【用卷积神经网络的算法进行图像增强算法设计案例1400字】

用卷积神经网络的算法进行图像增强算法设计案例目录TOC\o"1-3"\h\u25432用卷积神经网络的算法进行图像增强算法设计案例 135261.1实验环境与平台 148451.2评价指标 119921（1）峰值信噪比（PNSR） 130475（2）结构相似性（SSIM） 1738（3）信息熵 2187481.3训练数据集与分析 230526（1）人工合成训练集 228152（2）真实场景训练集 31.1实验环境与平台直接评价图像增强算法优劣的标准是对低照度的图像进行增强的效果，是为了验证基于U型网络的图像增强算法对改善低照度图像的优劣。本文选用低照度图像在基于深度学习的Tensorflow平台上进行实验，并且设定各部分网络的卷积核尺寸为。通过本文采用的算法与直方图均衡法进行对比，来评价算法的好坏。1.2评价指标峰值信噪比（PNSR）PNSR是评价图像失真情况或噪声问题的标准REF_Ref5130\r\h[11]，评价结果的单位是dB。PNSR的值越大，图像质量越高，损失程度较大时，PNSR值接近于0dB.用公式可以表示为如下内容：（4-1）其中，MAX的取值为256，MSE是重建图像X和目标图像Y的均方误差值。结构相似性（SSIM）结构相似性是评价两幅图像相似度的标准。其范围值为-1到1，数值越大表明图像的质量越好。当两张图像完全一样时，SSIM的值等于1。SSIM用亮度、对比度和结构三个元素评定图像失真。用公式可以表示为：（4-2）在上式中，亮度比较：（4-3）对比度比较：（4-4）结构比较：（4-5）方差：（4-6）其中，x,y分别代表参考图像和待测图像。信息熵信息熵是衡量一幅图像中信息含量的量化指标。图像中拥有的信息数量少，其值越小。用公式可以表示为如下：（4-7）其中，C表示灰度概率。1.3训练数据集与分析（1）人工合成训练集首先对模拟合成的低照度图像进行测试，然后利用第三章所提的算法合成低照度图像。如图4-1所示依次为低照度图像、原始的高质量图像、直方图均衡算法结果图和本文基于U-Net算法的结果图。HE算法和本文采用的算法都能对合成的数据起到增强的作用，加大图像的亮度和对比度，改良图像的视觉感受。传统的直方图均衡法会让图像的灰度范围变大，但会出现灰度合并的情况，图像的亮度过高，图像的细节信息模糊。本文采用的算法不会出现图像亮度过度增强的情况，并且明显提高了图像的亮度和对比度，也保留了图像的详细信息，视觉效果更优。低照度图像目标图像HE算法本文算法图4-1各类算法效果对比图表4-1所示为不同算法对低照度图像的增强效果的评价指标对比。通过峰值信噪比（PNSR）和结构相似性（SSIM）两种实验指标对各种算法的结果进行对比，从而得出本文采用的算法优于其他算法。通过使用本文的算法的增强处理之后，低照度图像的结构完整性更强，真实度更高。表4-1不同增强算法的评价指标表评价指标HE本文算法PNSR27.2629.52MSE0.8350.855（2）真实场景训练集为了加强对本文采用的算法的验证，使用低照度图像数据库的低照度图像进行测试。如图4-2所示依次为真实场景图像、直方图均衡算法结果图和本文基于U-Net算法的结果图。HE算法和本文采用的算法都可以达到增强的效果，调整图像的亮度和对比度，改善图像的视觉感受。传统的直方图均衡法会增强适度亮度的区域，但在图像的亮度过低的区域会丢失详细信息，且带来了噪声。本文采用的算法不会出现对图像过度增强的情况，平滑的调整了图像的亮度和对比度，并且能够很好地保留图像低亮度区域的细节信息，且不会带来过多噪声。真实图像HE算法本文算法图4-2真实图像的低照度图像增强效果示意图表4-2为HE算