基于深度卷积神经网络的图像去噪方法研究及应用

发布时间：2023-05-04 01:04

　　图像去噪是减少数字图像中噪声的过程,是影响图像分割,边缘检测,特征提取等对图像进行后续处理的重要前提。深度卷积神经网络在图像识别、语音处理等方面取得了重大成功,通过深度学习,可以使机器模拟人类的视觉、听觉、思维等行为,能够克服模式识别中难以处理复杂问题的困难。图像去噪在视频分析和语音处理方面有巨大的应用,深度卷积网络利用深度学习无需用统计方法分析数据的优点,在图像去噪中取得了成功。针对传统的基于块匹配的图像去噪方法只能处理二维图像以及去噪性能不高的缺点,提出一种基于深度卷积神经网络的图像去噪方法。该方法首先利用三维剪切波变换来得到变换域系数,对噪声图像进行多尺度分解和方向剖分两个滤波阶段;然后通过硬阈值和维纳滤波阶段提出四维块匹配方法,其中两个阶段又分别包括分组、协同过滤和聚合三个步骤,利用堆积成四维组的体素立方体,在该组的四维变换同时利用每个立方体中体素之间存在的局部相关性和不同立方体中相应体素之间的非局部相关性。通过三维剪切波逆变换,得到每个分组立方体的估计值,并在原始位置进行自适应聚合,从而得到潜在的干净图像。然后用深度卷积神经网络中的生成对抗网络对潜在的干净图像进行训练,得到最...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 神经网络的发展
    1.4 深度学习的发展历程
    1.5 论文结构和章节安排
第二章 图像去噪的相关理论基础
    2.1 图像去噪
        2.1.1 噪声模型
        2.1.2 图像去噪方法
    2.2 图像去噪效果评价
    2.3 本章小结
第三章 基于三维剪切波变换与BM4D图像去噪方法
    3.1 三维剪切波
        3.1.1 三维剪切波的表示
        3.1.2 使用剪切器的最佳稀疏三维近似
        3.1.3 使用组合字典的三维数据去噪
    3.2 三维块匹配方法思想
    3.3 四维块匹配方法
        3.3.1 观测模型
        3.3.2 具体方法
    3.4 基于三维剪切波变换与BM4D的图像去噪过程
    3.5 实验与分析
    3.6 本章小结
第四章 基于深度生成对抗网络的图像去噪方法
    4.1 卷积神经网络原理
        4.1.1 局部连接
        4.1.2 权值共享
    4.2 卷积神经网络的结构
        4.2.1 卷积层
        4.2.2 池化层
        4.2.3 全连接层
        4.2.4 激活函数
    4.3 基于生成对抗网络去噪的具体方法
        4.3.1 生成对抗网络图像去噪模型
        4.3.2 降噪体系
        4.3.3 三阶段训练过程
    4.4 实验与分析
    4.5 本章小结
第五章 基于深度生成对抗网络的磁共振图像去噪应用
    5.1 磁共振图像去噪的意义
    5.2 磁共振图像噪声模型
    5.3 去噪实验-高斯噪声
    5.4 去噪实验-Rician噪声
        5.4.1 Rician分布特点
        5.4.2 实验与分析
    5.5 本章小结
第六章 总结与展望
    6.1 全文工作总结
    6.2 未来工作展望
参考文献
攻读硕士学位期间的研究成果
致谢



本文编号：3807637