靜脈圖像修復與增強

目錄
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(tǒng)的圖像修復方法2
1.2.2基于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(jié)安排12
第2章靜脈圖像數據集14
2.1靜脈圖像成像系統(tǒng)14
2.1.1成像光源系統(tǒng)14
2.1.2圖像采集系統(tǒng)17
2.2靜脈圖像數據集類型20
2.2.1自制靜脈圖像數據集20
2.2.2公開靜脈紋圖像數據集20
2.2.3低曝光手背靜脈圖像數據集21
2.3靜脈圖像預處理22
2.4本章小結23
第3章基于融合可變形模塊的U-Net網絡的靜脈圖像修復24
3.1基于卷積神經網絡的圖像修復24
3.1.1圖像風格轉換損失與圖像修復關系25
3.1.2U-Net網絡25
3.2基于融合可變形模塊的U-Net模型26
3.2.1可變形卷積網絡模塊26
3.2.2生成網絡28
3.3修復網絡訓練損失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章基于非局部對抗的生成對抗網絡的靜脈圖像修復35
4.1生成對抗網絡技術35
4.1.1生成對抗網絡模型與框架35
4.1.2生成對抗網絡的應用36
4.2基于非局部對抗的生成對抗網絡模型37
4.2.1生成網絡模型37
4.2.2空洞卷積38
4.2.3非局部網絡模塊39
4.3修復網絡訓練損失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章基于分離與表示的生成對抗網絡的靜脈圖像修復48
5.1圖像到圖像的轉換49
5.1.1成對圖像數據間的轉換49
5.1.2非成對圖像數據間的轉換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修復網絡訓練損失52
5.3.1對抗損失52
5.3.2循環(huán)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章基于Actor-Critic的低曝光靜脈圖像增強59
6.1Actor-Critic框架59
6.2基于Actor-Critic的靜脈圖像增強網絡63
6.2.1可微圖像濾波器63
6.2.2靜脈圖像增強的Actor-Critic網絡框架65
6.2.3靜脈圖像細節(jié)增強模塊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(jié)增強對比實驗72
6.3.4ACN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章基于多尺度特征融合的低曝光靜脈圖像增強78
7.1多尺度特征融合和通道注意力機制78
7.1.1多尺度特征融合79
7.1.2通道注意力機制80
7.2殘差單元介紹81
7.3靜脈圖像多尺度特征融合模型構建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模塊對比實驗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章基于特征解耦學習的低曝光靜脈圖像增強92
8.1自編碼網絡與特征解耦學習92
8.1.1自編碼網絡92
8.1.2特征解耦學習93
8.2基于特征解耦學習的靜脈圖像增強網絡94
8.2.1靜脈圖像背景與紋理特征解耦網絡95
8.2.2靜脈圖像增強網絡97
8.3識別實驗與結果分析98
8.3.1實驗數據集和模型訓練過程98
8.3.2紋理特征重建圖像對比實驗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
后記115