基于深度学习的图像去噪与图像增强研究

华南师范大学学报（自然科学版）

JournalofSouthChinaNormalUniversity（NaturalScienceEdition）2019，51（3）：123－128doi：10．6054/j．jscnun．2019055

收稿日期：2019－01－16《华南师范大学学报（自然科学版）》网址：http：∥journal．scnu．edu．cn/n基金项目：广东省科技计划项目（2016A010101021）*通信作者：周卫星，教授，Email：940196535@qq．com．基于深度学习的图像去雾算法

张泽浩，周卫星*

（华南师范大学物理与电信工程学院，广州510006）

摘要：针对有雾天气会使图像质量降低、影响图像信息的提取、导致图像的应用价值减少的问题，基于深度学习提

出了一种多尺度卷积神经网络，并基于此多尺度卷积神经网络给出了新的图像去雾算法：使用该多尺度卷积神经

网络对原有雾图像进行特征提取、特征融合并最终实现图像细节的重建，得到粗透射率图；利用原有雾图像中像素

点的位置和亮度值得到大气光值；利用导向滤波得到细透射率图，并结合大气光值反演出无雾图像；最后对无雾图

像进行直方图颜色校正．实验结果表明：相比传统去雾算法，新的图像去雾算法对图像细节的处理更加自然且具有

很好的视觉效果．

关键词：图像处理；图像去雾；多尺度；卷积神经网络

中图分类号：TP391．4文献标志码：A文章编号：1000－5463（2019）03－0123－06

ImageDehazingAlgorithmBasedonDeepLearning

ZHANGZehao，ZHOUWeixing*

（SchoolofPhysicsandTelecommunicationEngineering，SouthChinaNormalUniversity，Guangzhou510006，China）

Abstract：Tosolvetheproblemoffoggyweatherdamagingtheimagequality，affectingtheextractionofimagein-

基于深度学习的无监督磁共振图像去噪方法

MRI图像是一种以不同灰度显示不同结构的解剖和病理的断面图像，广泛应用于疾病的检测、诊断以及治疗监测。然而，MRI图像的成像过程往往伴随着随机噪声，这导致了低质MRI图像的产生。MRI图像的质量不仅会影响医生对患者病情的判断，还会降低图像配准、图像分割和图像分类等工作的准确性。图像去噪可以提高给定图像的质量，解决随机噪声引起的图像退化的问题。

卷积神经网络在图像识别领域取得了良好的成果。随后，基于卷积神经网络的图像去噪算法并也引起了研究人员的注意。其中，DnCNN，PRI-PB-CNN，MIFCN等方法具有很强的扩展性，不仅对自然图像有很好的去噪效果，而且可以很好地应用于MRI图像去噪。生成对抗网络在生成真实图像方面有很大的优势，因此研究人员将生成对抗网络和卷积神经网络结合起来进行图像去噪。本文的主要贡献可以总结如下：1) 提出了一种基于生成对抗网络的无监督学习方法用于医学图像去噪，并且该方法不需要成对训练的数据；2) 用解缠表示分离低质MRI图像的内容信息和噪声信息。在汉斯出版社《计算机科学与应用》期刊中，有学者提出了一种基于深度学习的无监督图像去噪方法来获得高质量的自然图像和MRI图像。

不为了验证我们提出模型的性能，我们将其与经典的图像去噪方法各向异性扩散滤波(AnisoticDiffusionFilter，简称ADF)和基于深度学习的无监督图像去噪方法CycleGAN进行了比较。我们使用从SBD获得的合成MRI数据(T1w和PDw)进行实验。测试数据为带有5%、10%、15%、20%、25%、30%的莱斯噪声的T1w图像和PDw图像。

对比可以看出我们的去噪方法达到了良好的视觉效果。随着莱斯噪声强度的增加，ADF去噪结果中包含的噪声越来越明显。当噪声强度超过20%后，残余噪声已严重影响到了视觉性能。CycleGAN和我们提出的方法能够有效地除去噪声。

基于深度学习的图像增强与色彩校正技术研究

深度学习技术的快速发展在图像处理领域产生了广泛的应用。其中，基于深度学习的图像增强与色彩校正技术是一项重要的研究领域。图像增强和色彩校正技术可以提高图像的质量和细节，并改善图像的感知效果。本文将探讨基于深度学习的图像增强与色彩校正技术的研究进展和应用。

首先，我们将介绍图像增强技术的研究背景。在图像处理中，图像增强是改进图像质量和增强图像细节的一种方法。传统的图像增强方法通常是基于数学模型或图像处理算法的，但这些方法往往对复杂场景下的图像处理效果有限。然而，基于深度学习的图像增强技术旨在通过训练大量的图像数据和深度神经网络模型，实现对图像进行自动学习和增强。

其次，我们将探讨基于深度学习的图像增强技术的研究方法和模型设计。在深度学习中，卷积神经网络（CNN）是一种常用的图像处理模型，它具有强大的图像特征提取和表达能力。基于CNN的图像增强技术通常包括图像去噪、图像超分辨率恢复、图像增强和图像修复等任务。通过对训练数据进行输入和输出的匹配，深度学习模型可以学习到图像的低层特征和高层语义信息，并生成与原始图像相比更清晰、更细节、更自然的增强图像。

接着，我们将介绍基于深度学习的图像色彩校正技术的研究现状。图像色彩校正是调整和校正图像的色彩分布和颜色平衡，使图像更加真实和自然。传统的图像色彩校正方法通常是基于直方图均衡化、颜色空间变换和颜色校正曲线等手工设计的算法，但往往对图像色彩特征的分布和变化模式有一定的限制。而基于深度学习的图像色彩校正技术可以通过训练模型自动学习图像的色彩特征，并实现对图像色彩的自适应调整和校正。

最后，我们将探讨基于深度学习的图像增强与色彩校正技术的应用和发展前景。基于深度学习的图像增强与色彩校正技术在多个领域具有广泛的应用前景，包括数字摄影、医学影像、无人驾驶、智能监控和图像检索等。这些应用场景对图像质量和色彩还原的要求非常高，而深度学习技术可以通过大规模训练数据和优化的神经网络模型来实现对图像的自动增强和色彩校正。

基于深度学习的水下目标图像增强及识别方法研究

基于深度学习的水下目标图像增强及识别方法研究

摘要：随着水下科学技术的不断发展，对于水下目标图像的准确识别和清晰展示成为了一个重要的研究领域。本文基于深度学习算法，研究了水下目标图像增强及识别方法，并进行了详细的实验验证。通过对水下图像的增强处理，提高图像的清晰度和对比度，从而更好地进行目标识别。同时，本文还通过对比实验，分析了不同深度学习模型在水下目标图像增强和识别中的性能差异。研究结果表明，基于深度学习的水下目标图像增强及识别方法具有较好的性能和应用前景，可以为水下科学技术的发展提供一定的参考和指导。

关键词：深度学习，水下目标图像，增强，识别，性能分析

1. 引言

水下环境的特殊性使得水下图像在获取和使用过程中面临着诸多的困难与挑战。相较于陆地图像，水下图像受到水质、光照等因素的影响，会出现模糊、噪声严重、对比度低等问题，对水下目标的准确识别造成很大的困难。因此，研究水下目标图像的增强方法和识别算法对于水下科学技术的发展具有重要意义。

2. 水下目标图像增强方法

2.1 图像去噪

针对水下图像中噪声较为严重的问题，本文采用了深度学习中的自编码器模型进行图像去噪处理。自编码器是一种无监督学习方法，通过训练自动提取输入数据的有用特征，从而达到降噪的效果。实验结果表明，自编码器模型可以有效降低水下图像中的噪声，提升图像的质量。

2.2 图像对比度增强

由于水下环境中光照条件的限制，水下图像常常呈现较低的对比度。为了增强水下目标图像的对比度，本文采用了基于深度学习的对比度增强方法。该方法通过学习图像的直方图信息，自适应地调整图像的亮度和对比度，使得水下目标更加鲜明清晰。

3. 水下目标图像识别方法

3.1 深度学习模型

为了实现对水下目标的准确识别，本文采用了卷积神经网络（CNN）作为深度学习模型。卷积神经网络利用卷积操作和池化操作，可以从原始图像中学习到目标的特征表示，从而实现对目标的高效分类。在实验中，本文训练了一个深度卷积神经网络，并评估了其识别性能。