【用卷積神經(jīng)網(wǎng)絡(luò)的算法進行圖像增強算法設(shè)計案例1400字】

用卷積神經(jīng)網(wǎng)絡(luò)的算法進行圖像增強算法設(shè)計案例目錄TOC\o"1-3"\h\u25432用卷積神經(jīng)網(wǎng)絡(luò)的算法進行圖像增強算法設(shè)計案例 135261.1實驗環(huán)境與平臺 148451.2評價指標 119921（1）峰值信噪比（PNSR） 130475（2）結(jié)構(gòu)相似性（SSIM） 1738（3）信息熵 2187481.3訓練數(shù)據(jù)集與分析 230526（1）人工合成訓練集 228152（2）真實場景訓練集 31.1實驗環(huán)境與平臺直接評價圖像增強算法優(yōu)劣的標準是對低照度的圖像進行增強的效果，是為了驗證基于U型網(wǎng)絡(luò)的圖像增強算法對改善低照度圖像的優(yōu)劣。本文選用低照度圖像在基于深度學習的Tensorflow平臺上進行實驗，并且設(shè)定各部分網(wǎng)絡(luò)的卷積核尺寸為。通過本文采用的算法與直方圖均衡法進行對比，來評價算法的好壞。1.2評價指標峰值信噪比（PNSR）PNSR是評價圖像失真情況或噪聲問題的標準REF_Ref5130\r\h[11]，評價結(jié)果的單位是dB。PNSR的值越大，圖像質(zhì)量越高，損失程度較大時，PNSR值接近于0dB.用公式可以表示為如下內(nèi)容：（4-1）其中，MAX的取值為256，MSE是重建圖像X和目標圖像Y的均方誤差值。結(jié)構(gòu)相似性（SSIM）結(jié)構(gòu)相似性是評價兩幅圖像相似度的標準。其范圍值為-1到1，數(shù)值越大表明圖像的質(zhì)量越好。當兩張圖像完全一樣時，SSIM的值等于1。SSIM用亮度、對比度和結(jié)構(gòu)三個元素評定圖像失真。用公式可以表示為：（4-2）在上式中，亮度比較：（4-3）對比度比較：（4-4）結(jié)構(gòu)比較：（4-5）方差：（4-6）其中，x,y分別代表參考圖像和待測圖像。信息熵信息熵是衡量一幅圖像中信息含量的量化指標。圖像中擁有的信息數(shù)量少，其值越小。用公式可以表示為如下：（4-7）其中，C表示灰度概率。1.3訓練數(shù)據(jù)集與分析（1）人工合成訓練集首先對模擬合成的低照度圖像進行測試，然后利用第三章所提的算法合成低照度圖像。如圖4-1所示依次為低照度圖像、原始的高質(zhì)量圖像、直方圖均衡算法結(jié)果圖和本文基于U-Net算法的結(jié)果圖。HE算法和本文采用的算法都能對合成的數(shù)據(jù)起到增強的作用，加大圖像的亮度和對比度，改良圖像的視覺感受。傳統(tǒng)的直方圖均衡法會讓圖像的灰度范圍變大，但會出現(xiàn)灰度合并的情況，圖像的亮度過高，圖像的細節(jié)信息模糊。本文采用的算法不會出現(xiàn)圖像亮度過度增強的情況，并且明顯提高了圖像的亮度和對比度，也保留了圖像的詳細信息，視覺效果更優(yōu)。低照度圖像目標圖像HE算法本文算法圖4-1各類算法效果對比圖表4-1所示為不同算法對低照度圖像的增強效果的評價指標對比。通過峰值信噪比（PNSR）和結(jié)構(gòu)相似性（SSIM）兩種實驗指標對各種算法的結(jié)果進行對比，從而得出本文采用的算法優(yōu)于其他算法。通過使用本文的算法的增強處理之后，低照度圖像的結(jié)構(gòu)完整性更強，真實度更高。表4-1不同增強算法的評價指標表評價指標HE本文算法PNSR27.2629.52MSE0.8350.855（2）真實場景訓練集為了加強對本文采用的算法的驗證，使用低照度圖像數(shù)據(jù)庫的低照度圖像進行測試。如圖4-2所示依次為真實場景圖像、直方圖均衡算法結(jié)果圖和本文基于U-Net算法的結(jié)果圖。HE算法和本文采用的算法都可以達到增強的效果，調(diào)整圖像的亮度和對比度，改善圖像的視覺感受。傳統(tǒng)的直方圖均衡法會增強適度亮度的區(qū)域，但在圖像的亮度過低的區(qū)域會丟失詳細信息，且?guī)砹嗽肼暋１疚牟捎玫乃惴ú粫霈F(xiàn)對圖像過度增強的情況，平滑的調(diào)整了圖像的亮度和對比度，并且能夠很好地保留圖像低亮度區(qū)域的細節(jié)信息，且不會帶來過多噪聲。真實圖像HE算法本文算法圖4-2真實圖像的低照度圖像增強效果示意圖表4-2為HE算