1. 研究目的与意义
1.1背景（1）近年来,数字图像的科学理论和技术手段迅猛发展,在通信、工业、医学、遥感、军事等领域得到了广泛的应用,极大地促进了人类科学研究的发展、社会生产率的提高和生活方式的改善。然而,在图像的获取、处理、传输和记录的过程中,由于成像系统、处理方法、传输介质和记录设备的不完善等原因,不可避免地带来某种程度的图像失真或降质,这给人们研究解决问题、认识客观世界带来很大的不便[1] 。由于图像信息相对于其它信息有着无可比拟的优点，因此对图像信息进行合理处理成为各领域中不可或缺的手段。去除图像中存在的噪声，恢复图像损失的部分并且基于背景信息将它们重建的技术被称为图像修复。在数字世界中，它指的是应用复杂算法以替代图像数据中缺失或者损坏的部分。在数字效果图像复原，图像编码和传输的应用中，图像修复已经被广泛地研究。传统的图像修复，可以使用基于扩散方法来处理，这种方法将局部结构传播到位置部分，或者基于示例的方法，每一次构建缺失部分的一个像素点（块）同时保持和周围像素点的一致性。正如文献[6]介绍的在小的刮痕、小物体去除等方面，这些方法可以取得好的效果。但对较大区域破损图像的修复、图像中大物体的移除等应用，由于这类方法都以局部信息为基础进行扩散修复，很难在这些应用中取得理想的修复结果，不能满足人们的需求。对于大区域的修复，有效的方法主要有两类:一类是基于纹理合成技术的方法，这类方法在纹理细节修复中可以取得好的效果，但是对于图像的全局结构、图像的语义很难捕获另一类是基于外部数据库的搜索方法，这类方法假定由相似上下文包围的区域可能具有类似的内容，当可以找到与待修复图像具有足够的视觉相似性的样本图像时，这种方法非常有效，但当修复图像在样本数据库中没有很好表示时，会出现错误修复，使得最终的修复效果不理想。由于传统修复方法的局限性，新的技术应运而生，越来越多的图形学研究者开始将目光投向深度学习以更好地指导图像的图像质量的评估和修复处理，传统的图像修复方法注定要被更加先进的技术而淘汰。（2）近年来,深度学习技术得到了巨大的发展,并广泛应用于图像处理领域。相对于许多传统算法,深度学习技术从海量的训练数据中学习到的先验知识具有更强的泛化能力和更复杂的参数化表达,且无需调节算法参数以适应不同的应用场景。得益于上述优势,深度学习技术已经广泛应用于图像处理领域,如何利用深度学习算法提升图像处理的效果也变成了一个重要的研究方向[2]。研究发现在基于深度学习的图像修复方法中，深度学习网络的设计和训练过程中的损失函数的选择是其重要的内容，各类方法各有优缺点和其适用范围，如何提高修复结果语义的合理性、结构及细节的正确性，一直是研究者们努力的方向。
1.2目的及意义 文献[4]作者分析了深度学习在图像处理方面的应用，由此表明，深度学习合理应用于图像处理中可以将所获得表征的表达能力和泛化能力增强，继而能够更为高效和精准地展开图片处理工作。 图像去噪是图像处理中十分重要的一个环节，目前深度学习在图像去噪算法领域内的应用已经十分广泛。通过去噪的方式可以有效提升计算机对图像信息的识别能力，其在安检、医疗等领域内的应用十分重要。而采用卷积神经网络学习模型进行图像特征的学习其难度不大，近几年在图像去噪上的应用推进极快。如当前应用较为广泛的是基于深度学习模型的图像去噪处理算法，通过对原图像和噪声图像之间建立非线性映射的方式，同时采用卷积子网进行图片特征信息的收集，然后再基于所收集到的图片特征信息进行原图像的复原。在实际的使用中通过这样深度学习的去噪方式，可以提取图像中的大量纹理信息，继而对于图像处理具有十分良好的效果。 图像增强作为图像处理中十分重要且不可或缺的部分，合理地进行图像增强能够有效提升图像中特征区域的突出度，继而可以将图像的视觉效果进行进一步的完善，通过增强处理后的图像在后续的机器和人工识别上具有十分显著的优势。深度学习在图像增强算法中也有着十分广泛的应用，通过卷积神经网络中的超分辨率算法对图像增强进行改进，采用白平衡的方式甚至能够对水下图像的颜色进行正确的修正，在图像的分辨率提升上也有十分明显的优势，可见基于深度学习增强处理后的图像可以满足人们对图像更高的视觉要求[4]。 基于深度学习图像修复领域的研究已经取得了一些显著进展，但目前深度学习在图像修复中的应用仍处于起步阶段，主要研究的内容也仅仅是利用待修复图像本身的图像内容信息，因此基于深度学习的图像修复仍是一个极具挑战的课题。如何设计具有普适性的修复网络，提高修复结果的准确性，还需要更加深入的研究。
2. 研究内容和预期目标
2.1研究内容 本课题对基于深度学习图像修复方法提出的理论依据进行分析，然后对其中涉及的关键算法及应用实践进行学习和研究，系统了解当下基于深度学习的主要图像修复方法包括基于卷积自编码网络结构的图像修复方法、基于生成式对抗网络结构的图像修复方法和基于循环神经网络结构的图像修复方法，并组织和训练数据，运用深度学习等相关算法，设计实现相关算法对图像进行评测和修复。
2.2预期目标（1）组织训练和测试数据运用神经网络等相关方法，实现相关算法对图像质量进行评测和修复，并与其他已知方法进行分析比较；（2）完成一篇一万多字的论文；（3）完成单词数5000左右的外文翻译。
3. 研究的方法与步骤
（1）学习图像处理与图像质量评价的相关知识；（2）学习研究深度学习的常用算法及应用实践等基础知识；（3）巩固学习Python语言；（4）学习卷积神经网络相关知识；（5）组织训练和测试数据；（6）实现相关算法，比较算法的准确率，最终评价出哪种模型对图像的修复更具准确性。
4. 参考文献
[1]张花. 基于自然计算和视觉注意的图像质量评价[D].西安电子科技大学,2010.[2]樊庆楠. 基于深度学习的图像处理算法研究[D].山东大学,2019.[3]朱秀昌,唐贵进.生成对抗网络图像处理综述[J].南京邮电大学学报(自然科学版),2019,39(03):1-12.[4]伊新铜,杨建兴.基于深度学习的图像处理[J].计算机产品与流通,2019(07):240.[5]徐政超.基于深度学习的图像处理技术[J].数字技术与应用,2019,37(05):222 224.[6]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.[7]李胜旺,韩倩.基于深度学习的图像处理技术[J].数字技术与应用,2018,36(09):65-66.[8]侯宇昆.深度学习在图像处理领域的研究[J].信息系统工程,2017(07):163.[9]董叶豪,柯宗武,熊旭辉.卷积神经网络在图像处理方面的应用[J].福建电脑,2018,34(05):151-153.
5. 计划与进度安排
（1）2022年12月8日-28日：查阅相关文献，准备开题报告； （2）2022年12月28日-2022年1月15日：撰写开题报告； （3）2022年1月16日-2022年2月15日：系统开发环境及软件准备； （4）2022年2月16日-2022年4月15日：分析算法，并实现相关算法 （5）2022年4月16日-2022年5月26日：组织训练和测试数据，撰写毕业论文； （6）2022年5月31日：论文截止； （7）2022年6月1日-2022年6月7日：准备论文答辩。
