隨著科學技術的發(fā)展,越來越多的人們通過圖像或視頻來獲取信息,圖像成為信息的主要來源。然而,圖像在傳輸和處理時會受到噪聲干擾,所以圖像去噪就顯得非常重要。圖像去噪技術是數字圖像處理的關鍵技術之一,對圖像進行去噪后質量的好壞將會影響人們的視覺效果或者是后續(xù)圖像處理的結果。隨著人們對圖像質量要求的不斷提升,圖像去噪成為了一個值得研究的課題,再加上深度學習和神經網絡在圖像識別和語音識別領域取得了成功,隨后人們將其應用到了圖像去噪領域也取得了相當不錯的成果。本文主要以DnCNN圖像去噪算法為研究目標,對它進行了分析和探究,在它的基礎上提出了改進算法,并將改進后的算法在理論和實驗上進行了驗證,證明了改進后算法的去噪性能比較好。本論文中主要進行的研究工作是利用殘差學習技術對圖像進行去噪,通過訓練卷積神經網絡（Convolutional Neural Network,CNN）去學習圖像的統(tǒng)計特性,從而實現圖像的去噪功能。改進算法是在CNN中利用空洞卷積技術去擴大感受野,從而提取到更多的特征,然后通過加入跳躍連接和增大訓練數據從而加快神經網絡去噪模型的訓練速度,同時提升了重建后去噪算法的精度和收斂性。本... 

【文章來源】：陜西師范大學陜西省 211工程院校 教育部直屬院校

【文章頁數】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
    1.3 論文主要工作
第2章 圖像去噪理論
    2.1 噪聲的形成及分類
    2.2 噪聲模型
    2.3 圖像去噪算法的分類
    2.4 本章小結
第3章 基于卷積神經網絡的圖像去噪
    3.1 卷積神經網絡
        3.1.1 卷積神經網絡的結構
        3.1.2 卷積神經網絡的特點
        3.1.3 激活函數
    3.2 DnCNN算法的介紹
        3.2.1 DnCNN去噪的網絡結構
        3.2.2 批規(guī)范化
        3.2.3 殘差學習
        3.2.4 損失函數
    3.3 深度學習框架
    3.4 本章小結
第4章 基于DnCNN的改進算法
    4.1 空洞卷積的引進
    4.2 跳躍連接的應用
    4.3 改進后網絡的結構
    4.4 改進后的學習策略
    4.5 優(yōu)化算法參數的設置
    4.6 實驗設計與結果分析
        4.6.1 數據庫的介紹
        4.6.2 模型的構建及訓練
        4.6.3 去噪效果衡量標準
        4.6.4 實驗結果及分析
    4.7 本章小結
第5章 總結與展望
    5.1 內容總結
    5.2 后續(xù)展望
參考文獻
致謝
攻讀碩士期間的研究成果



本文編號：3190701