基于深度卷积神经网络的混合噪声降噪算法研究
发布时间：2020-12-24 03:10
图像在采集、传输、存储等过程中容易受到各种噪声干扰,导致图像质量不同程度地下降,影响到后续图像分析处理任务的顺利进行。为此,需要对噪声图像进行必要的降噪处理。大多数图像降噪算法都是基于图像仅受服从正态分布的加性高斯白噪声（additional white Gaussian noise,AWGN）这一假设提出的。然而在实际成像系统中,退化图像除了会受高斯噪声干扰以外,也有可能同时被脉冲噪声（impulse noise,IN）或者泊松噪声（Poisson noise,PN）污染。现有的高斯-脉冲混合噪声（mixed Gaussian-impulse noise）降噪算法和泊松-高斯混合噪声（mixed Poisson-Gaussian noise）降噪算法多采用正则化技术实现,利用图像先验知识构建正则约束项,能够灵活处理不同类型和级别的噪声,但需要迭代求解目标函数的最优解,计算复杂度较高。近年来,具有强大非线性映射能力的深度卷积神经网络（deep convolutional neural network,DCNN）为图像降噪算法性能的进一步提高带来了新的契机。基于DCNN技术构建的降噪模型...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
图２．１?ＤｎＣＮＮ模型的网络框架??Ｄ
?第２章图像降噪的基本理论???ＤｎＣＮＮ降噪算法可以通过在全局噪声水平范围内训练降噪模型完成盲降噪任??务，但其降噪效果会有所下降。??为了更清晰地说明ＤｎＣＮＮ算法的数据依赖特性，首先在全局噪声范围??（ｅｒｅ?［０，５５］）内训练一个?ＤｎＣＮＮ－Ｂ（ＤｎＣＮＮ?ｆｏｒ?ｂｌｉｎｄ?Ｇａｕｓｓｉａｎ?ｄｅｎｏｉｓｉｎｇ）模型，然??后在特定噪声水平（（７＿＝２０、＾＿＝３０和（７＿＝４０?｝条件下分别训练??ＤｎＣＮＮ－Ｓ（ＤｎＣＮＮ?ｆｏｒ?Ｇａｕｓｓｉａｎ?ｄｅｎｏｉｓｉｎｇ?ｗｉｔｈ?ｋｎｏｗｎ?ｓｐｅｃｉｆｉｃ?ｎｏｉｓｅ?ｌｅｖｅｌ）降噪模??型，用这４种模型分别对噪声水平值为（ｊｔｔ；ｓｌ＝３０的Ｌｅｎａ图像（ＰＳＮＲ＝１８．６９ｄＢ）进??行降噪，复原后的图像如图２．２所示。从图２．２可以看出，ＤｎＣＮＮ－Ｂ模型复原??的图像（ＰＳＮＲ＝３１．３６ｄＢ）与根据待降噪图像的噪声水平值训练的ＤｎＣＮＮ－Ｓ模型??复原的图像（ＰＳＮＲ＝３１．５４ｄＢ）相比，其质量下降了?ＣＵ８ｄＢ；当模??型训练集与待降噪图像的噪声水平值一致时，能够获得最佳的降噪??效果（图２．２（ｅ））；当ｅｓ，时，降噪后图像残留了明显的噪声点（图２．２（ｄ）），??其ＰＳＮＲ值仅为２３．５４ｄＢ；当ｃｒ＿＞、，时，降噪后图像纹理细节过平滑（见图??２．２（ｅ）），?ＰＳＮＲ?值为?３０．４４ｄＢ。??ｍｍ??（ｄ）?＾？＝２０，＾＝３０?（ｅ）?＾？＝３０，〇－ｔｅｓ，＝３０?⑴?ｃｔ＿＝４〇’＜Ｊ，ｋ１＝３０??图２．２不同ＤｎＣＮＮ降噪模型在同一噪声图像上的降噪效果对比??２５??
间具有强烈的依赖性，这种依赖关系反映了图像域中视觉对象的重要结构信??息。基于ＨＶＳ人类视觉感知系统能够高度适应从视觉场景中提取结构信息的假??设，Ｗａｎｇ等人［９１］提出了?ＳＳＩＭ结构相似度这一图像质量评价方法。该方法认为??在视觉场景中亮度和对比度的改变不会影响到图像的整体结构，因此将亮度和??对比度从图像的结构信息中分离出来，从亮度（ｌｕｍｉｎａｎｃｅ）、对比度（ｃｏｎｔｒａｓｔ）和??结构信息（ｓｔｒｕｃｔｕｒｅ）这３个方面对目标图像和原始图像之间的相似性进行评估，??如图２．３所＾???目标图？亮度测最?—｜???对比度测最??，??参考图像－ＩＴ—亮度测量?一ｊ???＾一－???测ｆｌ?结构对比?Ｉ—??图２．３?ＳＳＩＭ结构框图??ＳＳＩＭ方法以图像像素点的平均亮度值表示图像的明亮程度，以标准差表示??图像最壳和最暗区域之间亮度值的差值，以协方差衡量目标图像和参考图像之??间的相似程度。形式上，ＳＳＩＭ度量的核心函数定义为??ＳＳＩＭ（ｘ，ｘ）?＾［／（ｘ，＾）］＾?－［ｃ（ｘ，ｘ）］ｆｆｌ＜?？［５（ｘ，ｘ）］ａ，Ｊ?（２．３９）??其中，／（ｘ，ｉ）、ｃ（ｘ，芍和分别表示目标图像（复原图像ｉ）与参考图像（原??始图像ｘ）之间亮度、对比度和结构的对比函数，《；＞０，?％＞０和ｑ＞０这３个??参数分别用于调整对应３个分量的权重。亮度对比函数的数学形式为??ｌ（ｘ，ｉ）＝?（２．４０）??Ｋ＋Ｍ－＋Ｑ??其中，为了避免分母为０，Ｃ，取大于０的常数，??２８??
【参考文献】：
期刊论文
[1]基于小波变换与卷积神经网络的图像去噪算法[J]. 陈清江,石小涵,柴昱洲. 应用光学. 2020(02)
[2]一种非开关型快速随机脉冲噪声降噪算法[J]. 徐少平,刘婷云,罗洁,张贵珍,李崇禧. 电子学报. 2019(12)
[3]基于非局部梯度的图像质量评价算法[J]. 高敏娟,党宏社,魏立力,张选德. 电子与信息学报. 2019(05)
[4]基于两阶段支持向量回归的快速噪声水平估计算法[J]. 徐少平,曾小霞,唐祎玲. 计算机辅助设计与图形学学报. 2018(03)
[5]基于流形特征相似度的感知图像质量评价[J]. 王朝云,蒋刚毅,郁梅,陈芬. 自动化学报. 2016(07)
本文编号：2934862
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
图２．１?ＤｎＣＮＮ模型的网络框架??Ｄ
?第２章图像降噪的基本理论???ＤｎＣＮＮ降噪算法可以通过在全局噪声水平范围内训练降噪模型完成盲降噪任??务，但其降噪效果会有所下降。??为了更清晰地说明ＤｎＣＮＮ算法的数据依赖特性，首先在全局噪声范围??（ｅｒｅ?［０，５５］）内训练一个?ＤｎＣＮＮ－Ｂ（ＤｎＣＮＮ?ｆｏｒ?ｂｌｉｎｄ?Ｇａｕｓｓｉａｎ?ｄｅｎｏｉｓｉｎｇ）模型，然??后在特定噪声水平（（７＿＝２０、＾＿＝３０和（７＿＝４０?｝条件下分别训练??ＤｎＣＮＮ－Ｓ（ＤｎＣＮＮ?ｆｏｒ?Ｇａｕｓｓｉａｎ?ｄｅｎｏｉｓｉｎｇ?ｗｉｔｈ?ｋｎｏｗｎ?ｓｐｅｃｉｆｉｃ?ｎｏｉｓｅ?ｌｅｖｅｌ）降噪模??型，用这４种模型分别对噪声水平值为（ｊｔｔ；ｓｌ＝３０的Ｌｅｎａ图像（ＰＳＮＲ＝１８．６９ｄＢ）进??行降噪，复原后的图像如图２．２所示。从图２．２可以看出，ＤｎＣＮＮ－Ｂ模型复原??的图像（ＰＳＮＲ＝３１．３６ｄＢ）与根据待降噪图像的噪声水平值训练的ＤｎＣＮＮ－Ｓ模型??复原的图像（ＰＳＮＲ＝３１．５４ｄＢ）相比，其质量下降了?ＣＵ８ｄＢ；当模??型训练集与待降噪图像的噪声水平值一致时，能够获得最佳的降噪??效果（图２．２（ｅ））；当ｅｓ，时，降噪后图像残留了明显的噪声点（图２．２（ｄ）），??其ＰＳＮＲ值仅为２３．５４ｄＢ；当ｃｒ＿＞、，时，降噪后图像纹理细节过平滑（见图??２．２（ｅ）），?ＰＳＮＲ?值为?３０．４４ｄＢ。??ｍｍ??（ｄ）?＾？＝２０，＾＝３０?（ｅ）?＾？＝３０，〇－ｔｅｓ，＝３０?⑴?ｃｔ＿＝４〇’＜Ｊ，ｋ１＝３０??图２．２不同ＤｎＣＮＮ降噪模型在同一噪声图像上的降噪效果对比??２５??
间具有强烈的依赖性，这种依赖关系反映了图像域中视觉对象的重要结构信??息。基于ＨＶＳ人类视觉感知系统能够高度适应从视觉场景中提取结构信息的假??设，Ｗａｎｇ等人［９１］提出了?ＳＳＩＭ结构相似度这一图像质量评价方法。该方法认为??在视觉场景中亮度和对比度的改变不会影响到图像的整体结构，因此将亮度和??对比度从图像的结构信息中分离出来，从亮度（ｌｕｍｉｎａｎｃｅ）、对比度（ｃｏｎｔｒａｓｔ）和??结构信息（ｓｔｒｕｃｔｕｒｅ）这３个方面对目标图像和原始图像之间的相似性进行评估，??如图２．３所＾???目标图？亮度测最?—｜???对比度测最??，??参考图像－ＩＴ—亮度测量?一ｊ???＾一－???测ｆｌ?结构对比?Ｉ—??图２．３?ＳＳＩＭ结构框图??ＳＳＩＭ方法以图像像素点的平均亮度值表示图像的明亮程度，以标准差表示??图像最壳和最暗区域之间亮度值的差值，以协方差衡量目标图像和参考图像之??间的相似程度。形式上，ＳＳＩＭ度量的核心函数定义为??ＳＳＩＭ（ｘ，ｘ）?＾［／（ｘ，＾）］＾?－［ｃ（ｘ，ｘ）］ｆｆｌ＜?？［５（ｘ，ｘ）］ａ，Ｊ?（２．３９）??其中，／（ｘ，ｉ）、ｃ（ｘ，芍和分别表示目标图像（复原图像ｉ）与参考图像（原??始图像ｘ）之间亮度、对比度和结构的对比函数，《；＞０，?％＞０和ｑ＞０这３个??参数分别用于调整对应３个分量的权重。亮度对比函数的数学形式为??ｌ（ｘ，ｉ）＝?（２．４０）??Ｋ＋Ｍ－＋Ｑ??其中，为了避免分母为０，Ｃ，取大于０的常数，??２８??
【参考文献】：
期刊论文
[1]基于小波变换与卷积神经网络的图像去噪算法[J]. 陈清江,石小涵,柴昱洲. 应用光学. 2020(02)
[2]一种非开关型快速随机脉冲噪声降噪算法[J]. 徐少平,刘婷云,罗洁,张贵珍,李崇禧. 电子学报. 2019(12)
[3]基于非局部梯度的图像质量评价算法[J]. 高敏娟,党宏社,魏立力,张选德. 电子与信息学报. 2019(05)
[4]基于两阶段支持向量回归的快速噪声水平估计算法[J]. 徐少平,曾小霞,唐祎玲. 计算机辅助设计与图形学学报. 2018(03)
[5]基于流形特征相似度的感知图像质量评价[J]. 王朝云,蒋刚毅,郁梅,陈芬. 自动化学报. 2016(07)
本文编号：2934862
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2934862.html
