基于残差学习的图像去噪研究

发布时间：2021-05-17 00:25

　　随着科学技术的发展,越来越多的人们通过图像或视频来获取信息,图像成为信息的主要来源。然而,图像在传输和处理时会受到噪声干扰,所以图像去噪就显得非常重要。图像去噪技术是数字图像处理的关键技术之一,对图像进行去噪后质量的好坏将会影响人们的视觉效果或者是后续图像处理的结果。随着人们对图像质量要求的不断提升,图像去噪成为了一个值得研究的课题,再加上深度学习和神经网络在图像识别和语音识别领域取得了成功,随后人们将其应用到了图像去噪领域也取得了相当不错的成果。本文主要以DnCNN图像去噪算法为研究目标,对它进行了分析和探究,在它的基础上提出了改进算法,并将改进后的算法在理论和实验上进行了验证,证明了改进后算法的去噪性能比较好。本论文中主要进行的研究工作是利用残差学习技术对图像进行去噪,通过训练卷积神经网络（Convolutional Neural Network,CNN）去学习图像的统计特性,从而实现图像的去噪功能。改进算法是在CNN中利用空洞卷积技术去扩大感受野,从而提取到更多的特征,然后通过加入跳跃连接和增大训练数据从而加快神经网络去噪模型的训练速度,同时提升了重建后去噪算法的精度和收敛性。本... 

【文章来源】：陕西师范大学陕西省 211工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要工作
第2章 图像去噪理论
    2.1 噪声的形成及分类
    2.2 噪声模型
    2.3 图像去噪算法的分类
    2.4 本章小结
第3章 基于卷积神经网络的图像去噪
    3.1 卷积神经网络
        3.1.1 卷积神经网络的结构
        3.1.2 卷积神经网络的特点
        3.1.3 激活函数
    3.2 DnCNN算法的介绍
        3.2.1 DnCNN去噪的网络结构
        3.2.2 批规范化
        3.2.3 残差学习
        3.2.4 损失函数
    3.3 深度学习框架
    3.4 本章小结
第4章 基于DnCNN的改进算法
    4.1 空洞卷积的引进
    4.2 跳跃连接的应用
    4.3 改进后网络的结构
    4.4 改进后的学习策略
    4.5 优化算法参数的设置
    4.6 实验设计与结果分析
        4.6.1 数据库的介绍
        4.6.2 模型的构建及训练
        4.6.3 去噪效果衡量标准
        4.6.4 实验结果及分析
    4.7 本章小结
第5章 总结与展望
    5.1 内容总结
    5.2 后续展望
参考文献
致谢
攻读硕士期间的研究成果



本文编号：3190701