圖像降質(zhì)因素分類的研究與實現(xiàn).pdf

1、空間圖像數(shù)據(jù)在拍攝過程中會受到多種降質(zhì)因素的影響，例如相機自身、成像平臺、成像環(huán)境以及目標自身的特點等都是影響成像質(zhì)量的關(guān)鍵因素。其中，目標和相機的動態(tài)特性及其工作模式還有成像環(huán)境等都會使空間圖像成像結(jié)果降質(zhì)。并且，不同的降質(zhì)因素會導致獲取到的數(shù)據(jù)信息存在很大偏差，甚至使圖像信息無法識別或丟失，這就為后期圖像處理增加了難度。
　　因此，詳細分析每一種降質(zhì)因素的形成原因和存在形式對不僅可以為圖像質(zhì)量評價提供技術(shù)職稱，而且可以給不同的

2、圖像降質(zhì)因素處理方法的參數(shù)建模，為實現(xiàn)圖像處理流程的智能化提供理論支撐。
　　本文的研究內(nèi)容主要是利用支持向量機對圖像的復合降質(zhì)因素進行粗分類，再利用深度學習對粗分類結(jié)果中的降質(zhì)因素進行精細分類。首先分析降質(zhì)因素的形成原因、存在形式以及圖像降質(zhì)因素對成像圖像數(shù)據(jù)的影響，接著針對這些降質(zhì)因素進行特性分析，并將其作為構(gòu)建空間圖像數(shù)據(jù)庫的數(shù)據(jù)分類標定依據(jù)，從而建立復合降質(zhì)圖像數(shù)據(jù)庫和單一降質(zhì)圖像數(shù)據(jù)庫。選擇圖像的空域、頻域特征，主要包括

3、小波變換特征和梯度特征，利用這些特征構(gòu)成的特征向量來感知降質(zhì)圖像中降質(zhì)因素的存在形式，并將其作為支持向量機和深度學習神經(jīng)網(wǎng)絡(luò)的輸入，選用合適參數(shù)的向量機模型、利用其分類準確的能力對復合降質(zhì)的圖像進行粗分類。選用深度學習網(wǎng)絡(luò)模型Alex Net，詳細分析了其網(wǎng)絡(luò)原理、算法執(zhí)行細節(jié)、每一層的數(shù)據(jù)傳遞機制、網(wǎng)絡(luò)訓練過程，利用其強大的自學習能力，對含有單一降質(zhì)因素的圖像數(shù)據(jù)進行學習、分類，實現(xiàn)成像數(shù)據(jù)降質(zhì)因素的精細分類。文章的主要工作及創(chuàng)新點如

4、下：
　　1)對空間圖像中降質(zhì)因素的形成原因、存在形式進行了較為全面的分析。指出降質(zhì)因素的分類對空間圖像質(zhì)量評價以及圖像處理流程智能化有著重要的作用，并構(gòu)建了兩個降質(zhì)圖像數(shù)據(jù)庫。從圖像成像鏈路入手，根據(jù)空間圖像成像過程中存在的降質(zhì)因素成因和類型，針對空間圖像成像途徑少、成像環(huán)境惡劣、數(shù)據(jù)有限、成像機會少等特點，針對標定的不同降質(zhì)因素，通過實拍數(shù)據(jù)、數(shù)據(jù)仿真等途徑，最大程度地建立復合降質(zhì)因素圖像數(shù)據(jù)庫以及單一降質(zhì)因素的圖像數(shù)據(jù)庫，為

5、本文圖像降質(zhì)因素分類方法研究工作以及今后的圖像質(zhì)量評價工作提供數(shù)據(jù)基礎(chǔ)。
　　2)提出了一種基于支持向量機的復合降質(zhì)因素分類方法?；诮蒂|(zhì)因素類型，采用小波變換特征、梯度特征構(gòu)成的降質(zhì)因素的特征向量，感知圖像噪聲、模糊、高曝光、低曝光等降質(zhì)在圖像對比度、結(jié)構(gòu)、細節(jié)等方面的影響。然后介紹了目前常用的分類方法，并且說明為什么選擇支撐向量機。通過實驗和統(tǒng)計驗證該方法合理有效性，分析出圖像各種降質(zhì)因素存在的概率，為空間圖像的質(zhì)量評價以及后

6、續(xù)圖像處理提供很好的依據(jù)。
　　3)提出了一種基于深度學習的單一降質(zhì)因素分類方法。針對空間圖像存在單一降質(zhì)因素的情形，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)之典型模型Alex Net網(wǎng)絡(luò)的圖像分類具有分類效果好的特點把單個降質(zhì)因素影響的圖像數(shù)據(jù)作為該網(wǎng)絡(luò)的輸入。原始圖像首先進入卷積層進行卷積產(chǎn)生一個特征圖，之后進入池化層進行降采樣，依次類推，最后將輸出的特征圖拉成一列特征向量，輸入到分類器中，一般該分類器可選擇 MLP(Multi-layer