文 献 综 述
摘要：随着深度学习在计算机视觉领域的不断发展与应用，越来越多的工作得到了突破性进展。深度学习一般需要大规模的数据集作为训练样本来训练网络模型，采用的数据集也普遍为RGB图像，但由于近几年消费级RGBD相机的兴起,深度图像以其可直接反映物体几何信息的特点为视觉领域带来了新的发展方向和热点。但消费级RGBD相机由于硬件及算法的限制， 获取的深度图像通常是低分辨率的，且包含着一定的噪声及空洞。为了提高RGBD图像的质量，需要对采集的图像进行图像增强，从而达到提高分辨率、降低噪声的效果。本文主要介绍了深度学习、RGBD图像的基本知识，再聚焦于图像增强领域的相关知识及其中比较经典的图像超分辨率的发展经过。
关键词：深度学习，RGBD，图像增强，超分辨率，深度图像
一、背景与研究意义
1.1 深度学习
深度学习（Deep Learning）是机器学习的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层的抽象。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习是最常用的监督式学习。
1.2 RGBD图像
深度图像（depth image）通常也称作距离影像（range image），它是用相机拍摄而得到的一种非自然图像，其图像上的每个像素值代表的是场景中各点到深度摄像机的距离（深度）。它可以直接反映了场景中的物体能被看到的表面几何特征。
RGBD图像即为RGB彩色图像与相应的深度图像的组合。生物学家证明与周围环境有很好的区分度的视觉区域更会吸引人的注意，很多的算法都是在根据这个原理来解决显著性检测问题，其中有根据低级特征计算区域对比度和根据背景特征计算区域对比度来得到显著性图。但是这些模型会在背景和物体没有明显的对比度的情况下就经常失效。因此引入深度信息就显得十分有用。深度信息在人的视觉系统中起到了很大的作用，但是传统的模型没有引入深度信息，只是使用了RGB图像的信息。同时大量的3D传感器能够很方便的获取到RGB-D图像。因此需把深度信息融入到显著性检测中来研究高效的显著性检测算法。
1.3 图像增强
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
