课题名称：基于卷积神经网络的图像恢复方法设计
- 研究意义与目的
当下，图像已经成为人们获取有效信息的重要途径之一，对图像的质量要求也越来越高。然而在图像获取的过程中会因为外界的各种因素导致图像不清晰，如由于设备原因使捕获图像时图像不清晰或者存在大量噪声，又如在各种古迹当中由于年限长久致使画面模糊、字迹不清等。通过图像修复技术，有利于使捕获到的模糊图像变得清晰，使得在抓捕罪犯、治疗疾病、研究历史等进程中取得更高效的进展。因此研究基于卷积神经网络来进行图像修复具有重要意义。
- 研究内容
本课题主要将深度学习有关内容用于图像去噪和文字去模糊两个方面。
首先了解CNN（Convolutional Neural Network ）及其训练方式。卷积神经网络是仿造生物视知觉机制构建，包括输入层、隐含层、输出层。其训练过程有两个阶段分别为：数据由低层次向高层次传播阶段和将误差由高层次向低层次传送阶段。
其次，了解图像去噪和文字去模糊两个方面。通过减少数字图像及文字噪声使得图像变得清晰，提高图像质量。利用CNN分层结构网络分别提取图像局部特征，图像全局特征进而进行图像去噪与文字去模糊。
最后，用MATLAB训练出基于卷积神经网络的图像修复器，对各类模糊图像进行修复调整得到清晰图像。
- 国内外现状
本课题可分为卷积神经网络和图像修复两个模块来进行研究
3.1卷积神经网络CNN研究现状
深度学习的概念由Hinton等人于2006年提出，近几年深度学习在人工智能领域的迅猛发展得益于在2012年参加Image Net比赛[[1]]取得冠军，并领先第二名非常高的准确率，并在之后发表深度卷积神经网络有关文章得到各界关注。神经网络是一门重要的机器学习技术[[2]]。当下，卷积神经网络被广泛应用于计算机视觉、自然语言处理、物理学、遥感科学等方面。卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。[[3]]既可以构建阶层分类器区分图像，也可以将图像先进行预处理提取图像特征以供分类器进行学习。其算法主要分为一维算法应用于语音识别问题和二维算法应用于图像分类。在GoogleNet结构中采用了3种类型的卷积操作, 该结构的主要特点是提升了计算资源的利用率且GoogleNet的准确率更高。[[4]]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
