基于深度學(xué)習(xí)的圖像修復(fù)技術(shù)研究

范新剛

（廣州城建職業(yè)學(xué)院，廣東 廣州 510925）

0 引言

傳統(tǒng)的圖形學(xué)及視覺的研究主要是基于數(shù)學(xué)和物理的方法。近年來，深度學(xué)習(xí)在視覺領(lǐng)域取得了很大突破。視覺領(lǐng)域的研究主要集中在深度學(xué)習(xí)方面，特別是在圖像編輯和圖像生成方面，已實現(xiàn)多種場景的應(yīng)用。

圖像補全介于圖像編輯和圖像生成之間，最初是一個傳統(tǒng)圖形學(xué)的問題。問題本身很直觀：在一幅圖像上挖一個洞，然后利用破損區(qū)域之外的信息將之補全，并且無法肉眼識別。這個問題對人類來說似乎很容易，例如一些有缺陷的圖像，人的大腦會自動聯(lián)想圖像缺失的部分，如果有一些繪畫天賦，就能憑著想象把缺失的部分補充完整。但是這個任務(wù)對于計算機來說顯得格外困難。首先，問題的解決辦法不唯一；其次，破損區(qū)域之外的信息如何利用、如何判斷補全后的圖像是否完全還原是需要解決的問題。

以深度學(xué)習(xí)為代表的機器學(xué)習(xí)，正在逐漸席卷整個圖形學(xué)研究領(lǐng)域。研究者們逐漸發(fā)現(xiàn)，當(dāng)傳統(tǒng)的基于物理的模型發(fā)展遇到瓶頸時，機器學(xué)習(xí)的方法也許有助于解釋復(fù)雜的數(shù)理模型。畢竟只有理解了圖像的深層結(jié)構(gòu)，才能更好地指導(dǎo)圖像的生成和處理。

1 深度學(xué)習(xí)理論

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一個數(shù)學(xué)模型，是對動物神經(jīng)網(wǎng)絡(luò)的模擬，比較適用于分布式信息處理。神經(jīng)網(wǎng)絡(luò)通過大量的內(nèi)部節(jié)點達到信息處理的目的。自我學(xué)習(xí)能力和自適應(yīng)能力是ANN的基本特征。通過分析預(yù)設(shè)的輸入和輸出數(shù)量，可找出兩者之間的對應(yīng)規(guī)則，然后利用這些規(guī)則，用新的輸入推導(dǎo)出輸出數(shù)據(jù)，這種分析的過程稱為“訓(xùn)練”。

在ANN中，神經(jīng)元處理單元可以代表不同的對象，如特征、字母、概念或一些有意義的抽象圖案［1］。網(wǎng)絡(luò)中處理單元的類型分為3類：輸入單元、輸出單元和隱藏單元。研究表明，輸入單元接收來自外部世界的信號和數(shù)據(jù)；輸出單元實現(xiàn)系統(tǒng)處理結(jié)果的輸出；隱藏單元是一個單元，位于輸入和輸出單元之間，不能從系統(tǒng)外部查看。神經(jīng)元之間的連接強度通過連接權(quán)重反映，而網(wǎng)絡(luò)單元的連接關(guān)系則反映了信息的表示和處理［2］。

一般情況下，如果只有一個神經(jīng)元，就算有再多的輸入也是不夠的。所以，一般需要5～10個神經(jīng)元，以并行的方式運算，這些神經(jīng)元被稱為“層”。

1.1.1 單層神經(jīng)網(wǎng)絡(luò)

由S個神經(jīng)元構(gòu)成的單層神經(jīng)網(wǎng)絡(luò)如圖1所示。單層神經(jīng)網(wǎng)絡(luò)通過權(quán)值矩陣W，因此，輸入向量p的每一個分量都可以連接到每一個神經(jīng)元。因為每一個神經(jīng)元都有含有一個偏置值b、一個累加器、一個傳輸函數(shù)f，所有這些輸出共同構(gòu)成了輸出向量a［3］。

圖1 具有S個神經(jīng)的單層神經(jīng)網(wǎng)絡(luò)

1.1.2 多層神經(jīng)網(wǎng)絡(luò)

第一層的輸入為R，有S1個神經(jīng)元，第二層有S2個神經(jīng)元，以此類推，第n層就有Sn+1個神經(jīng)元。每一層的輸出即下一層的輸入。三層網(wǎng)絡(luò)如圖2所示。

圖2 三層網(wǎng)絡(luò)

1.1.3 學(xué)習(xí)方式

（1）監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是將訓(xùn)練好的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入對比期望值和實際輸出，得到誤差，然后控制差值信號調(diào)整權(quán)值大小，快速適應(yīng)新場景。

（2）非監(jiān)督學(xué)習(xí)。非監(jiān)督學(xué)習(xí)不需要訓(xùn)練后的數(shù)據(jù)，直接把神經(jīng)網(wǎng)絡(luò)放到新環(huán)境，通過提取數(shù)據(jù)特征進行學(xué)習(xí)。

1.2 深度學(xué)習(xí)

深度學(xué)習(xí)源于ANN研究的發(fā)展，這一概念在2006年被提出?；谏羁尚啪W(wǎng)絡(luò)（Deep Belief Net‐works，DBN），提出了一種無監(jiān)督的逐層訓(xùn)練算法，解決深層結(jié)構(gòu)相關(guān)優(yōu)化問題。卷積神經(jīng)網(wǎng)絡(luò)由拉科納提出，是真正意義上的多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相關(guān)關(guān)系來減少參數(shù)的數(shù)量，提高訓(xùn)練性能［4］。

深度學(xué)習(xí)的目的是模擬人腦學(xué)習(xí)，建立神經(jīng)網(wǎng)絡(luò)，是機器學(xué)習(xí)的新領(lǐng)域，通過模仿人類大腦的機制來解釋圖像、聲音和文本等數(shù)據(jù)。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)的代表算法是卷積神經(jīng)網(wǎng)絡(luò)，是一種包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，能夠平移且不變分類，因此，被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)”。

卷積神經(jīng)網(wǎng)絡(luò)可以進行監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，其中，隱含層內(nèi)的卷積核參數(shù)共享和層間連接的稀疏性使得卷積神經(jīng)網(wǎng)絡(luò)能夠以較小的計算量對格點化特征，例如像素和音頻進行學(xué)習(xí)，有穩(wěn)定的效果而且對數(shù)據(jù)沒有額外的特征工程要求［5］。

卷積神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上分為輸入層和輸出層，其中，輸入層可以處理多維數(shù)據(jù)。很多研究一般都預(yù)先假設(shè)三維輸入數(shù)據(jù)，即平面上的二維像素點和RGB通道。

輸入層又包含卷積層、池化層和全連接層［6］。其中，卷積層完成輸入數(shù)據(jù)的特征提取，產(chǎn)生的特征圖傳遞至池化層進行處理，卷積神經(jīng)網(wǎng)絡(luò)中的全連接層相當(dāng)于前饋神經(jīng)網(wǎng)絡(luò)中的隱含層，通常構(gòu)建在隱含層的最后，并只向其他全連接層傳遞信號。特征圖會在全連接層中失去三維結(jié)構(gòu)，被展開為向量并通過激勵函數(shù)傳遞至下一層。

2 基于超分辨率重建的圖像修復(fù)

2.1 超分辨率重建

很多圖像應(yīng)用程序需要高分辨率圖像，即像素密度很高，可以提供更豐富的細節(jié)信息。提高分辨率，像素尺寸將減小，光通量將降低。因此，噪聲會嚴(yán)重影響圖像質(zhì)量。

像素尺寸的減小不是無限的，因此，增大芯片的尺寸是另外一種提高分辨率的方法，但效率較低，因為大容量耦合的耦合系數(shù)很難提高。另外，高精度光學(xué)和圖像傳感器一般價格高昂，因此，為了克服傳感器和光學(xué)制造技術(shù)的局限性，采用信號處理的方法，從多個低分辨率圖像獲取高分辨率，分辨率增強技術(shù)成為熱門研究領(lǐng)域，稱為“超分辨率”。

信號處理方法的優(yōu)勢是成本低廉，可充分利用現(xiàn)有的低分辨率圖像。在醫(yī)學(xué)成像、衛(wèi)星圖像和視頻領(lǐng)域存在大量的低分辨率圖像，因此，超分辨率圖像恢復(fù)技術(shù)大有可為。

在分辨率提高技術(shù)中，通過同一場景獲取多個低分辨率的細節(jié)圖像，每個細節(jié)圖像代表同一場景的不同側(cè)面。如果各個低分辨率圖像之間都有像素偏移，那么它們可提供不同的信息用于高分辨率圖像恢復(fù)。

2.2 基于深度學(xué)習(xí)模型的圖像修復(fù)

實驗環(huán)境為NVIDIA云計算平臺，客戶端為Win‐dows10系統(tǒng)，工具為Python-3.7.2-amd64，本團隊進行了大量的圖像訓(xùn)練，訓(xùn)練次數(shù)達到600 000次。在訓(xùn)練過程中，嘗試使用了線性插值以凸顯圖片特征，但是整個過程中需要大量的插值操作，對于經(jīng)過幾十上百萬次訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)來說，幾乎不可能完成。

后來發(fā)現(xiàn)，增加卷積層的數(shù)量，可以提高模型的性能，因此，實驗將卷積層數(shù)量設(shè)定為10。

本次實驗準(zhǔn)備了4張打碼的圖像，如圖3所示，經(jīng)過十幾個小時的訓(xùn)練模型建立，最終修復(fù)的圖像如圖4所示。

本次實驗同時進行了馬斯克去除測試，準(zhǔn)備了若干帶有馬賽克的圖像，訓(xùn)練模型建立后，測試結(jié)果如圖5所示（左邊為去除之前）。

圖3 打碼的圖像

圖4 修復(fù)的圖像

圖5 測試結(jié)果

3 結(jié)語

文章探討了深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、超分辨率重建等相關(guān)理論，利用NVIDIA云計算平臺進行大量的深度學(xué)習(xí)，建立修復(fù)模型，同時，通過增加卷積層數(shù)量，提升了學(xué)習(xí)訓(xùn)練效率；實驗對比可知，圖像修復(fù)達到了一定效果。但是，尚有許多不足和需要改進的地方，例如訓(xùn)練次數(shù)不夠。因此，圖像修復(fù)效果不盡如人意，這是以后繼續(xù)努力的方向。

（責(zé)任編輯 顧培培）