理论的基本知识,并把它们有机地结合起来,研究出一种全新的图像增强技术——模糊增强
技术。模糊增强技术是模糊集合理论在数字图像处理中应用的产物。由于其以雄厚的数学为
基础,这种方法较为严格并带有普遍性。由于计算较为灵活,不失为一种性价比较高的方法。
近年来,人工智能发展迅速,尤其是深度学习取得了长足的进步,这与计算能力的提高、大
量数据的积累有着密切的关系。深度学习虽然取得了突破性进展,但基本都围绕判别模型展
开,很少针对生成模型。2014 年,GOODFELLOW[1] 等人提出的生成式对抗网络(Generative
Adversarial Networks,GAN)解决了早期的生成模型不能很好地泛化生成结果的问题。GAN
一经提出,基于对抗学习思想设计的 GAN 便迅速渗透进深度学习的各个应用领域,如数据
集扩充、语音识别、视频预测、安全隐私[2]等,推动了一系列新的研究方向的发展[3]。作为
人类接受信息的主要形式,以数字图像为载体的视觉信息占比达 80%。在数字图像的采集、
传输、处理等各个环节都可能导致图像品质的下降,这直接影响了提取图像所含信息的质量。
有效的图像增强技术一直是计算机视觉领域重要的研究课题。提出 GAN 的初衷之一就是用
于图像增强[1],其在图像增强中的应用具有得天独厚的优势。