1. 研究目的与意义
研究背景:随着计算机、多媒体和数据通信技术的高速发展,数字图像处理近年来得到了极大的重视和长足的发展,并在科学研究、工业生产、医疗卫生、教育、娱乐、管理和通信等方面取得了广泛的应用。同时,人们对计算机视频应用的要求也越来越高,从而使得高速、便捷、智能化的高性能数字图像处理设备成为未来视频设备的发展方向。图像处理引擎的作用类似于电脑显卡,是对信号中的影像信号和图像进行处理和修复,并且在清晰度、降噪、色彩增强、对比度提升、运动补偿方面这些方面起到至关重要的作用。接口进入的视频信号都要通过图像引擎处理后,转换成适合自身显示系统播放的信号。由于图像处理的数据量大,数据处理相关性高,实时应用环境决定严格的帧、场时间限制,因此图像处理引擎必须具有强大的运算能力。
近年来,深度学习技术得到了巨大的发展,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知识具有更强的泛化能力和更复杂的参数化表达,无需调节算法参数就能适应不同的应用场景。其发展要得益于人工神经网络模型的提出和发展,这使得深度学习得以对复杂问题降低维度的状态下进行处理。所谓深度学习指的是类比于人脑处理问题的模式去分析和解决问题,运用深度学习可完成许多现实问题,例如对于图像、文字的提取和识别等功能。深度学习因为有着极大的技术功能在近年来发展的较为迅速,各个高技术公司也积极投身到深度学习的研究中去,旨在促进自身的发展。当前深度学习在计算机视觉领域发展的较为完善,也取得了一定的成果。得益于此,许多深度学习的架构已经被应用到图像的端对端处理和转换领域。
研究目的:在研究深度学习的图像处理引擎的基础上,探寻实现图像质量和处理实时性方面平衡的方法
2. 研究内容和预期目标
研究内容:本课题旨在通过结合深度学习与图像处理引擎,在已有软件的基础上进行进一步优化,提高显示性能和效果,研究基于深度学习的图像处理引擎,探寻在图像质量和处理实时性方面平衡的方法,从而提高视频质量。
预期目标:本课题旨在利用MATLAB软件平台研究显示系统中图像处理引擎技术。除了实现软件上的性能优化和探寻达到质量和实时性平衡的方法之外,还将学习和掌握使用基于Tensorflow架构的深度学习工具的方法以及掌握图像分析处理的设计和编程方法,实现规范编程。
3. 研究的方法与步骤
1.研究方法:
(1)利用matlab和基于tensorflow架构的深度学习工具进行对深度学习和图像处理引擎的研究
(2)参考各类文献,改革创新。
4. 参考文献
[1] dong c, loy c c, he k, et al. image super-resolution using deep convolutional networks [j] ieee transactions on pattern analysis and machine intelligence, 2016, 38(2): 295-307.
[2] kim j, kwon lee j, mu lee k. accurate image super-resolution using very deep convolutional networks [c]. proceedings of the ieee conference on computer vision and pattern recognition. 2016: 1646-1654.
[3] ledig c, theis l, huszár f, et al. photo-realistic single image super-resolution using a generative adversarial network [c]. cvpr. 2017, 2(3): 4.
5. 计划与进度安排
(1)1月8日至3月5日(1周前):根据任务书, 明确设计的内容和目的 ,查阅相关文献材料准备开题报告。
(2)3月8日至3月12日(2周):根据阅读的资料文献初步了解设计的原理以及实现的方法,开始写开题报告。
(3)3月15日至4月9日(3-6周):掌握所选择硬件或软件平台的使用方法、开始完成设计的具体内容。
课题毕业论文、开题报告、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。