论文部分内容阅读
当今互联网世界中,图像能传递比文字、声音更加形象、直观的信息。图像处理的技术也在许多领域取得了实际应用,例如监控视频,无人驾驶、医疗诊断等。然而图像作为信息载体在获取、传递和编辑的过程中,都有可能由于采集设备的问题产生一些随机噪声,当处在一些雨天等恶劣天气的时候,拍摄设备难免会被雨滴附着而导致拍摄的图像被雨滴污染。此类图像不但影响人类的主观视觉理解,同时对后续计算机视觉算法处理的时候也会带来一定的负面影响。因此,图像复原技术具有极大的实际应用价值。本文基于生成对抗网络,分别针对图像中的噪声和图像中的雨滴复原技术展开研究,主要工作如下:(1)针对生成对抗网络在训练过程中由于特征丢失而引起的表达能力不足与梯度消失问题,提出结合空洞卷积的残差模型特征提取网络。在生成网络中引入空洞卷积,可以有效的增加网络感受野,降低计算量。同时,在生成网络中加入残差模块,将浅层的特征直接传递到深层网络,有效的避免网络训练过程中梯度消失问题,提升复原图像质量。(2)图像噪声的存在会干扰人对图像的理解,常用图像去噪方法的效果往往不理想,容易造成图像纹理模糊且复原区域过于平滑,为了有效的去除噪声并获得比较好的视觉观感,提出一种改进的生成对抗网络算法,该算法通过增加生成网络的宽度来获取更多的图像特征,并加入一个全局残差对输入的噪声图像进行特征的提取与学习,避免特征的丢失。网络采用对抗损失和重建损失的加权和,在去除噪声的同时能够有效的保留图像的细节信息。实验结果表明,该算法能够有效的去除图像噪声,改善图像的视觉观感。(3)由于雨滴并没有固定的形状且透明度也不相同,采用直接去除雨滴的方法往往在去除雨滴的同时也会对图像背景信息造成一定的损坏。针对这个问题,提出一种基于差异性学习的生成对抗网络图像去除雨滴算法。该生成网络并不直接输出无雨滴的图像,而是学习带雨滴图像与无雨滴图像之间的差异,然后用带雨滴的图像减去学习出来的差异图像生成无雨滴的图像。为了更好的学习这种差异性,在生成网络中引入重构损失,采用预训练的VGG-16网络提取生成图像的差异与真实图像的差异特征并计算均方误差。实验结果表明,本文的方法不仅能够很好的去除图像中的雨滴,并且能够重建出雨滴遮挡部分的图像信息。