基于卷積神經網絡的算法簡介概述目錄 1 1 2 2 2 3 3 4 4 5 6 6研究基于U型網絡的低照度圖像增強算法。首先對這個算法做出基本概述，接1.1算法的基本概述光照強度不夠強的環境導致產生了很多低照度圖像。卷積神經網絡只需使用少量參數數目就可以在短時間內提取圖像特征且不需要U型網絡增強算法的結構如圖3-1所示。增強流程為從低照度圖像集中取一圖像。在這種網絡結構中，原始輸入圖像的尺寸在卷積層不斷變小，在反卷積層f?×f?f?×f?OO(1)特征提取與表示在很多圖像處理的過程中，將圖像分塊然后進行處理是一個非常使用的方式，是一個在像素上進行處理的操作，具體內容為選擇輸入圖像的一個像素點為中心，再把一個特定的圖像塊當成該像素點的領域，對該像素點的整個領域進行處理，每次處理后僅得到輸出圖像中對應像素點的值。與上述方法類似，采用滑窗卷積法對圖像進行特征的提取和表示處理也是非常高效便捷的，每一個參數相對應的卷積核可以從圖像中獲取不一樣的特征。提取第一層的特征可以表示為：其中，Fi是濾波器空間的大小，W1表示濾波器，Bi表示偏置，*表示卷積運算，濾波器數量為ni,c是輸入圖像中的通道數。B?是ni維向量，其每個值都與濾波器有關。第一層的具體操作流程為：對輸入圖像I,W1在圖像上應用ni個卷積，每個卷積的內核大小為c*f1*fi然后輸出是ni個特征映射得到的結果。最后對產生的結果進行非線性映射。(2)非線性映射在上一步的基礎上，通過非線性映射關系，將得到的結果映射到n2維向量，等同于應用1×1的n2濾波器。第二層的操作內容為：其中，Ii表示第一層的輸出結果，W?的大小是n×f2×f2×f2,B2表示n2維度的偏置向量。為了方便列式，式(3-2)只列出了一個卷積層進行運算，在實際的結構設計中，可以添加更多卷積層來增加非線性，從而獲取高維度的特征，這會增加模型的復雜性，因此需要更多訓練時間。(3)圖像重建在傳統的算法中，會對輸出圖像的重疊部分平均處理，以此產生最終的完整了如圖3-1的卷積神經網絡結構圖。在這個模型中，會優化權重值和偏差值。在1.2算法原理分析1.2.1U型網絡基本結構U型網絡由2個一樣的3×3卷積核組成，并且都選擇ReLU作為激活函數，長的狀態，該網絡共有23個卷積層。左側部分稱為收縮路徑，右側部分為擴張各有一個的最大池化層(步長為2),每個卷積層使用對原始輸入圖像的相關激積層都選擇了ReLU當激活函數，升采樣的每一個步驟都會添加相一層是一個1×1的卷積層，經過這一步的卷積層運算，可以把64通道的特征向量變成想要的分類結果的值。U-Net網絡的結構示意圖如圖3-2所示：1.2.2算法實現步驟(1)數據集預處理算法的結論需要大量的訓練數據作為支撐，為了深入研究低照度圖像的增強，將采用伽馬校正的算法，不斷地改變伽馬的曲線值從而獲得低照度圖像，調整方法如圖3-3所示：伽馬校正的定義式：其中，A是一個常數，輸入輸出值都是不是負數的實數。當y<1時，位于低灰度區間內，動態區間變大，所以提高了圖像的對比度，位于高灰度區間時，動態區間變小，減弱了圖像的對比度；y>1時，位于低灰度區間時，動態區間變小，減弱了圖像的對比度，位于高灰度區間時，動態區間變大，提高了圖像的對比度，圖像整體灰度值就被降低。隨機選擇數值作為伽馬校正的參數，降低圖像的亮度，從而得到低照度圖像，數據實例如圖3-4所示：正常照度圖像低照度圖像(2)特征提取層U型卷積神經網絡的第一部分為特征提取層，可以提取在低照度條件下的底層的特征信息，可以根據不同的情況自適應地調整處理低照度圖像的像素。在卷積神經網絡中，卷積層的神經元只和深層的神經元連接，而在同一層中，某些神經元之間的連接具有相同的權重和偏移量，這樣大減少了需要訓練的參數的數量。如圖3-5所示，特征提取層是一個3層的卷積層，輸入層是原始輸入圖像的數據集，圖像的大小為256*256*1,第一層有多少個特征圖，就會有相同數量的卷積核卷積得到相應的特征圖。設卷積核的尺寸為3*3,為了解決圖像的邊緣特征，對圖像進行padding處理，然后即可得到尺寸為256*256*1的特征圖。卷積層的作用是對圖像進行卷積運算，然后提取出圖像更高層級的特征，具體流程如圖3-5所示：CCAfilterBa用公式可以表達為如下內容：池化層的目的是通過降采樣縮小圖像，減少神經網絡中的參數。由于進行池化處理之后，圖像的細節信息會有一定程度的丟失。所以使用步長為2的卷積層(3)跳躍連接層利于梯度的方向傳播，進而加快訓練的速度。跳躍連接的結構圖如圖3-6所示：④(4)轉置卷積運算[4,51],dtype=tf.float3kernel=tf[7,8,9]],dtype=tf.floattranspose_conv=tf.nn.conv2d_transpose(x,kernel,output_shape=[1,4,print(sess.run(trans123456789