🔍 Поиск готовых работ

🔍 Поиск работ

Разработка алгоритма восстановления расфокусированных и смазанных изображений

Работа №118477

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы71
Год сдачи2020
Стоимость4200 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
265
Не подходит работа?

Узнай цену на написание


Введение 6
1 Анализ области применения алгоритмов восстановления
расфокусированных и смазанных изображений 8
1.1 Описание работы алгоритмов восстановления расфокусированных и
смазанных изображений 8
1.2 Формирование требований к разрабатываемому алгоритму
восстановления расфокусированных и смазанных изображений 18
2 Проектирование алгоритма решения задачи восстановления
расфокусированных и смазанных изображений 20
2.1 Составление структуры алгоритма для решения задачи
восстановления расфокусированных и смазанных изображений 20
2.2 Выбор инструментов разработки программного продукта на основе алгоритма восстановления расфокусированных и смазанных изображений ..
2.3 Реализация программного продукта на основе алгоритма
восстановления расфокусированных и смазанных изображений 32
2.4 Разработка программного продукта на основе составленного алгоритма восстановления расфокусированных и смазанных изображений ..
3 Тестирование алгоритма восстановления расфокусированных и
смазанных изображений 58
3.1 Анализ результатов разработки программного продукта на основе
созданного алгоритма восстановления расфокусированных и смазанных изображений 58
3.2 Сравнительный анализ результатов восстановления изображений
различными алгоритмами 60
3.3 Демонстрация работы программного обеспечения на основе алгоритма восстановления расфокусированных и смазанных изображений ..
Заключение 64
Список используемых источников 66
Приложение А Блок-схема составленного алгоритма восстановления расфокусированных и смазанных изображений 70
Приложение Б Режим доступа к программному обеспечению, разработанному на основе составленного алгоритма восстановления расфокусированных и смазанных изображений 71


Современные средства создания фотографий несовершенны: люди, пользующиеся различными фотоаппаратами, телефонами, вынуждены покупать различные приспособления для получения более качественных фотографий. К ним можно отнести, например, стабилизаторы.
Возможность осуществления восстановления расфокусированных и смазанных изображений без посредников реализуется с помощью нейронных сетей, а также алгоритмов компьютерного зрения.
Принцип применения алгоритмов для восстановления изображений был назван деконволюцией. Различные методы деконволюции (обратной свертки) позволяют решить вопрос восстановления расфокусированных и смазанных изображений без применения знаний в области обработки фотографий со стороны обычного пользователя.
Актуальность данной работы состоит в разработке нового алгоритма, позволяющего уменьшить затратность ресурсов и увеличить скорость восстановления изображений по сравнению с современными методами.
Новизна бакалаврской работы заключается в новом алгоритме восстановления расфокусированных и смазанных изображений.
Практическая ценность состоит в разработке нового алгоритма для восстановления расфокусированных и смазанных изображений.
Объект исследования - процесс функционирования алгоритмов восстановления расфокусированных и смазанных изображений.
Предмет исследования - алгоритм восстановления расфокусированных и смазанных изображений.
Цель исследования - разработка авторского алгоритма восстановления расфокусированных и смазанных изображений.
Для достижения цели поставлены следующие задачи:
- Проанализировать существующие алгоритмы восстановления расфокусированных и смазанных изображений;
- Выявить недостатки существующих алгоритмов;
- Сформировать требования к алгоритму восстановления;
- Разработать алгоритм восстановления расфокусированных и смазанных изображений;
- Протестировать алгоритм на реальных примерах.
Бакалаврская работа состоит из введения, трёх частей, заключения, списка литературы.
В первой части затрагиваются вопросы процесса работы алгоритмов восстановления расфокусированных и смазанных изображений, способы и сферы их применения. На основании полученных данных формулируется задача и требования к её непосредственному решению.
Во второй части рассматривается архитектура, выбранная для решения задачи, средства реализации и описываются причины, по которым они были выбраны.
В третьей части предоставляются результаты тестирования разработанного алгоритма на основе выявленных требований.
В заключении подводятся итоги исследования, формируются окончательные выводы и описываются результаты проделанной работы.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

Выпускная квалификационная работа посвящена разработке алгоритма восстановления расфокусированных и смазанных изображений, а также разработке программного продукта, использующего данный алгоритм. Цель работы определила ее основное направление - получение максимально возможной производительности одновременно выполняемых функций обработки изображений посредством разработки алгоритма восстановления их качества с использованием нейронной сети, а также разработки программного продукта, использующего данный алгоритм.
Для этого были разобраны существующие методы восстановления качества изображений. В ходе исследования были рассмотрены математические аппараты существующих алгоритмов, а также выявлены как сильные стороны этих алгоритмов, так и слабые.
В ходе анализа рассмотренных методов восстановления расфокусированных и смазанных изображений были сформированы задачи для разрабатываемого алгоритма и программного продукта на его основе, а также сформированы критерии.
В процессе разработки были реализованы:
- Алгоритм восстановления расфокусированных и смазанных изображений;
- Блок-схема для разработанного алгоритма;
- Программный продукт, использующий в качестве основы разработанный алгоритм.
Так же в качестве дополнительного компонента был разработан модуль, помогающий определить коэффициент смаза для входных изображений.
Данная разработка позволяет повысить качество исходных изображений при помощи применения к ним генеративно-состязательной сети.
В рамках выпускной квалификационной работы были выполнены все поставленные цели и задачи.
Разработанный алгоритм, а также программная реализация на основе этого алгоритма были протестированы на реальных примерах.
Были отражены результаты обработки изображений разработанным алгоритмом и программной оболочки к нему на различных итерациях.
Для тестирования программного продукта на основе разработанного алгоритма был взят набор смазанных изображений определенного размера. Все изображения были восстановлены через программные реализации существующих алгоритмов, а также через программную реализацию разработанного алгоритма. Разработанный программный продукт на основе составленного алгоритма показал лучшие результаты по сравнению с существующими инструментами, выиграв у них несколько секунд.
Полученные результаты разработки алгоритма и программного продукта на его основе можно считать успешными, поскольку при тестировании не было выявлено никаких ошибок, что могло бы привести процесс работы с приложением и алгоритмом к непригодности.



1. Лутц, М. Python. Карманный справочник / М. Лутц ; [перевод с
английского И. В. Берштейна]. - Москва : Диалектика, 2019. - 320 с. : ил. ; Библиогр.: с. 9-10 - 1500 экз. - ISBN 978-5-8459-1965-6. - Текст :
непосредственный.
2. Шакла, Н. Машинное обучение и TensorFlow / Н. Шакла ; [перевод с английского ООО Издательство «Питер»]. - Санкт-Петербург : Питер, 2019. - 336 с. : ил. ; Библиогр.: с. 53-56. - 5000 экз. - ISBN 978-5-4461¬0826-8. - Текст : непосредственный.
3. Хабр : Сверточная нейронная сеть и её интеграция в iOS (часть 1)
: [сайт]. - Москва, 2020 - URL: https://habr.com/ru/post/500998(дата
обращения: 08.05.2020). - Текст : электронный.
4. Научный корреспондент : Субполосная фильтрация сигналов :
[сайт]. - Москва, 2020 - URL:
https://nauchkor.ru/uploads/documents/5a40323c7966e104c6a3e8bd.pdf(дата обращения: 16.03.2020). - Текст : электронный.
5. Научное издание МГТУ им. Н.Э. Баумана : Цель восстановления
изображений : [сайт] - Москва, 2019 - URL: http://engineering-
science.ru/file/505163.html?s=1 (дата обращения: 16.12.2019). - Текст : электронный.
6. КиберЛенинка : Метод ускоренного восстановления
изображений, смазанных при движении : [сайт]. - Москва, 2019 - URL:
https://cyberleninka.ru/article/n/metod-uskorennogo-vosstanovleniya-izobrazheniy-smazannyh-pri-dvizhenii (дата обращения: 26.12.2019). - Текст : электронный.
7. QWERTYU : Глубокое изучение - Deep Learning : [сайт]. -
Гравлин, 2020 - URL: https://ru.qwe.wiki/wiki/Deep_learning(дата
обращения: 25.02.2020). - Текст : электронный.
8. КиберЛенинка : Слепая коррекция изображений в векторном канале с неизвестной импульсной характеристикой : [сайт]. - Москва, 2019 - URL: https://cyberleninka.ru/article/nZslepaya-korrektsiya-izobrazheniy-v- vektornom-kanale-s-neizvestnoy-impulsnoy-harakteristikoy(дата обращения: 24.12.2019). - Текст : электронный.
9. Neurohive : Генеративно-состязательная сеть (GAN). Руководство
для новичков : [сайт]. - Санкт-Петербург, 2020 - - URL:
https://neurohive.io/ru/osnovy-data-science/gan-rukovodstvo-dlja-novichkov(дата обращения: 11.02.2020). - Текст: электронный.
10. Хабр : Сверточная нейронная сеть, часть 1: структура, топология,
функции активации и обучающее множество : [сайт]. - Москва, 2020 - . -
URL: https://habr.com/ru/post/348000/(дата обращения: 13.01.2020). - Текст: электронный.
11. ProgramForYou : Свёрточная нейронная сеть с нуля. Часть 0.
Введение : [сайт]. - Рязань, 2020 - URL:
https://programforyou.ru/poleznoe/convolutional-network-from-scratch-part-zero- introduction(дата обращения: 30.01.2020). - Текст: электронный.
12. Neurohive : Как работает сверточная нейронная сеть: архитектура,
примеры, особенности : [сайт]. - Санкт-Петербург, 2020 - URL:
https://neurohive.io/ru/osnovy-data-science/glubokaya-svertochnaja-nejronnaja-set(дата обращения: 03.02.2020). - Текст: электронный.
13. Robocraft : GAN - генеративные состязательные сети : [сайт]. -
Хельсинки, 2020 - URL: http://robocraft.ru/blog/machinelearning/3693.html
(дата обращения: 09.03.2020). - Текст: электронный.
14. Хабр : Автоэнкодеры в Keras, Часть 5: GAN (Generative
Adversarial Networks) и Tensorflow : [сайт]. - Москва, 2020 - URL:
https://habr.com/ru/post/332000/(дата обращения: 16.03.2020). - Текст:
электронный.
15. КиберЛенинка : Блочные алгоритмы обработки изображений на
основе фильтра Калмана в задаче построения сверхразрешения : [сайт]. - Москва, 2020 - URL: https:ZZcyberleninka.ru/articleZn/blochnye-algoritmy-
obrabotki-izobrazheniy-na-osnove-filtra-kalmana-v-zadache-postroeniya- sverhrazresheniya (дата обращения: 18.03.2020). - Текст: электронный.
16. MathWorks : VGG-19 convolutional neural network : [сайт]. -
Монреаль, 2020 URL:
https:ZZwww.mathworks.com/help/deeplearning/refZvgg 19.html (дата обращения: 19.03.2020). - Текст: электронный.
17. Howse J. Learning OpenCV 4 Computer Vision with Python 3: Get to grips, techniques, and algorithms for computer vision and machine learning 3rd Edition Z J. Howse, J. Minichino. - USA : Packt Publishing, 2020. - 372 p.; p. 7 - 9. - ISBN: 978-1782163923.
18. Loy J. Neural Network Projects with Python: The ultimate guide to using Python to explore the true power of neural networks through six projects 1st Edition Z J. Loy. - USA : Packt Publishing, 2019. - 308 p.; p. 30 - 40. - ISBN: 978-1789138900.
19. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 2nd Edition Z A. Geron. - USA : O’Reilly Media, 2019. - 849 p.; p. 120 - 140. ISBN: 978-1492032649.
20. Campisi P. Blind Image Deconvolution: Theory and Applications Z P. Campisi, K. Egiazarian. - USA : CRC Press, 2007. - 472 p.; p. 206 - 210. - ISBN: 978-0849373671.
21. Parker J. Image Reconstruction in Radiology Z J. Parker. - USA : CRC Press, 2018. - 531 p.; p. 153 - 155. - ISBN: 978-1315894263.
22. Thakar V. Deep Learning with Python and OpenCV: A begginer’s guide to perform smart image processing techniques using TensorFlow and Keras Z V. Thakar. - USA : Packt Publishing, 2019. - 363 p.; p. 53-54. - ISBN: 978-1788627320.
23. Millan Escriva D., Joshi P. Building Computer Vision Projects with OpenCV 4 and C++: Implement complex computer vision algorithms and explore deep learning and face detection / P. Joshi. - USA : Packt Publishing, 2019. - 538 p.; p. 124-130. - ISBN: 978-1838644673.
24. Langr J., Bok V. GANs in Action: Deep Learning with Generative Adversarial Networks / V. Bok. - USA : Manning Publications, 2019. - 276 p.; p. 234-240. - ISBN: 978-1617295560.
25. Aggarwal C. Neural Networks and Deep Learning: A Textbook / C. Aggarwal. - USA : Springer, 2018. - 497 p.; p. 340-370. - ISBN: 978¬3319944623.

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ
.