基于深度学习与Android平台的图像修复系统设计

发布时间：2025-06-24 04:48

　　图像修复作为数字图像处理中的一个重要分支,广泛应用在文物保护、刑侦、生物医疗、航空航天等领域。传统的图像修复方法存在图像块误匹配、块区域修复视觉效果较差等问题,深度学习作为一种新兴的工具,在提取特征上相比传统方法能够获得更深层、更加具有特定性的特征表示,已经在计算机视觉和图像处理领域中都取得了良好的效果。基于深度学习的生成对抗网络(GAN,Generative Adversarial Networks)能够学习图像已知区域的特征,这些特征可用于预测图像缺损区域,从而实现缺损图像的自我修复。但是GAN网络往往参数较多,运算量及占用内存空间较大,不利于应用在资源受限的嵌入式端。为了解决上述问题,本文完成了以下工作:(1)构建了一种参数较少、图像修复效果较佳的M-GAN(Mobile-GAN)网络。M-GAN的生成网络采用自编码器结构,并在网络中间层加入空洞卷积操作增大卷积核的感受区域,使网络学习到更多的图像特征,能够更加准确地完成图像修复任务;在不改变网络中标准卷积层输出特征的前提下,将标准卷积转换为深度可分离卷积,使生成网络的参数减少了50%左右;M-GAN鉴别网络由两个子网络组成:全局鉴...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 图像修复的发展历程与现状
    1.3 神经网络压缩的研究现状
    1.4 深度学习应用在嵌入式端的研究现状
    1.5 本文的主要工作及章节安排
第2章 基于生成对抗网络的图像修复M-GAN模型
    2.1 生成对抗网络概述
    2.2 M-GAN网络原理
        2.2.1 三种卷积操作
        2.2.2 批量归一化操作
        2.2.3 损失函数的定义
    2.3 构建M-GAN网络
        2.3.1 M-GAN生成网络
        2.3.2 M-GAN鉴别网络
    2.4 训练M-GAN网络
    2.5 M-GAN网络与传统图像修复方法效果对比
        2.5.1 图像修复效果的评价方法
        2.5.2 测试结果对比与分析
    2.6 本章小结
第3章 M-GAN生成网络的压缩
    3.1 需求分析
    3.2 网络裁剪
        3.2.1 原理分析
        3.2.2 实验结果分析
    3.3 网络量化
        3.3.1 原理分析
        3.3.2 实现网络量化
    3.4 本章小结
第4章 图像修复在Android手机端的实现
    4.1 Android手机端图像修复需求分析
    4.2 Android开发环境搭建
    4.3 基于Android平台的图像修复应用设计
        4.3.1 应用框架
        4.3.2 UI设计
        4.3.3 业务逻辑层设计
        4.3.4 bitmap图像数据转换
    4.4 运行测试
        4.4.1 测试用例设计
        4.4.2 测试结果及分析
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果



本文编号：4052511