靜脈圖像修復與增強

前言

第1章 緒論1
1.1靜脈圖像修復與增強概述1
1.2靜脈圖像修復研究現狀2
1.2.1傳統的圖像修復方法2
1.2.2基於深度學習的圖像修復3
1.2.3靜脈血管圖像修復4
1.3靜脈圖像增強研究現狀5
1.3.1低曝光圖像增強研究現狀5
1.3.2靜脈圖像增強方法研究現狀9
1.4本書研究內容11
1.4.1主要研究工作.11
1.4.2本書的章節安排12

第2章 靜脈圖像資料集14
2.1靜脈圖像成像系統14
2.1.1成像光源系統14
2.1.2圖像採集系統17
2.2靜脈圖像資料集類型20
2.2.1自製靜脈圖像資料集20
2.2.2公開靜脈紋圖像資料集20
2.2.3低曝光手背靜脈圖像資料集21
2.3靜脈圖像預處理22
2.4本章小結23

第3章 基於融合可變形模組的U-Net網路的靜脈圖像修復24
3.1基於卷積神經網路的圖像修復24
3.1.1圖像風格轉換損失與圖像修復關係25
3.1.2U-Net網路25
3.2基於融合可變形模組的U-Net模型26
3.2.1可變形卷積網路模組26
3.2.2生成網路28
3.3修復網路訓練損失29
3.3.1感知損失與風格損失29
3.3.2對抗損失30
3.4識別實驗與結果分析30
3.5本章小結34

第4章 基於非局部對抗的生成對抗網路的靜脈圖像修復35
4.1生成對抗網路技術35
4.1.1生成對抗網路模型與框架35
4.1.2生成對抗網路的應用36
4.2基於非局部對抗的生成對抗網路模型37
4.2.1生成網路模型37
4.2.2空洞卷積38
4.2.3非局部網路模組39
4.3修復網路訓練損失41
4.3.1對抗損失41
4.3.2感知損失42
4.3.3訓練總損失43
4.4識別實驗與結果分析43
4.5本章小結47

第5章 基於分離與表示的生成對抗網路的靜脈圖像修復48
5.1圖像到圖像的轉換49
5.1.1成對圖像資料間的轉換49
5.1.2非成對圖像資料間的轉換50
5.2分離與表示的學習50
5.2.1分離與表示研究現狀50
5.2.2分離與表示應用51
5.2.3點與線的分離52
5.3修復網路訓練損失52
5.3.1對抗損失52
5.3.2迴圈一致性損失53
5.3.3感知損失53
5.4識別實驗與結果分析54
5.5本章小結58

第6章 基於Actor-Critic的低曝光靜脈圖像增強59
6.1Actor-Critic框架59
6.2基於Actor-Critic的靜脈圖像增強網路63
6.2.1可微圖像濾波器63
6.2.2靜脈圖像增強的Actor-Critic網路框架65
6.2.3靜脈圖像細節增強模組68
6.3識別實驗與結果分析69
6.3.1模型訓練過程69
6.3.2多個濾波函數實驗70
6.3.3細節增強對比實驗72
6.3.4ACN演算法與其他模型的對比實驗74
6.3.5靜脈圖像識別率對比實驗76
6.4本章小結77

第7章 基於多尺度特徵融合的低曝光靜脈圖像增強78
7.1多尺度特徵融合和通道注意力機制78
7.1.1多尺度特徵融合79
7.1.2通道注意力機制80
7.2殘差單元介紹81
7.3靜脈圖像多尺度特徵融合模型構建82
7.3.1靜脈多尺度融合殘差塊設計83
7.3.2多尺度融合模型的損失函數86
7.4識別實驗與結果分析86
7.4.1模型訓練過程86
7.4.2靜脈多尺度融合殘差塊數量實驗86
7.4.3注意力機制SE模組對比實驗87
7.4.4與其他模型的對比實驗88
7.4.5靜脈圖像識別率對比實驗90
7.5本章小結91

第8章 基於特徵解耦學習的低曝光靜脈圖像增強92
8.1自編碼網路與特徵解耦學習92
8.1.1自編碼網路92
8.1.2特徵解耦學習93
8.2基於特徵解耦學習的靜脈圖像增強網路94
8.2.1靜脈圖像背景與紋理特徵解耦網路95
8.2.2靜脈圖像增強網路97
8.3識別實驗與結果分析98
8.3.1實驗資料集和模型訓練過程98
8.3.2紋理特徵重建圖像對比實驗99
8.3.3與其他模型的對比實驗101
8.3.4靜脈圖像識別率對比實驗103
8.4本章小結104

參考文獻105
後記115