基于卷积神经网络的算法简介概述
目录
基于卷积神经网络的算法简介概述1
1.1算法的基本概述1
(1)特征提取与表示2
(2)非线性映射2
(3)像重建2
1.2算法原理分析3
1.2.1U型网络基本结构3
1.2.2算法实现步骤4
(1)数据集预处理4
(2)特征提取层5
(3)跳跃连接层6
(4)转置卷积运算6
基于前面对传统的低照度像增强算法的分析和卷积神经网络的研究，本章
研究基于U型网络的低照度像增强算法。首先对这个算法做出基本概述，接
着从前期处理、卷积网络和后期处理三步来进行研究与实现。与现在有的传统
像增强算法比较，这种算法能够根据不同情况，自适应地提高像的亮度和对比
度，避免像的边缘信息模糊，在实际场景中拍摄的低照度像，因此得到了很
大增强效果。
1.1算法的基本概述
像携带信息，广泛应用于视觉系统和计算机等领域。在很多像中，因为
光照强度不够强的环境导致产生了很多低照度像。低照度像因为其低亮度、
细节信息不明确、噪声大、色彩真实性差等缺点，实际的应用价值大打折扣。而
卷积神经网络只需使用少量参数数目就可以在短时间内提取像特征且不需要
对数据的格式做过多的处理，即可得到最优结果。本章节需要的像增强算法的
模型的重要元素分别是：特征提取与表示、非线性映射关系和像重建。
U型网络增强算法的结构如3-1所示。增强流程为从低照度像集中取一
个样本，输入网络，首先通过卷积神经网络提取像中的特征，再通过跳跃连接
思想建立模型，最后通过卷积神经网络输出高亮度、细节信息明确和高对比度的
像。在这种网络结构中，原始输入像的尺寸在卷积层不断变小，在反卷积层
不断增大。
特征提取M表示诉线性映射留像，R建
3-1基于U型网络的低照度像增强算法流程
(1)特征提取与表示
在很多像处理的过程中，将像分块然后进行处理是一个非常使用的方式,
是一个在像素上进行处理的操作，具体内容为选择输入像的一个像素点为中心,
再把一个特定的像块当成该像素点的领域，对该像素点的整个领域进行处理，
每次处理后仅得到输出像中对应像素点的值。与上述方法类似，采用滑窗卷积
法对像进行特征的提取和表示处理也是非常高效便捷的，每一个参数相对应的
卷积核可以从像中获取不一样的特征。提取第一层的特征可以表示为：
F(/)=max(0,Wi*/+81)(3-1)
其中，Fi是滤波器空间的大小，Wi表示滤波器，岳表示偏置，*表示卷积运算，
滤波器数量为ni,。是输入像中的通道数。R是m维向量，其每个值都与滤波
器有关。第一层的具体操作流程为：对输入像八Wi在像上应用m个卷积，
每个卷积的内核大小为c*?*力，然后输出是m个特征映射得到的结果。最后
对产生的结果进行非线性映射。’
⑵非线性映射
在上一步的基础上，通过非线性映射关系，将得到的结果映射到』维向量，
等同于应用1x1的〃2滤波器。第二层的操作内容为：
F2(/i)=imx(0,W2*Fi(/i)+52)(3-2)
其中，/1表示第一层的输出结果，W2的大小是mxf2Xf2Xf29物表示〃2
维度的偏置向量。为了方便列式，式(3-2)只列出了一个卷最层