盡管目前深度學習的算法在高斯去噪問題上得到了很好的效果,但是對于真實相機圖像的噪聲,深度學習的方法還無法得到令人滿意的效果。為了推動基于深度學習的去噪算法在實際中的使用,本文進行了如下的研究,首先設計了針對相機噪聲的盲去噪網(wǎng)絡,主要的貢獻是將相機內(nèi)部的圖像處理過程對噪聲的影響考慮在內(nèi),設計了更真實的噪聲模型,其次設計了兩段的網(wǎng)絡結(jié)構(gòu),將非盲去噪網(wǎng)絡泛化應能強的優(yōu)點加以利用。首先使用一個小網(wǎng)絡用以估計噪聲水平的,之后使用UNet的網(wǎng)絡結(jié)構(gòu)進行非盲的去噪。對于噪聲估計網(wǎng)絡結(jié)構(gòu),本文設計了非對稱的損失函數(shù),同時使用梯度的約束來估計出更準確的噪聲水平。真實噪聲數(shù)據(jù)和仿真的數(shù)據(jù)被迭代的進行網(wǎng)絡的訓練來提升網(wǎng)絡去噪的性能。在多個真實噪聲圖像數(shù)據(jù)集上,均驗證了提出算法的有效性。為了更近一步提升去噪網(wǎng)絡的性能,并且推動真實圖像的多幀去噪方面的研究,本文采集了一個真實相機圖像的噪聲數(shù)據(jù)集(CIDB)。與之前的數(shù)據(jù)集相比,本文的數(shù)據(jù)集采集了更多的場景,采集的噪聲圖像有更高的噪聲水平,采集時使用了更多的相機設置。為了得到更好的干凈圖像,并可以對于室外的運動物體有更強的魯棒性,本文設計了更完善,魯棒性更強的后...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 圖像去噪領(lǐng)域的發(fā)展概況
        1.2.1 基于神經(jīng)網(wǎng)絡的圖像去噪
        1.2.2 噪聲建模
        1.2.3 真實圖像的盲去噪方法
        1.2.4 真實去噪的數(shù)據(jù)庫
        1.2.5 無噪聲圖像的獲得
    1.3 本文的主要研究內(nèi)容
第2章 針對真實圖像的盲去噪方法
    2.1 真實噪聲模型
    2.2 網(wǎng)絡結(jié)構(gòu)設計
    2.3 損失函數(shù)
    2.4 訓練數(shù)據(jù)
    2.5 測試數(shù)據(jù)集和實現(xiàn)細節(jié)
    2.6 實驗結(jié)果對比
    2.7 方法討論
        2.7.1 噪聲模型對去噪結(jié)果的影響
        2.7.2 同時使用真實數(shù)據(jù)集和生成數(shù)據(jù)集對去噪結(jié)果的影響
        2.7.3 非對稱損失的作用
        2.7.4 交互操作的設計
    2.8 結(jié)論
第3章 真實噪聲數(shù)據(jù)集采集
    3.1 數(shù)據(jù)集設置
        3.1.1 場景的選擇
        3.1.2 相機設置
    3.2 干凈圖像的產(chǎn)生
        3.2.1 圖像篩選與亮度對齊
        3.2.2 圖像空間位移對齊
        3.2.3 內(nèi)容相關(guān)的迭代加權(quán)平均算法
    3.3 數(shù)據(jù)集評測
        3.3.1 數(shù)據(jù)庫的噪聲分布
        3.3.2 數(shù)據(jù)庫的測試策略
        3.3.3 評測的去噪算法
        3.3.4 訓練的網(wǎng)絡
        3.3.5 測試結(jié)果
    3.4 結(jié)論
結(jié)論
參考文獻
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝



本文編號：3978348