自适应深度残差椒盐噪声滤除算法

发布时间：2021-03-09 14:27

　　为了在去除图像中椒盐噪声的同时最大程度地避免产生色彩失真与边缘模糊等瑕疵,提出基于深度残差网络的椒盐噪声自适应滤除算法.将图像去噪分解为2步.首先,为了让网络模型能够处理不同尺度密度的椒盐噪声,提高网络模型的鲁棒性,先对图像进行自适应预处理以去除高频信息;其次,构建深度残差网络模型,训练出能将预处理后的图像映射到干净图像的函数.大量实验结果表明,文中算法不仅在保留图像边缘细节和去除高密度椒盐噪声方面均优于传统和基于机器学习的椒盐噪声去除技术,可有效地避免出现色彩失真和条纹等瑕疵.同时,其在BSD300数据集上去噪效果优于其他算法. 

【文章来源】：计算机辅助设计与图形学学报. 2020,32(08)北大核心

【文章页数】：10 页

【部分图文】：

不同算法在熊群图像上的去噪结果对比

枷裣附?并避免出现条纹与色彩失真等问题的发生.2基于残差网络的自适应去噪针对椒盐噪声去除和图像细节保留问题,本文进行了相关研究,提出了基于深度残差网络的自适应去噪算法,将自适应的预处理算法和深度残差去噪神经网络相结合,在完成对不同密度椒盐噪声去除的同时,最大限度地保留图像中的细节.主要思路分为2步:(1)采用自适应窗口预处理算法去除图像中部分噪声和高频信息;(2)采用深度残差网络将深度学习与图像去噪相结合,去除剩余部分噪声并修复图像细节,避免产生条纹、色彩失真和图像模糊等问题;具体流程如图1所示.图1去除椒盐噪声流程图

于统计概率学的知识,即使图像被90%密度的椒盐噪声所污染,其在77的滤波窗口中全为噪声点的概率是极小的.假设出现77的滤波窗口中全为噪声点的情况,则极有可能在原图像中本就含有值为0或255的像素点(原背景图像为黑色或白色),故不对该噪声点进行替换修改.2.2深度残差网络模型He等[20]提出了深度残差网络,其认为基于深度残差网络的模型比基于DCNN的模型能更好、更快地收敛.受此启发,本文构建了深度残差网络去噪模型,以此来去除在自适应预处理后仍未被去除的噪声点,并修复图像细节.本文的网络模型如图2所示.如图2a所示,每个残差块由输入层和2个CNN层组成,每个CNN层都拥有64个滤波器,最终残差块的输出为最后的CNN层与输入相加的结果.如图2b所示,本文提出的深度残差网络模型由32个残差块组成,同时本文模型所有的卷积层后都紧接着批正则化层和ReLU激活函数层.图2深度网络残差模型结构由于含高密度椒盐噪声图像的高复杂性,直接将噪声图像作为输入数据加入到网络模型中并不能取得良好的去噪效果;但将图像进行预处理后再输入网络中却能达到去除噪声的目的.本文认为主要原因有以下几点:(1)对于受到高密度椒盐噪声污染的图像,其大部分像素点都被噪声所污染.这就导致输入的图像数据中缺少足够的有效信息,卷积操作很难将仅含少量有效信息的噪声图像恢复回原图像.(2)被椒盐噪声所污染的像素值通常位于极值点0或255附近,故而受到噪声污染的图像与原图像相对差异较大,而采用本文自适应预处理后

【参考文献】：
期刊论文
[1]基于BPANN噪声检测的反距离加权法滤除椒盐噪声[J]. 龙敬文,蒲亦非,周激流.  计算机应用研究. 2018(04)



本文编号：3072999