基于分布信息迁移与盲去噪优化的图像去噪方法研究

发布时间：2022-01-04 03:11

　　随着当下社会对图像设备的广泛使用,图像已经成为了信息传递的最常见的媒介载体,在社会的各行各业均有着具体且有价值的应用。产生图像信息的设备多种多样（如相机、电子屏幕等）,这些设备在产生图像的同时会因设备本身产生噪声（如高斯噪声、信道依赖噪声等）,使得图像信息质量损失或降低,影响使用,图像去噪是图像复原领域的重要研究课题。目前,深度学习在图像去噪领域的应用研究已经取得了较好的效果,性能上已经超过传统算法。在CNN网络相关去噪方法中,主要研究集中在频域、空间域的端到端网络数据特征拟合,直接学习或是残差学习生成干净图像。神经网络在图像去噪方面的研究应用主要利用其深度拟合数据的强大特性,来实现端到端的图像去噪。那么对于相同分布的纯噪声图谱本身,是否可以使用神经网络深度拟合其分布信息来优化主去噪网络性能。对于神经网络去噪图像存在过度平滑的问题,本文认为主要有两点原因;其一为设计的网络结构以及选用的损失函数具有固有的缺陷;其二为与噪声相同频域内的图像细节存在信息损失。本文尝试设计结构更佳的盲去噪噪声估计子网络以及设计生成有效标签的方法,该标签需要指导噪声估计子网络生成准确的噪声估计,噪声估计作为特定... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图２－２?Ｄ－Ｎｅｔ主去噪网络结构图??主去噪网络中包含五个残差块，每个残差块输出的特征经过纯噪声分布??信息融入后接入ＢＮ［２Ｇ＾?（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ），此处ＢＮ层必须存在，若??

山东大学硕士学位论文???避免出现梯度爆炸现象，输出特征需要经过ＢＮ约束，来解决网络过深带来??的一系列问题。??纯噪声图谱的分布信息，使用ＤＩＮ?（ｄｙｎａｍｉｃ?ｉｎｓｔａｎｃｅ?ｎｏｒｍａｌｉｚａｔｉｏｎ）方??式将信息融入到主去噪网络特征，最终的ＩＬ－Ｎｅｔ网络结构如图（２－３）所示：??＿?｜丨丨＂丨丨Ｍｌ??６４＾５４＊５２?５ｆｅ８４ｊ３２?Ｉ?■?■?■?■??／Ｍ?／ｔ?６ｘ６＊１２８?＆ｆａｆｅｔｉａ?６ｉ６ｋ１２＆??＿?’??图２－３分布信息自学习网络结构图??对于纯噪声图谱的分布信息自学习子网络结构图，由卷积模块、下采样??模块、分布信息学习模块以及分布信息ＤＩＮ方式融合模块。卷积模块卷积??核参数为５ｘ５，输出特征的通道数为３２，为保持输出特征宽与高的维度数??据保持不变，卷积均使用零填充。ＩＬ－Ｎｅｔ网络采用四次下采样，提取数据高??维特征，下采样均使用步长为２的卷积，卷积核参数３ｘ３，输出的卷积特征??分别为６４、６４、１２８、１２８。分布信息学习模块使用一层卷积与两层并列的??全连接，卷积层卷积核参数为５ｘ５，输出特征通道数值为３２，全连接层特??征通道数值为１２８。??２．２．３分布信息融合方式设计??从２．１节中噪声退化模型可以发现，训练数据中的含噪图像是在初始的??干净图像中添加高斯噪声，添加方式为加性添加，即初始干净图像的每个通??道数据分别加入高斯噪声。这样生成的含噪图像，其每个通道数据中的噪声??分布可看作是独立分布，即每个通道数据中的噪声分布与不同通道数据中的??噪声分布无关，也与同一?ｍｉｎｉ－ｂａｔｃｈ不同图像中的噪声分布无关。目前

?山东大学硕士学位论文???本文使用不同方法在不同噪声水平上处理，针对近年来较好的几种去噪??算法进行统计上述实验数据，发现本文去噪网络在噪声水平大于等于３５时，??去噪效果明显优于对比的几种方法，如图（２－４）所示：???Ｒｅｓｕｉｔ?Ａｎａｌｙｓｉｓ???３３?＇???ＢＭ３Ｄ??３２?－???ＷＮＮＭ??—?ＤｎＣＭＮ??３１?－?—？—?ＦＦＤＮｅｔ??＾?３〇?Ｍｙ＿ｒｅｓｔ??！ｅ：??２５?－???？?￣￣￣＇￣￣￣￣、??２０?３０?４０?５０?６０?７０??Ｎｏｉｓｅ?Ｌｅｖｅｌ??图２－４不同去噪算法ＰＳＮＲ数值折线图??２．５．３?ＲＧＢ图像对比??本文使用数据集ＲＮＩ１５，对比了不同方法对ｓＲＧＢ图像去噪效果。本文??的结果从视觉上来讲，在去噪、恢复细节纹理等方面，要更好一些，可视化??对比如图（２－５）所示：??＿＿饞??議＿癱??驪＿癜??馳＿蠱??隱＿癱??纖３＾應??（ａ）?Ｄｏｇ?（ｂ）?Ｐａｔｔｅｒｎ?（ｃ）?Ｂｏｙ??图２－５噪声水平为０）＝２８，（１））＝１５，（（〇＝１２的８尺〇６图像不同方法的去噪结果??１７??


本文编号：3567539