基于深度学习的扩散方程图像去噪模型

发布时间：2021-07-25 16:32

　　近年来,针对图像去噪问题提出了很多网络去噪框架,经深度学习方法处理后的图像质量高于优于传统的去噪模型。但是,基于深度学习算法的缺点尚未找到解决办法,如不可解释性和不可预测性;同时,在图像去噪上也存在一下缺点,如“人工效应”。经过数十年的发展,基于偏微分方程的图像去噪方法被很多人接受,这是因为基于偏微分方程的去噪算法拥有丰富的数学理论,可对解进行适定性研究和误差分析。但是,基于偏微分方程的扩散方程图像去噪模型易产生“阶梯”现象。针对深度学习和扩散方程去噪算法产生的问题,本文做了如下工作:首先,本文基于给定扩散系数函数的初值越好,扩散方程的去噪效果越好的思想出发,将深度学习与偏微分方程相结合,建立了基于DnCNN的扩散方程去噪模型。该模型的实现需要两个步骤:第一步,利用基于残差网络框架的DnCNN得到无噪声估计,第二步,利用有限差分方法对方程进行离散,求出模型的数值解。其次,模型一的数值格式只包含图像的梯度信息,受其离散形式的启发,建立了基于梯度先验估计的扩散方程去噪模型。本文从理论和实验两方面,证实残差网络框架训练无噪声梯度先验估计的可行性。为保留更多的细节信息,本文对模型二进行改进,提... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

REDNet结构图

哈尔滨工业大学理学硕士学位论文-5-连接起来，解决了梯度消失的问题。该策略允许信息直接从底层反向传播回到卷积层，加快了深度网络的收敛速度并得到更好的实验效果。其网络结构如图1-1所示。图1-1REDNet结构图Zhang提出了一种基于深度学习的去噪网络，它由卷积、批处理归一化、整流线性单元和残差学习组成，用来处理图像去噪、超分辨率和JPEG图像去块。该模型的特点是利用残差学习策略，利用卷积层隐式地去除隐藏层中的干净图像，学习噪声信息。虽然DnCNN降噪效果优于传统非CNN，但在细节上出现了一些人工效应，造成视觉误差。网络结构如图1-2所示。图1-2DnCNN的结构示意图Zhang提出的FFDNet，对图像进行下采样，并且使用了噪声水平估计、上采样、正交矩阵初始化网络参数等策略，在网络的运行速度和去噪性能之间的平衡提供了保障。但是，FFDNet需要通过设置人工参数。结构示意图如图1-3所示。图1-3FFDnet网络结构示意图

哈尔滨工业大学理学硕士学位论文-5-连接起来，解决了梯度消失的问题。该策略允许信息直接从底层反向传播回到卷积层，加快了深度网络的收敛速度并得到更好的实验效果。其网络结构如图1-1所示。图1-1REDNet结构图Zhang提出了一种基于深度学习的去噪网络，它由卷积、批处理归一化、整流线性单元和残差学习组成，用来处理图像去噪、超分辨率和JPEG图像去块。该模型的特点是利用残差学习策略，利用卷积层隐式地去除隐藏层中的干净图像，学习噪声信息。虽然DnCNN降噪效果优于传统非CNN，但在细节上出现了一些人工效应，造成视觉误差。网络结构如图1-2所示。图1-2DnCNN的结构示意图Zhang提出的FFDNet，对图像进行下采样，并且使用了噪声水平估计、上采样、正交矩阵初始化网络参数等策略，在网络的运行速度和去噪性能之间的平衡提供了保障。但是，FFDNet需要通过设置人工参数。结构示意图如图1-3所示。图1-3FFDnet网络结构示意图

【参考文献】：
期刊论文
[1]图像质量评价研究综述[J]. 周景超,戴汝为,肖柏华.  计算机科学. 2008(07)



本文编号：3302378