卷积神经网络在图像去噪中的应用研究

发布时间：2020-08-07 18:45

【摘要】：人类获取的外界信息约有75%来自于图像,图像作为重要的信息载体,在获取时会受到各种因素的影响,从而引入噪声。图像去噪的目的就是去除图像中的噪声,同时尽可能的保留图像中的原始信息。传统的图像去噪方法多涉及手工选择参数,无法获得图像的全局特征等问题。21世纪初,深度学习再一次掀起研究热潮,被广泛的应用到图像处理、自然语言处理等领域中。卷积神经网络(CNN)作为一种深度学习方法更适用于图像去噪,CNN架构中的卷积层和激活层能够建立输入与输出之间的非线性映射关系,有效学习噪声图像中特征信息。本文设计了多尺度并行卷积神经网络(MPCNN)和多尺度并行特征提取卷积神经网络(MPFE-CNN)两种方法用于图像去噪,主要工作如下:MPCNN主要由多尺度特征提取层和卷积神经网络并行结构组成。多尺度特征提取层采用4个大小不同的卷积核从原始图像中提取不同的特征,融合不同特征后送入并行结构。并行结构由深通道和浅通道两个前向传递网络组成,深通道主要负责提取高级特征,而浅通道负责提取低级特征。实验表明,在测试集BSD68下,噪声水平σ=15、25、50时,MPCNN比DnCNN-S的PSNR分别提高了0.05dB、0.07dB、0.10dB。MPFE-CNN是对MPCNN的改进结构,MPFE-CNN中用了5个多尺度并行特征提取模块,每个模块利用3×3,5×5两种不同的卷积核构造并行网络;同时在整个网络中加入了密集连接,可以不断地利用低级特征并加速网络收敛。实验表明,在测试集BSD68下,噪声水平σ=15、25、50时,MPFE-CNN比MPCNN和DnCNN-S的PSNR分别提高了0.03dB、0.03dB、0.05dB和0.08dB、0.10dB、0.15dB。图[42]表[8]参[90]。
【学位授予单位】：安徽理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：

外部信息,比例分布,人类,外界

1.1 研究目的与意义一直以来，人类获取的外界信息中有绝大部分来自于视觉系统，这说明了图像是人类获取信息的一种重要手段[1]。随着信息化和智能化的发展，视频、动画、照片等各种信息在日常生活中随处可见，这些信息多数都是从图像上得到的[2]；同时随着数字化成像设备的发展趋于成熟，可以获得越来越多的易于处理和分析的数字图像[3]。因此，图像渐渐地成为了获取、传递和表达信息的一种重要方式，是最常用的一种信息载体[4]。根据调查数据显示，人类获取的外界信息中，约有 75%来自于视觉系统[5]，如图 1 所示，美国哈弗商学院的研究结果表明，人的大脑接受的外部信息中有 83%左右来自于视觉，而音频信号仅仅只有 11%，由于图像中包含了更多、更丰富的信息，因此图像成为了人们获取信息、知识和数据的重要来源。

图像,领域,“面对面”,无人驾驶

以及和异国他乡的朋友进行“面对面”的交流。因此，在个数字化的社会中，几乎每一个领域都和数字图像有着密不可分，得到干净的图像是至关重要的。图像是对客观事物的一种真实写照，但是图像在获取和传输的过不可避免地受到图像采集传感器的质量、外界环境以及传输信道等因素的影响，导致得到的图像总是含有噪声的，如图 2 所示，说在现实生活中看到的图像总是或多或少的含有噪声[4]。由图 2 出，噪声不仅妨碍了对图像的理解以及对图像细节的观察，而且会影响图像后续处理的效果，比如由于噪声的影响会使在后续的别或图像分割等实验中不能获得理想的实验结果，特别是目前最人工智能领域，在无人驾驶、机器人以及智慧医疗等项目中，获像质量的好坏直接决定了识别结果的可靠性和精确度。因此，对原始图像进行图像去噪是至关重要的。

结构图,结构图,神经元,人工神经网络

网络0 年代开始，人工神经网络(Artificial Neu智能领域的研究热点[69]。人工神经网络就，使机器能够像人一样具有学习能力。人工经元组成，每个神经元之间相互连接，同时、胞体和一个输出组成，一般情况下，可以输出间的关系。一种由多个神经元组成的分布式并行信息处神经网络的基本单元。每个神经元都是一个部存储功能，能够局部化处理数据信息，单

【参考文献】