基于卷积神经网络的真实相机图像去噪的研究

发布时间：2024-05-19 19:21

　　尽管目前深度学习的算法在高斯去噪问题上得到了很好的效果,但是对于真实相机图像的噪声,深度学习的方法还无法得到令人满意的效果。为了推动基于深度学习的去噪算法在实际中的使用,本文进行了如下的研究,首先设计了针对相机噪声的盲去噪网络,主要的贡献是将相机内部的图像处理过程对噪声的影响考虑在内,设计了更真实的噪声模型,其次设计了两段的网络结构,将非盲去噪网络泛化应能强的优点加以利用。首先使用一个小网络用以估计噪声水平的,之后使用UNet的网络结构进行非盲的去噪。对于噪声估计网络结构,本文设计了非对称的损失函数,同时使用梯度的约束来估计出更准确的噪声水平。真实噪声数据和仿真的数据被迭代的进行网络的训练来提升网络去噪的性能。在多个真实噪声图像数据集上,均验证了提出算法的有效性。为了更近一步提升去噪网络的性能,并且推动真实图像的多帧去噪方面的研究,本文采集了一个真实相机图像的噪声数据集(CIDB)。与之前的数据集相比,本文的数据集采集了更多的场景,采集的噪声图像有更高的噪声水平,采集时使用了更多的相机设置。为了得到更好的干净图像,并可以对于室外的运动物体有更强的鲁棒性,本文设计了更完善,鲁棒性更强的后...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 图像去噪领域的发展概况
        1.2.1 基于神经网络的图像去噪
        1.2.2 噪声建模
        1.2.3 真实图像的盲去噪方法
        1.2.4 真实去噪的数据库
        1.2.5 无噪声图像的获得
    1.3 本文的主要研究内容
第2章 针对真实图像的盲去噪方法
    2.1 真实噪声模型
    2.2 网络结构设计
    2.3 损失函数
    2.4 训练数据
    2.5 测试数据集和实现细节
    2.6 实验结果对比
    2.7 方法讨论
        2.7.1 噪声模型对去噪结果的影响
        2.7.2 同时使用真实数据集和生成数据集对去噪结果的影响
        2.7.3 非对称损失的作用
        2.7.4 交互操作的设计
    2.8 结论
第3章 真实噪声数据集采集
    3.1 数据集设置
        3.1.1 场景的选择
        3.1.2 相机设置
    3.2 干净图像的产生
        3.2.1 图像筛选与亮度对齐
        3.2.2 图像空间位移对齐
        3.2.3 内容相关的迭代加权平均算法
    3.3 数据集评测
        3.3.1 数据库的噪声分布
        3.3.2 数据库的测试策略
        3.3.3 评测的去噪算法
        3.3.4 训练的网络
        3.3.5 测试结果
    3.4 结论
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3978348