基于Shearlet变换和深度CNN的图像去噪研究

发布时间：2024-03-21 04:13

　　随着图像技术的广泛使用,图像去噪技术也已经渗透到人类生活的方方面面。未来AI会更加普及,镜头逐渐深入到日常生活中,对图像清晰度的需求也越来越高,所以图像去噪具有一定的研究价值和广泛的前景。在研究去噪过程中,如何做到既能有效的去噪又能保护边缘细节,且耗时少,已然成为亟待解决的困难。因此本文提出了两种去噪算法,一种是Shearlet变换与热门的压缩感知相结合去噪算法,不仅具有相当好去噪性能,而且有较高的客观评价数值;另一种方法利用深度学习概念,训练模型能够去除一定范围噪声图像,去噪性能优异,降低训练成本,较好的解决了上述问题。本文首先介绍了已有的典型的图像去噪算法,然后对其进行分析,提出本文去噪算法,最后完成实验仿真且给出各主客观评价以及细节对比。具体安排如下:1、本文对前人成果进行研究分析,考虑到在实现图像去噪过程中出现的伪吉布斯振荡和模糊情况,本文利用图像的稀疏表示理论提出一种新的Shearlet域图像去噪算法。根据Shearlet变换特有的优势,建立稀疏去噪模型,然后利用稀疏编码求解,并用Monte_Carlo实现系数选择,因而获得干净的系数,最后重构获得理想图像...

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图２．２高斯正态分布图??

因此图像去噪变得至关重要，为进一步做其他图像处理和应用做足充分准备，??提供有利条件。随着技术的发展，在采集和传输图像的过程中噪声就不期而遇了，例如??ＣＣＤ等设备的干扰或者不完善都会使得图像受到污染而退化，如图２．１所示，图像去噪??和退化是两个相反的过程。因噪声往往被描述成随....

图２．４中值滤波结果??（２）均值滤波??均值滤波同中值滤波一样，都需要一个二维模板，不同的是均值滤波要求得模板内??

择窗口形状（有圆形、方形和线性），例如，棱角分明的图像一般选择十字形窗口。中??值滤波能去除由脉冲产生的噪声，有着较好的抑制效果，也能做到边缘保护。但是对高??斯噪声和细节丰富图像无法做到有效的去噪。如图２．４所示，选择不同的窗口影响去噪??结果。??ＭＭ??（ａ）原图?（ｂ）加....

图２．５均值滤波结果??（３）维纳滤波??维纳滤波以最小均方误差准则进行滤波去噪，具有线性和时不变的特性［２３］

?（２—丨２）??其中，ｒ（〇＿）表示滤波后图像，ｘ（／，ｙ）表示原始图像，＼表示中心点在（／，＿／）处，??大小为ＭｘｉＶ的滤波窗口。去噪效果如图２．５所示：??ＵＵ??（ａ）原图?（ｂ）高斯噪声图??—??（ｃ）?３＊３?的窗口?（ｄ）?５＊５?的窗口??图２．５均值滤波结果....

图２．６维纳滤波结果??

保存更高层次的图像细节和边缘，进行二次去噪，两次去噪后得到的图像更加理想。在??使用深度学习去噪出现之前，ＢＭ３Ｄ不仅有突出的ＰＳＮＲ和ＳＳＩＭ，而且视觉效果较好，??但是由于时两种思想的结合所以有着相对较高的时间复杂度。图２．７给出了?ＢＭ３Ｄ的具??体去噪流程。??步骤一?步....

本文编号：3933813