現(xiàn)有性能較好的降噪算法大都屬于所謂的非盲降噪算法,它們往往需要依賴能夠描述圖像受噪聲干擾嚴(yán)重程度的入口參數(shù)（即噪聲水平值）以獲得最佳降噪性能。噪聲水平評估算法（noise level estimation,NLE）作為這類降噪算法的前置模塊,其執(zhí)行效率和預(yù)測準(zhǔn)確性是影響整個降噪算法性能好壞的兩個重要評價指標(biāo)�，F(xiàn)有大部分NLE算法均采用基于單張圖像的實現(xiàn)策略（single-image based NLE,SNLE）,由于缺乏可利用的先驗信息,這些算法不得不設(shè)計復(fù)雜的處理過程以獲得關(guān)于噪聲圖像的準(zhǔn)確噪聲水平估計,從而導(dǎo)致算法的執(zhí)行效率不高,進(jìn)而影響整個降噪算法的執(zhí)行效率。因此,為了解決現(xiàn)有所謂非盲降噪算法的降噪效果受限于噪聲水平值參數(shù)這一缺陷,本課題開展了相應(yīng)研究。首先,受到基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）技術(shù)路線的NLE算法的啟發(fā),提出一種基于CNN提取卷積特征作為噪聲水平感知特征（noise level-aware feature,NLAF）的多圖像噪聲水平評估算法（CNN and multi-image based NLE,CNNM... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?ＤｎＣＮＮ網(wǎng)絡(luò)架構(gòu)??

?第２章相關(guān)工作???升。??■ｆｔｌ＿＿??圖２．２ＦＦＤＮｅｔ網(wǎng)絡(luò)架構(gòu)??ＦＦＤＮｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)如圖２．２所示。第一層是可逆下釆樣層，它將噪聲圖像??ｊ縮小為四個下采樣子圖像。接著將可人工調(diào)整的噪聲水平矩陣Ｍ?（對于噪聲水??平為〇■的空間不變ＡＷＧＮ高斯噪聲，Ｍ是所有元素均為〇■且和下采樣圖像同??等大小的矩陣）與下采樣后的子圖像連接起來，形成４Ｃ＋１個大小為輸人圖像＿ｖ??一半的張量作為第一個ＣＮＮ卷積層的輸入。緊接著的非線性映射架構(gòu)由多個卷??積核大小為３ｘ３的卷積塊組成，其中每個卷積塊由三種結(jié)構(gòu)組成：卷積層、修??正性單元（ＲｅＬＵ）［４２］和批歸一化層（ＢＮ）＾。分別地，在非線性架構(gòu)中，第一個卷??積塊由一個卷積層加一個修正性單元組成，最后一個卷積塊只有一個卷積層，??其余卷積塊均由一個卷積層、一個修正性單元和一個批歸一化層組成。為了保??證輸出特征圖的大小和輸入特征圖相等，ＦＦＤＮｅｔ同ＤｎＣＮＮ?—樣在每次進(jìn)行卷??積操作前采用零填充策略。最后，緊接著最后一個卷積層，對輸出矩陣施加和??第一層下采樣層相對應(yīng)的下逆操作，以產(chǎn)生與輸人圖像同等大小的最終降噪圖??像ｆ。和ＤｎＣＮＮ不同的是，ＦＴＯｎｅｔ并不采用通過學(xué)習(xí)圖像的噪聲達(dá)到間接降??噪目的的殘差學(xué)習(xí)策略。另外，由于ＦＦＤＮｅｔ是對下釆樣后的子圖像進(jìn)行操作，??因此不必使用增大卷積核的方法來進(jìn)一步增加感受野大校??２．２．３噪聲水平參數(shù)對降噪算法性能的彩響??近年來，基于卷積神經(jīng)網(wǎng)絡(luò)的降噪算法無論在執(zhí)行效率上還是降噪效果上，??都具有很強(qiáng)的競爭力。然而，包括ＤｎＣＮＮ、ＦＦＤｎｅｔ在類的眾多基于ＣＮＮ技術(shù)??路線的降噪算法均依賴于關(guān)于噪

?第２章相關(guān)工作???瞧咖??（ａ）?（ｂ）?（ｃ）?（ｄ）??圖２．３輸入不同噪聲水平值參數(shù)使用ＤｎＣＮＮ算法降噪的降噪圖像．ａ）施加＜ｒ＝３０的噪聲圖??像；ｂ）?ｃｒ＝１０時ＤｎＣＮＮ的降噪圖像；ｃ）輸人ｃｒ＝３０時ＤｎＣＮＮ的降噪圖像；ｄ）輸人ｃｘ＝７０時??ＤｎＣＮＮ的降噪圖像??２．３噪聲水平預(yù)測算法??２．３．１?Ｚｏｒａｎ?算法??Ｚｏｒａｎ算法＿是基于單圖像先驗的經(jīng)典ＮＬＥ算法，該算法假定未失真圖像??的邊緣帶通濾波器響應(yīng)分布的峰度值和噪聲的嚴(yán)重程度有緊密聯(lián)系，通過構(gòu)建??目標(biāo)函數(shù)模型然后迭代搜索目標(biāo)函數(shù)的最優(yōu)值來估計圖像噪聲的方差。該算法??模擬了在增加高斯噪聲后廣義高斯分布隨機(jī)變量的峰度變化情況。義表示廣義??高斯分布隨機(jī)變量，服從Ｚａ），?ｙ是均值，（７是方差，ａ是該分??布的形狀參數(shù)�！侗硎痉䦶木禐椹�、方差為ｃｘ？２的獨立高斯隨機(jī)變量。隨機(jī)變??量Ｆ表示為??Ｙ?＝?Ｘ?＋?ｎ?（２．４）??通過；Ｋ可以計算出峰度值在未失真的圖像中，Ｘ代表原始分布的一個局部??系數(shù)，《表示添加的噪聲，Ｆ是噪聲圖像的系數(shù)分布。該算法將峰度值稱為方??差平方的第四中心矩標(biāo)準(zhǔn)化，表示如下：??ｋ?＝?（２．５）??Ｇ??由于噪聲的獨立性，Ｆ的方差可由〇＾和〇？２得到，表示為??（?２?＼??ｃｊｙ＝ｃｒ２ｘ?ｌ?＋?＾ｆ－?（２．６）??Ｖ?°?Ｘ?Ｊ??ｒ的第四中心矩很容易通過噪聲的累積量和獨立性得到，??１４??

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[2]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[3]基于均值濾波和小波分析的圖像去噪[J]. 史玉林,李飛飛,孫益頂.  電子測量技術(shù). 2008(08)
[4]自適應(yīng)模糊加權(quán)均值濾波器[J]. 胡浩,王明照,楊杰.  系統(tǒng)工程與電子技術(shù). 2002(02)



本文編號：3421955