噪声图像的显著性检测与去噪方法研究

发布时间：2022-01-25 17:28

　　图像在获取、传输、存储的过程中容易受到噪声的干扰。噪声图像的存在是非常普遍的。噪声图像不仅影响视觉体验,而且对数字图像处理技术有较大的影响。本文以显著性检测为例,研究噪声图像的显著性检测算法,同时提出结合噪声图像特性的去噪方法。图像显著性检测在图像压缩、图像分割、图像检索等方面有重要的应用价值。目前大多数的显著性检测算法都是基于无噪声图像提出的。针对此问题,本文首先对典型的图像显著性检测算法在图像质量评估数据集（Tampere Image Database,TID2013）上做性能分析。TID2013数据集含有24种失真类型,其中包含多种噪声失真。鉴于缺少结合不同噪声类型和幅度的显著性检测数据集,本文基于TID2013数据集,人工标注每张图像的显著对象,得到人工标注的标准显著性图。实验结果表明,显著性检测算法在失真图像上的性能通常会降低,尤其在失真幅度较高时。为了解决噪声图像对显著性检测算法的负面影响,本文提出基于机器学习的噪声图像显著性检测方法。首先,本文机器学习方法建立噪声图像特征和噪声幅度间的映射关系,得到噪声幅度预测模型。然后,实验得到每个噪声类型和幅度的最优去噪参数。对每幅噪... 

【文章来源】：福州大学福建省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图２－１参考图像和失真类型＃１高斯白噪声失真图像??

?福州大学工稈硕士学位论文???２．４．２?ＭＳＲＡ－１０００显著性检测数据集??ＭＳＲＡ－１０００数据集［２ｑ丨是发表在国际会议ＣＶＰＲ?２００９年中的Ａｃｈａｎｔａ提供的，其??包含１０００张的参考图像和１０００张的人工标注的标准显著性图（Ｇｒｏｕｎｄ?ｔｒｕｔｈ）。丨０００??张人Ｘ标注的标准显著性图，首先是经过９名用户用矩形框圈将显著对象圈出，然后??．按这＿９名用户．的标注结果，人工分割出显著对象如图２－２所示，枫叶和花朵为显著??对象，对应人工分割的显著性图的白色部分，而背景部分对应黑色部分。这种基于像??素级的分割的显著性图，具有较高的精准性。??

．按这＿９名用户．的标注结果，人工分割出显著对象如图２－２所示，枫叶和花朵为显著??对象，对应人工分割的显著性图的白色部分，而背景部分对应黑色部分。这种基于像??素级的分割的显著性图，具有较高的精准性。??图２－２?ＭＳＲＡ－丨０００数据集提供的参考图像和人工标注的标准显著性图??２．４．３图像去噪数据集??Ｂｅｒｋｅｌｅｙ?Ｓｅｇｍｅｎｔａｔｉｏｎ?Ｄａｔａｓｅｔ?（ＢＳＤ）数据集［４３】包含５００张图像，常被用在图像??分割和图像去噪领域中使用。ＢＳＤ数据集其包含各式各样的类型的图像，从人物、风??景、动物、汽车等类型都有相应的图像，包含简单到复杂的场景。丰富的图像类型能??够更好检验算法的鲁棒性。如图２－３中，展示了一部分ＢＳＤ数据集中的图像。??

【参考文献】：
期刊论文
[1]基于小波域的图像噪声估计新方法[J]. 张旗,梁德群,樊鑫.  计算机工程. 2004(08)



本文编号：3608949