基于深度学习的随机脉冲噪声快速降噪算法
发布时间：2021-11-17 22:42
迄今为止,大部分随机脉冲噪声（random-valued impulse noise,RVIN）图像降噪算法的性能严重受限于能否准确地检测待降噪图像的噪声像素点。因此,研究能够快速准确地检测出给定噪声图像中噪声像素点的检测算法具有很好的理论意义和实用价值。噪声检测算法作为基于开关型RVIN降噪算法的预处理模块,检测准确性和执行效率是评价其性能好坏的两个重要指标。现主流的RVIN降噪算法大部分都采用噪声检测和降噪串行迭代执行的工作方式来逐像素点（噪声点）完成有差别的降噪任务的策略,算法执行效率较低。此外,利用人工提取的图像局部统计值（local image statistic,LIS）与预设阈值进行比较实现噪声像素点的逐点检测算法,准确性仍有待提高。因此,鉴于RVIN降噪算法存在检测准确率不高和执行效率低的问题,本文提出了 2种快速的RVIN检测算法:1)一种基于深度置信网络（deep belief network,DBN）的RVIN快速检测算法（DBN-based of RVIN detection,DBNRD）。该算法从构建描述能力更为强大的统计特征值和提高预测模型映射能力两个方面入...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．１不同位置处ＲＯＬＤ统计值比较??表２．１在图２．１中两个像素点前ｗ个ＲＯＬＤ值的比较??
心像??素点为随机噪声的程度划分为一般、中等、比较严重和严重四个子集。最后，??基于四个子集分别利用ＤＢＮ深度置信网络训练相应的检测器。２）在检测阶段，??首先将待检测的噪声图像分解为重叠的图块（ｏｖｅｒｌａｐｐｉｎｇ－ｐａｔｃｈｅｓ）集合并提取他??们的特征矢量和０１值。根据０１值的不同，将图块集合分为四个子集并调用相??应预先训练的检测模型给出这些图块中心像素点的噪声标签，最后将这些噪声??标签汇总形成关于整张图像的检测结果（即标签矩阵，它与图像大小一致）。算法??的整个框架如图３．１所示：???１?；如加哚！?训练阶段｜??！?噪声阁像￣—原始阁像??！?丨?丨：??？?分鱿?分糾??ｖ?ｖ?｜??捉１Ｕ特征?Ｉ哚，ＭＶｉ像＾?原士阁像?！??块?；?块?Ｉ??｜???１????ＤＢＮ?Ｎｅｔｗｏｒｋ??Ｉ?ＲＪｉＶｌ，?｜?Ｒ？Ｍ．?｜?Ｒ？Ｍ，?｜???｜??”?１?１?Ｉ?［?７０?’?ｒ??ｊ戶Ｗ，．．．，以＾?．醫．餐，备一?１?一?，…以??Ｉ?谢ＩＩ編?：＾?＝?购Ｗ卢标签｜??｜?＾，？？特征??＂Ｉ?检测阶段ｉ??Ｉ测试图像上测ｆ块－Ｓｉ特征向蠍，削＾＾ＶＩＮ?噪声标签｜??Ｌ?ｉ??图３．１基于ＤＢＮ网络的随机脉冲噪声检测算法的流程图??３．２构建ＲＶＩＮ检测器??３．２．１提取ＲＶＩＮ感知特征??基于公式（２．１３），取前ｗ个／？ＯＬＤ，，，统计值作为描述图块中心像素点是否为噪??２３??Ｉ??
?第３章基于深度置信网络的ＲＶＩＮ噪声检测算法???（ａ）?Ｂｏａｔ?（ｂ）Ｌｅｎａ?（ｃ）Ｈｏｕｓｅ?（ｄ）?Ｃａｍｅｒａｍａｎ??（ｅ）?Ｂａｒｂａｒａ?（ｆ）?Ｐｅｐｐｅｒｓ?（ｇ）?Ｈｉｌｌ?（ｈ）Ｂｒｉｄｇｅ??图３．２?８张常用测试图集??３．３训练ＤＢＮＲＤ噪声检测器??基于ＤＢＮ网络的ＲＶＩＮ噪声检测器的框架如图３．１所示，该框架分为２个??阶段：训练阶段（上半部分）和噪声检测阶段（上半部分）。在训练阶段，为了确保??检测器的有效性以及对图像检测的鲁棒性：首先，从ＩＬＮＩＱＥ数据库中选择??９０张图像并从ＴＩＤ数据库中随机选取１０张图像共１００张原始无失真图像，??对每张图像施加各个级别（范围为０％？６０％，间隔】０％）的随机脉冲噪声。其次，??用大小为５ｘ５的滑动窗口不重叠、间隔的选取图块，共随机选取了?１０万多个图??块并提取每个图块的中心像素点对应的前１２个不同阶的ＲＯＬＤ值以及值ＥＦ构??成特征矢量库。同时，也计算中心像素点的０１值，根据０１值将得到的特征矢??量库按照其中心像素点为随机噪声的程度划分为一般、中等、比较严重和严重??４个子集。最后，基于４个子集分别利用ＤＢＮ深度置信网络训练相应的检测??器。??３．４本章小结??本章介绍了一种基于ＤＢＮ深度置信网络的随机脉冲噪声快速检测器。该噪??声检测器在图块级别上提取多个不同阶ＲＯＬＤ统计值并结合能避免边缘像素点??２９??
【参考文献】：
期刊论文
[1]基于深度强化学习的多模态医学图像配准[J]. 姚明青,胡靖. 计算机辅助设计与图形学学报. 2020(08)
[2]基于深度学习的生物医学数据分析进展[J]. 李肃义,唐世杰,李凤,齐建卓,熊文激. 生物医学工程学杂志. 2020(02)
[3]深度信念网络研究进展[J]. 周涛,陆惠玲,霍兵强. 计算机工程与应用. 2020(09)
[4]结合稀疏表示和深度学习的视频中3D人体姿态估计[J]. 王伟楠,张荣,郭立君. 中国图象图形学报. 2020(03)
[5]基于深度信念网络检测PET/CT图像肺结节良恶性[J]. 马圆,王风,韩勇,张凤,梁志刚,黄健,杨志,郭秀花. 中国医学影像技术. 2020(01)
[6]卷积神经网络在雷达自动目标识别中的研究进展[J]. 贺丰收,何友,刘准钆,徐从安. 电子与信息学报. 2020(01)
[7]改进Mask R-CNN的遥感图像多目标检测与分割[J]. 李森森,吴清. 计算机工程与应用. 2020(14)
[8]语音任务下声学特征提取综述[J]. 郑纯军,王春立,贾宁. 计算机科学. 2020(05)
[9]基于文本深层语义特征的亚马逊商品推荐[J]. 李可,陈光平. 计算机科学. 2020(02)
[10]两阶段多层感知的随机脉冲噪声比例预测[J]. 于海雯,易昕炜,徐少平,张贵珍,刘婷云. 中国图象图形学报. 2019(07)
本文编号：3501765
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
图２．１不同位置处ＲＯＬＤ统计值比较??表２．１在图２．１中两个像素点前ｗ个ＲＯＬＤ值的比较??
心像??素点为随机噪声的程度划分为一般、中等、比较严重和严重四个子集。最后，??基于四个子集分别利用ＤＢＮ深度置信网络训练相应的检测器。２）在检测阶段，??首先将待检测的噪声图像分解为重叠的图块（ｏｖｅｒｌａｐｐｉｎｇ－ｐａｔｃｈｅｓ）集合并提取他??们的特征矢量和０１值。根据０１值的不同，将图块集合分为四个子集并调用相??应预先训练的检测模型给出这些图块中心像素点的噪声标签，最后将这些噪声??标签汇总形成关于整张图像的检测结果（即标签矩阵，它与图像大小一致）。算法??的整个框架如图３．１所示：???１?；如加哚！?训练阶段｜??！?噪声阁像￣—原始阁像??！?丨?丨：??？?分鱿?分糾??ｖ?ｖ?｜??捉１Ｕ特征?Ｉ哚，ＭＶｉ像＾?原士阁像?！??块?；?块?Ｉ??｜???１????ＤＢＮ?Ｎｅｔｗｏｒｋ??Ｉ?ＲＪｉＶｌ，?｜?Ｒ？Ｍ．?｜?Ｒ？Ｍ，?｜???｜??”?１?１?Ｉ?［?７０?’?ｒ??ｊ戶Ｗ，．．．，以＾?．醫．餐，备一?１?一?，…以??Ｉ?谢ＩＩ編?：＾?＝?购Ｗ卢标签｜??｜?＾，？？特征??＂Ｉ?检测阶段ｉ??Ｉ测试图像上测ｆ块－Ｓｉ特征向蠍，削＾＾ＶＩＮ?噪声标签｜??Ｌ?ｉ??图３．１基于ＤＢＮ网络的随机脉冲噪声检测算法的流程图??３．２构建ＲＶＩＮ检测器??３．２．１提取ＲＶＩＮ感知特征??基于公式（２．１３），取前ｗ个／？ＯＬＤ，，，统计值作为描述图块中心像素点是否为噪??２３??Ｉ??
?第３章基于深度置信网络的ＲＶＩＮ噪声检测算法???（ａ）?Ｂｏａｔ?（ｂ）Ｌｅｎａ?（ｃ）Ｈｏｕｓｅ?（ｄ）?Ｃａｍｅｒａｍａｎ??（ｅ）?Ｂａｒｂａｒａ?（ｆ）?Ｐｅｐｐｅｒｓ?（ｇ）?Ｈｉｌｌ?（ｈ）Ｂｒｉｄｇｅ??图３．２?８张常用测试图集??３．３训练ＤＢＮＲＤ噪声检测器??基于ＤＢＮ网络的ＲＶＩＮ噪声检测器的框架如图３．１所示，该框架分为２个??阶段：训练阶段（上半部分）和噪声检测阶段（上半部分）。在训练阶段，为了确保??检测器的有效性以及对图像检测的鲁棒性：首先，从ＩＬＮＩＱＥ数据库中选择??９０张图像并从ＴＩＤ数据库中随机选取１０张图像共１００张原始无失真图像，??对每张图像施加各个级别（范围为０％？６０％，间隔】０％）的随机脉冲噪声。其次，??用大小为５ｘ５的滑动窗口不重叠、间隔的选取图块，共随机选取了?１０万多个图??块并提取每个图块的中心像素点对应的前１２个不同阶的ＲＯＬＤ值以及值ＥＦ构??成特征矢量库。同时，也计算中心像素点的０１值，根据０１值将得到的特征矢??量库按照其中心像素点为随机噪声的程度划分为一般、中等、比较严重和严重??４个子集。最后，基于４个子集分别利用ＤＢＮ深度置信网络训练相应的检测??器。??３．４本章小结??本章介绍了一种基于ＤＢＮ深度置信网络的随机脉冲噪声快速检测器。该噪??声检测器在图块级别上提取多个不同阶ＲＯＬＤ统计值并结合能避免边缘像素点??２９??
【参考文献】：
期刊论文
[1]基于深度强化学习的多模态医学图像配准[J]. 姚明青,胡靖. 计算机辅助设计与图形学学报. 2020(08)
[2]基于深度学习的生物医学数据分析进展[J]. 李肃义,唐世杰,李凤,齐建卓,熊文激. 生物医学工程学杂志. 2020(02)
[3]深度信念网络研究进展[J]. 周涛,陆惠玲,霍兵强. 计算机工程与应用. 2020(09)
[4]结合稀疏表示和深度学习的视频中3D人体姿态估计[J]. 王伟楠,张荣,郭立君. 中国图象图形学报. 2020(03)
[5]基于深度信念网络检测PET/CT图像肺结节良恶性[J]. 马圆,王风,韩勇,张凤,梁志刚,黄健,杨志,郭秀花. 中国医学影像技术. 2020(01)
[6]卷积神经网络在雷达自动目标识别中的研究进展[J]. 贺丰收,何友,刘准钆,徐从安. 电子与信息学报. 2020(01)
[7]改进Mask R-CNN的遥感图像多目标检测与分割[J]. 李森森,吴清. 计算机工程与应用. 2020(14)
[8]语音任务下声学特征提取综述[J]. 郑纯军,王春立,贾宁. 计算机科学. 2020(05)
[9]基于文本深层语义特征的亚马逊商品推荐[J]. 李可,陈光平. 计算机科学. 2020(02)
[10]两阶段多层感知的随机脉冲噪声比例预测[J]. 于海雯,易昕炜,徐少平,张贵珍,刘婷云. 中国图象图形学报. 2019(07)
本文编号：3501765
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3501765.html
