圖像在采集、傳輸、存儲(chǔ)等過程中容易受到各種噪聲干擾,導(dǎo)致圖像質(zhì)量不同程度地下降,影響到后續(xù)圖像分析處理任務(wù)的順利進(jìn)行。為此,需要對(duì)噪聲圖像進(jìn)行必要的降噪處理。大多數(shù)圖像降噪算法都是基于圖像僅受服從正態(tài)分布的加性高斯白噪聲（additional white Gaussian noise,AWGN）這一假設(shè)提出的。然而在實(shí)際成像系統(tǒng)中,退化圖像除了會(huì)受高斯噪聲干擾以外,也有可能同時(shí)被脈沖噪聲（impulse noise,IN）或者泊松噪聲（Poisson noise,PN）污染。現(xiàn)有的高斯-脈沖混合噪聲（mixed Gaussian-impulse noise）降噪算法和泊松-高斯混合噪聲（mixed Poisson-Gaussian noise）降噪算法多采用正則化技術(shù)實(shí)現(xiàn),利用圖像先驗(yàn)知識(shí)構(gòu)建正則約束項(xiàng),能夠靈活處理不同類型和級(jí)別的噪聲,但需要迭代求解目標(biāo)函數(shù)的最優(yōu)解,計(jì)算復(fù)雜度較高。近年來,具有強(qiáng)大非線性映射能力的深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network,DCNN）為圖像降噪算法性能的進(jìn)一步提高帶來了新的契機(jī)�；贒CNN技術(shù)構(gòu)建的降噪模型... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１?ＤｎＣＮＮ模型的網(wǎng)絡(luò)框架??Ｄ

?第２章圖像降噪的基本理論???ＤｎＣＮＮ降噪算法可以通過在全局噪聲水平范圍內(nèi)訓(xùn)練降噪模型完成盲降噪任??務(wù)，但其降噪效果會(huì)有所下降。??為了更清晰地說明ＤｎＣＮＮ算法的數(shù)據(jù)依賴特性，首先在全局噪聲范圍??（ｅｒｅ?［０，５５］）內(nèi)訓(xùn)練一個(gè)?ＤｎＣＮＮ－Ｂ（ＤｎＣＮＮ?ｆｏｒ?ｂｌｉｎｄ?Ｇａｕｓｓｉａｎ?ｄｅｎｏｉｓｉｎｇ）模型，然??后在特定噪聲水平（（７＿＝２０、＾＿＝３０和（７＿＝４０?｝條件下分別訓(xùn)練??ＤｎＣＮＮ－Ｓ（ＤｎＣＮＮ?ｆｏｒ?Ｇａｕｓｓｉａｎ?ｄｅｎｏｉｓｉｎｇ?ｗｉｔｈ?ｋｎｏｗｎ?ｓｐｅｃｉｆｉｃ?ｎｏｉｓｅ?ｌｅｖｅｌ）降噪模??型，用這４種模型分別對(duì)噪聲水平值為（ｊｔｔ；ｓｌ＝３０的Ｌｅｎａ圖像（ＰＳＮＲ＝１８．６９ｄＢ）進(jìn)??行降噪，復(fù)原后的圖像如圖２．２所示。從圖２．２可以看出，ＤｎＣＮＮ－Ｂ模型復(fù)原??的圖像（ＰＳＮＲ＝３１．３６ｄＢ）與根據(jù)待降噪圖像的噪聲水平值訓(xùn)練的ＤｎＣＮＮ－Ｓ模型??復(fù)原的圖像（ＰＳＮＲ＝３１．５４ｄＢ）相比，其質(zhì)量下降了?ＣＵ８ｄＢ；當(dāng)模??型訓(xùn)練集與待降噪圖像的噪聲水平值一致時(shí)，能夠獲得最佳的降噪??效果（圖２．２（ｅ））；當(dāng)ｅｓ，時(shí)，降噪后圖像殘留了明顯的噪聲點(diǎn)（圖２．２（ｄ）），??其ＰＳＮＲ值僅為２３．５４ｄＢ；當(dāng)ｃｒ＿＞、，時(shí)，降噪后圖像紋理細(xì)節(jié)過平滑（見圖??２．２（ｅ）），?ＰＳＮＲ?值為?３０．４４ｄＢ。??ｍｍ??（ｄ）?＾？＝２０，＾＝３０?（ｅ）?＾？＝３０，〇－ｔｅｓ，＝３０?⑴?ｃｔ＿＝４〇’＜Ｊ，ｋ１＝３０??圖２．２不同ＤｎＣＮＮ降噪模型在同一噪聲圖像上的降噪效果對(duì)比??２５??

間具有強(qiáng)烈的依賴性，這種依賴關(guān)系反映了圖像域中視覺對(duì)象的重要結(jié)構(gòu)信??息�；冢龋郑尤祟愐曈X感知系統(tǒng)能夠高度適應(yīng)從視覺場(chǎng)景中提取結(jié)構(gòu)信息的假??設(shè)，Ｗａｎｇ等人［９１］提出了?ＳＳＩＭ結(jié)構(gòu)相似度這一圖像質(zhì)量評(píng)價(jià)方法。該方法認(rèn)為??在視覺場(chǎng)景中亮度和對(duì)比度的改變不會(huì)影響到圖像的整體結(jié)構(gòu)，因此將亮度和??對(duì)比度從圖像的結(jié)構(gòu)信息中分離出來，從亮度（ｌｕｍｉｎａｎｃｅ）、對(duì)比度（ｃｏｎｔｒａｓｔ）和??結(jié)構(gòu)信息（ｓｔｒｕｃｔｕｒｅ）這３個(gè)方面對(duì)目標(biāo)圖像和原始圖像之間的相似性進(jìn)行評(píng)估，??如圖２．３所＾???目標(biāo)圖？亮度測(cè)最?—｜???對(duì)比度測(cè)最??，??參考圖像－ＩＴ—亮度測(cè)量?一ｊ???＾一－???測(cè)ｆｌ?結(jié)構(gòu)對(duì)比?Ｉ—??圖２．３?ＳＳＩＭ結(jié)構(gòu)框圖??ＳＳＩＭ方法以圖像像素點(diǎn)的平均亮度值表示圖像的明亮程度，以標(biāo)準(zhǔn)差表示??圖像最殼和最暗區(qū)域之間亮度值的差值，以協(xié)方差衡量目標(biāo)圖像和參考圖像之??間的相似程度。形式上，ＳＳＩＭ度量的核心函數(shù)定義為??ＳＳＩＭ（ｘ，ｘ）?＾［／（ｘ，＾）］＾?－［ｃ（ｘ，ｘ）］ｆｆｌ＜?？［５（ｘ，ｘ）］ａ，Ｊ?（２．３９）??其中，／（ｘ，ｉ）、ｃ（ｘ，芍和分別表示目標(biāo)圖像（復(fù)原圖像ｉ）與參考圖像（原??始圖像ｘ）之間亮度、對(duì)比度和結(jié)構(gòu)的對(duì)比函數(shù)，《；＞０，?％＞０和ｑ＞０這３個(gè)??參數(shù)分別用于調(diào)整對(duì)應(yīng)３個(gè)分量的權(quán)重。亮度對(duì)比函數(shù)的數(shù)學(xué)形式為??ｌ（ｘ，ｉ）＝?（２．４０）??Ｋ＋Ｍ－＋Ｑ??其中，為了避免分母為０，Ｃ，取大于０的常數(shù)，??２８??

【參考文獻(xiàn)】：
期刊論文
[1]基于小波變換與卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪算法[J]. 陳清江,石小涵,柴昱洲.  應(yīng)用光學(xué). 2020(02)
[2]一種非開關(guān)型快速隨機(jī)脈沖噪聲降噪算法[J]. 徐少平,劉婷云,羅潔,張貴珍,李崇禧.  電子學(xué)報(bào). 2019(12)
[3]基于非局部梯度的圖像質(zhì)量評(píng)價(jià)算法[J]. 高敏娟,黨宏社,魏立力,張選德.  電子與信息學(xué)報(bào). 2019(05)
[4]基于兩階段支持向量回歸的快速噪聲水平估計(jì)算法[J]. 徐少平,曾小霞,唐祎玲.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(03)
[5]基于流形特征相似度的感知圖像質(zhì)量評(píng)價(jià)[J]. 王朝云,蔣剛毅,郁梅,陳芬.  自動(dòng)化學(xué)報(bào). 2016(07)



本文編號(hào)：2934862