基于预滤波的组稀疏残差约束图像去噪模型

发布时间：2021-03-11 01:43

　　大多数现有去噪方法只考虑了噪声输入图像的非局部自相似性先验方法（NSS）,仅从已退化的输入图像中收集相似图像块,图像去噪的质量在很大程度上取决于输入图像本身。针对图像复原过程中的噪声去除问题,设计了一种基于卷积神经网络的组稀疏去噪模型。模型使用两种NSS先验（即噪声输入图像和预滤波图像的NSS先验）,把图像去噪问题转化为组稀疏残差最小化问题。为了提高非局部相似块选择的准确性,使用了一种自适应块搜索的方法,并采用卷积神经网络进行预滤波,以获得对原始图像组稀疏系数的良好估计。实验结果表明:所提出的GSRC-CNN方法在客观和感知质量方面优于许多先进的去噪方法。 

【文章来源】：传感器与微系统. 2020,39(02)

【文章页数】：4 页

【部分图文】：

通过KNN方法在噪声图像和预滤波图像之间选择图像块

采用的Dn CNN模型[10]具有两个主要特点:采用残差学习公式来学习R(y)，并将批量归一化用于加速训练以及提高去噪性能上。如图4所示，合并Conv和Relu通过隐藏层从噪声观测图像中分离出图像结构。本文采用的Dn CNN是端到端的训练方式。4 实验结果与分析

稀疏(其中列稀疏但不对齐)和组稀疏(列稀疏且对齐)之间的比较

【参考文献】：
期刊论文
[1]基于真实场景图像下的卷积神经网络去噪算法[J]. 王纯,郭春生.  传感器与微系统. 2017(10)
[2]一种基于新的小波阈值函数的图像去噪方法[J]. 黄一鹤.  传感器与微系统. 2011(09)



本文编号：3075643