為了在去除圖像中椒鹽噪聲的同時最大程度地避免產(chǎn)生色彩失真與邊緣模糊等瑕疵,提出基于深度殘差網(wǎng)絡的椒鹽噪聲自適應濾除算法.將圖像去噪分解為2步.首先,為了讓網(wǎng)絡模型能夠處理不同尺度密度的椒鹽噪聲,提高網(wǎng)絡模型的魯棒性,先對圖像進行自適應預處理以去除高頻信息;其次,構建深度殘差網(wǎng)絡模型,訓練出能將預處理后的圖像映射到干凈圖像的函數(shù).大量實驗結果表明,文中算法不僅在保留圖像邊緣細節(jié)和去除高密度椒鹽噪聲方面均優(yōu)于傳統(tǒng)和基于機器學習的椒鹽噪聲去除技術,可有效地避免出現(xiàn)色彩失真和條紋等瑕疵.同時,其在BSD300數(shù)據(jù)集上去噪效果優(yōu)于其他算法. 

【文章來源】：計算機輔助設計與圖形學學報. 2020,32(08)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

不同算法在熊群圖像上的去噪結果對比

枷襝附?并避免出現(xiàn)條紋與色彩失真等問題的發(fā)生.2基于殘差網(wǎng)絡的自適應去噪針對椒鹽噪聲去除和圖像細節(jié)保留問題,本文進行了相關研究,提出了基于深度殘差網(wǎng)絡的自適應去噪算法,將自適應的預處理算法和深度殘差去噪神經(jīng)網(wǎng)絡相結合,在完成對不同密度椒鹽噪聲去除的同時,最大限度地保留圖像中的細節(jié).主要思路分為2步:(1)采用自適應窗口預處理算法去除圖像中部分噪聲和高頻信息;(2)采用深度殘差網(wǎng)絡將深度學習與圖像去噪相結合,去除剩余部分噪聲并修復圖像細節(jié),避免產(chǎn)生條紋、色彩失真和圖像模糊等問題;具體流程如圖1所示.圖1去除椒鹽噪聲流程圖

于統(tǒng)計概率學的知識,即使圖像被90%密度的椒鹽噪聲所污染,其在77的濾波窗口中全為噪聲點的概率是極小的.假設出現(xiàn)77的濾波窗口中全為噪聲點的情況,則極有可能在原圖像中本就含有值為0或255的像素點(原背景圖像為黑色或白色),故不對該噪聲點進行替換修改.2.2深度殘差網(wǎng)絡模型He等[20]提出了深度殘差網(wǎng)絡,其認為基于深度殘差網(wǎng)絡的模型比基于DCNN的模型能更好、更快地收斂.受此啟發(fā),本文構建了深度殘差網(wǎng)絡去噪模型,以此來去除在自適應預處理后仍未被去除的噪聲點,并修復圖像細節(jié).本文的網(wǎng)絡模型如圖2所示.如圖2a所示,每個殘差塊由輸入層和2個CNN層組成,每個CNN層都擁有64個濾波器,最終殘差塊的輸出為最后的CNN層與輸入相加的結果.如圖2b所示,本文提出的深度殘差網(wǎng)絡模型由32個殘差塊組成,同時本文模型所有的卷積層后都緊接著批正則化層和ReLU激活函數(shù)層.圖2深度網(wǎng)絡殘差模型結構由于含高密度椒鹽噪聲圖像的高復雜性,直接將噪聲圖像作為輸入數(shù)據(jù)加入到網(wǎng)絡模型中并不能取得良好的去噪效果;但將圖像進行預處理后再輸入網(wǎng)絡中卻能達到去除噪聲的目的.本文認為主要原因有以下幾點:(1)對于受到高密度椒鹽噪聲污染的圖像,其大部分像素點都被噪聲所污染.這就導致輸入的圖像數(shù)據(jù)中缺少足夠的有效信息,卷積操作很難將僅含少量有效信息的噪聲圖像恢復回原圖像.(2)被椒鹽噪聲所污染的像素值通常位于極值點0或255附近,故而受到噪聲污染的圖像與原圖像相對差異較大,而采用本文自適應預處理后

【參考文獻】：
期刊論文
[1]基于BPANN噪聲檢測的反距離加權法濾除椒鹽噪聲[J]. 龍敬文,蒲亦非,周激流.  計算機應用研究. 2018(04)



本文編號：3072999