈伟能、何军辉、胡劲松华

3、南理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属华南理工大学。学校有权保存并向国家有关部门或机构送交论文的复

4、印件和电子版，允许学位论文被查阅（除在保密期内的保密论文外）；学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。本人电子文档的内容和纸质论文的内容相一致。本学位论文属于：□保密，（校保密委员会审定为涉密学位时间：年月日）于年月日解密后适用本授权书。不保密,同意在校园网上发布，供校内师生和与学校有共享协议的单位浏览；同意将本人学位论文提交中国学术期刊(光盘版)电子杂志社全文出版和编入CNKI《中国知识资源总库》，传播学位论文的全部或部分内容。(请在以上相应方框内

5、打“√”)作者签名：日期：指导教师签名：日期：作者联系电话：13570426465电子邮箱：411037167@qq.com联系地址(含邮编)：广东省广州市番禺区大学城华南理工大学（510000）摘要成像设备在拍摄成像时，易受被摄对象或拍摄环境等因素影响，而在最终成像中出现复杂的可变模糊。在大多数情况下，我们不仅不具备重新拍摄清晰图像的条件，而且也无法提前获知可变模糊的具体参数等信息。因此，在仅有单张可变模糊图像的条件下获得清晰图像的技术手段——图像可变模糊盲去除技术——具有重要的研究价值。传统的图像模糊

6、去除方法适用范围受限、自动化困难，已难以满足实时应用的需要，因此越来越多的研究工作转向基于深度学习的方法，希望利用深度网络在大量样本训练下获得的强大特征表达能力，提升去模糊质量和效率。然而只有少数深度学习方法同时针对可变模糊去除和模糊盲去除问题进行设计，且这些方法仍然具有以下缺陷：1）没有脱离基于迭代的传统图像复原方法，运行速度慢；2）需要针对不同模糊类型设计模糊参数估计网络，应用范围受限；3）对于可变模糊核的估计，需进行分块和融合处理，影响复原效果、增加了算法复杂度。针对上述缺陷，本文提出了一种深度全卷

7、积深度网络结构进行可变模糊参数估计和去除。本文的主要贡献为：1）提出了一种全卷积的像素级别参数估计网络结构P-net，利用深度卷积网络对于图像多尺度特征的表达能力，进行了像素级下多类型可变模糊参数估计。该网络在免去分块和融合操作的前提下提高了参数估计的通用性、细化了参数估计粒度。2）提出了一种全卷积条件生成网络结构G-net，以P-net的输出作为条件来指导自身学习去模糊操作。配合残差学习等技术，G-net达到了复原清晰图像的目的。P-net与G-net最终整合为具有通用架构的端到端可变模糊盲去除网络PG

8、-net，使可变模糊参数估计和可变模糊去除操作具有连续性，提高了算法效率。3）提出基于语义分块和多尺度分块的可变模糊数据集合成方法，在此数据集下训练PG-net。多组实验结果证明，本文参数估计方法能高效、准确的可变模糊参数估计，在测试数据集上算法结果优于现有常用方法。本文去模糊方法能有效、快速的去除图像可变模糊，在PSNR、SSIM、MS-SSIM、IFC、VIF等多种评价指标下均获得优于现有常用方法的可变模糊去除表现。关键词