陆佳磊 张永健

摘要：针对现有的基于传统算法的图像恢复技术无法有效地恢复出高质量图像问题，本文提出了基于深度学习技术的图像恢复方法。对现有的图像恢复网络进行改进，总体网路模型基于生成对抗网络，其中生成网络总体结构基于UNet网络，对上采样下采样的次数作调整，根据数据集的特点，减少了网络的下采样次数，防止因为网络的层数过多导致的特性信息的流失。特征提取模块中加入密集网络的特征提取模块，在减少网络参数的同时提升提取特征的能力。数据集使用了经过光加密系统后的CGH（Computer Generated Holograms）计算生成全息图作为生成的噪声图像，并使用本文提出深度学习方法对该测试集进行恢复，对恢复的结果使用PSNR和SSIM指标进行评价，结果显示本文提出算法的有效性能。综上可知，本文算法所实现的模型能够有效地对现有的受损图像恢复并且恢复出高质量的图像，对图像恢复领域有着较高的实用价值和意义。

关键词：图像恢复;深度学习;图像去噪;计算生成全息图;图像光加密

中图分类号：TP391    文献标识码： A

文章编号：1009-3044（2021）14-0164-02

在如今信息技术高度发展的时代，信息安全变得尤为重要，光加密作为一种可靠的图像加密技术具有安全，高效等特点。在光加密系统中，随机相位掩膜面积有限，为一截断纯相位模板，因此傅立叶谱不可能是一纯相位函数，故生成的图像具有严重的图像噪声。直接对数据集使用光加密系统的噪声图像使用深度学习去噪需要大量的数据样本，无法达到实际使用的要求。……