全文总字数：2627字

1. 研究目的与意义及国内外研究现状

目的：为了解决深度图像中存在的图像模糊，畸变，传输损失和噪声等图像质量问题，从软件的角度出发，在不改变传感器成像系统物理结构的前提下，基于深度学习并以红外深度图像作为训练测试目标，提高红外深度图像的质量。

意义：图像增强如今已广泛应用到我们的生活当中，生物医学，视频通信，公安刑侦面部侦查等。

国内外研究现状

深度学习作为一种近几年提出的方法，在高级 信息感知方面的成就远远超越了传统的机器学习方 法。在图像处理的相关应用中，一个非常重要的网络结构是卷积神经网络（cnns）。这种网络结构可以有 效地提取二维图像中某一点邻域内的信息。因此，对于图片这种相邻像素点间具有很强相关性的数据，cnns是非常合适的网络结果。就目前来说，cnns 已经在图像分类、分割，目标识别与检测等方向得到了成功的应用。

2. 研究的基本内容

生成对抗网络（gan）是一种典型的非监督学习算法。它采用了二人零和博弈思想（即二人的利益之和为零或者为常数c，一方的所得正是另一方的所失，双方就是生成模型和判别模型），包含一个生成模型和一个判别模型使用两个神经网络相互训练，通过对抗学习的方式训练，目的是估测数据样本的潜在分布并生成新的数据样本。生成器捕捉真实数据样本的潜在分布，并生成新的数据样本；辨别器是一个二分类器，辨别输入是真实数据还是生成的样本。两种模型都是由深度卷积神经网络构成的。

本次设计通过训练集的不同失真类型的不同失真程度深度图像对生成对抗网络进行训练，训练出六种对应的生成对抗网络，然后对测试集的深度图像进行增强检测。

3. 实施方案、进度安排及预期效果

本设计利用深度学习算法中的生成对抗网络实现了红外深度图像的增强，针对红外深度图获取的困难，通过立体图像质量数据库实现生成对抗网络的训练，改善红外深度图畸变，质量低下的情况。

一种基于生成对抗网络的红外深度图像增强方法，包括下列步骤：

（1） 选取训练网络的图像数据库。我们选择的是mcl_3d数据库：有九个场景，每个场景选取三个视图作为参考图像，包括纹理图和深度图。失真图则是对应每一种场景的三个视图分别有六种畸变失真，并且每一种失真度分为四级。六种失真类型分别是加性白噪声、高斯模糊、jpeg、jpeg - 2000 ( jp2k )压缩、采样模糊、传输损失。失真度分为四级，最弱失真为1级，严重失真为4级。我们训练的主要是用每种场景的一个视图的深度图。针对6种不同的畸变，我们需要训练出6种对应的生成对抗网络。

4. 参考文献

[1]强振平,何丽波,陈旭,徐丹.深度学习图像修复方法综述[j].中国图象图形学报,2019,24(03):447-463.

[2]赵立怡. 基于生成式对抗网络的图像修复算法研究[d].西安理工大学,2018.

[3]胡中泽. 基于对抗生成网络的古籍文献图像修复技术应用研究[d].中央民族大学,2018.