论文部分内容阅读
图像作为视觉信息的主要载体被广泛应用于生产和生活中,但实际图像应用中所产生的失真会严重影响图像质量。图像质量增强旨在利用低质量图像构建高质量图像,长期以来一直是图像处理领域的热点研究问题。基于经典信号处理理论的图像质量增强算法目前遇到了技术瓶颈,对质量增强的能力十分有限。近年来,深度学习已经被成功应用于图像处理并表现出了良好的性能。本文将卷积神经网络用于图像质量增强中,提出了多种新型算法,包括:（1）基于卷积神经网络的三阶段图像去马赛克算法;（2）面向变换域下采样的图像复原算法;（3）基于编码码率分布图的图像去块效应算法。具体描述如下:1.基于卷积神经网络的三阶段图像去马赛克算法通过探索各色彩通道间的相关性,重新定义图像去马赛克的流程,以实现更好的去马赛克性能。该方法利用先验特征融合单元将引导滤波的思想应用于绿色（G）通道特征和红色/蓝色（R/B）通道特征的融合,并充分利用先验信息降低网络的建模难度;所设计的自适应局部残差单元采用带有自修正功能的残差机制降低各残差块的误差,提升网络建模的准确性;并采用基于拉普拉斯能量约束的局部残差单元细化网络中特定残差块的学习目标,强化残差特征中的主要信息。2.面向变换域下采样的图像复原算法采用像素域和变换域相结合的损失函数建立图像复原卷积神经网络,所构建的损失函数既能保证重建图像的客观质量,又能提升重建图像细节纹理的保真度,使得该算法在高频系数缺失的情况下仍能很好地复原图像。此外,将改进的基于2l范数和1l范数联合优化的变换域下采样算法与所提出的图像复原算法应用于色度分量的压缩,构建了一种新型彩色图像编码算法,提高传统算法的编码效率。3.基于编码码率分布图的图像去块效应算法用于提升压缩图像的质量,主要由频域分离特征增强单元构成。频域分离特征增强单元首先通过离散余弦变换将特征的高、低频信息分离,然后采用“收缩+扩张”的特征增强机制强化特征的表征能力,最后结合注意力机制从码率分布图中提取特征的重要性矩阵对各通道特征进行重标定。通过这种方式不仅实现了编码信息和图像信息的结合,而且还增加了卷积核的专一性和可解释性。