基于深度学习的图像去噪紧框架正则化参数估计研究

发布时间：2024-04-06 22:21

　　图像是日常生活中的重要信息媒介,在获取、使用等过程中,不可避免受到噪声的影响,破坏图像的质量,妨碍后续的处理。图像去噪问题是典型的病态逆问题,通常是图像迭代求解算法的关键步骤,需要利用先验信息对其进行正则化约束。通常图像去噪技术利用单幅图像的各种先验特征,结合不同滤波方法完成去噪,可采用的先验信息有限,难以有效选取特征保护图像边缘细节,且需手动多次调整参数,效率较低。近年来以卷积神经网络为代表的深度学习技术,通过大量数据训练学习各种图像特征的映射关系,直接去除图像噪声,但容易模糊图像边缘等重要细节特征,导致图像过于光滑。紧框架理论能多尺度分析图像特征,并从特征系数重构出原图像。本文利用紧框架理论结合深度学习的优点,通过构建网络模型智能化学习紧框架特征稀疏表示,自适应估计正则化参数来处理图像特征,实现既去除噪声又保护细节。主要工作如下:(1)提出了紧框架结合卷积神经网络的去噪模型TFCNN。首先,利用紧框架对图像进行多分辨率分解,得到不同频带的图像特征,表征图像中的边缘细节以及噪声。其次,利用卷积神经网络学习紧框架特征系数,分析局部特征的有效性,实现正则化参数的自适应估计。最后,使用软阈...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2-1神经元结构

基于深度学习的图像去噪紧框架正则化参数估计研究11(1)神经元神经元是神经网络的基本组成单位，其模型如引用的图2-1[61]所示。神经元受生物神经元的启发进行抽象简化而提出[57]，后续的各种神经网络一般都是由大量神经元联结构成。单个神经元能够完成接收输入，加权求和，加上偏置，通....

图2-2多层感知机结构

基于深度学习的图像去噪紧框架正则化参数估计研究12为了更新参数进行学习，多层感知机通常结合误差反向传播算法[52]（BackPropagation,BP）来训练，卷积神经网络也采用了其基本思想。为了比较网络输出的近似值与实际目标之间的差异，需要选用合适的损失函数进行评价，其对参数....

图2-3LeNet-5网络结构

基于深度学习的图像去噪紧框架正则化参数估计研究12为了更新参数进行学习，多层感知机通常结合误差反向传播算法[52]（BackPropagation,BP）来训练，卷积神经网络也采用了其基本思想。为了比较网络输出的近似值与实际目标之间的差异，需要选用合适的损失函数进行评价，其对参数....

图2-4卷积操作示意图

基于深度学习的图像去噪紧框架正则化参数估计研究13(1)卷积层卷积层主要是进行卷积相关的操作，实现特征的提取，可以说是卷积神经网络最重要的核心。卷积神经网络中的卷积操作，主要是使用卷积核，可以理解为一个滤波器，对输入的矩阵进行从左到右、从上到下的滑动过滤，将对应的元素依次相乘然后....

本文编号：3947246