近年來,針對圖像去噪問題提出了很多網絡去噪框架,經深度學習方法處理后的圖像質量高于優(yōu)于傳統(tǒng)的去噪模型。但是,基于深度學習算法的缺點尚未找到解決辦法,如不可解釋性和不可預測性;同時,在圖像去噪上也存在一下缺點,如“人工效應”。經過數十年的發(fā)展,基于偏微分方程的圖像去噪方法被很多人接受,這是因為基于偏微分方程的去噪算法擁有豐富的數學理論,可對解進行適定性研究和誤差分析。但是,基于偏微分方程的擴散方程圖像去噪模型易產生“階梯”現象。針對深度學習和擴散方程去噪算法產生的問題,本文做了如下工作:首先,本文基于給定擴散系數函數的初值越好,擴散方程的去噪效果越好的思想出發(fā),將深度學習與偏微分方程相結合,建立了基于DnCNN的擴散方程去噪模型。該模型的實現需要兩個步驟:第一步,利用基于殘差網絡框架的DnCNN得到無噪聲估計,第二步,利用有限差分方法對方程進行離散,求出模型的數值解。其次,模型一的數值格式只包含圖像的梯度信息,受其離散形式的啟發(fā),建立了基于梯度先驗估計的擴散方程去噪模型。本文從理論和實驗兩方面,證實殘差網絡框架訓練無噪聲梯度先驗估計的可行性。為保留更多的細節(jié)信息,本文對模型二進行改進,提... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：51 頁

【學位級別】：碩士

【部分圖文】：

REDNet結構圖

哈爾濱工業(yè)大學理學碩士學位論文-5-連接起來，解決了梯度消失的問題。該策略允許信息直接從底層反向傳播回到卷積層，加快了深度網絡的收斂速度并得到更好的實驗效果。其網絡結構如圖1-1所示。圖1-1REDNet結構圖Zhang提出了一種基于深度學習的去噪網絡，它由卷積、批處理歸一化、整流線性單元和殘差學習組成，用來處理圖像去噪、超分辨率和JPEG圖像去塊。該模型的特點是利用殘差學習策略，利用卷積層隱式地去除隱藏層中的干凈圖像，學習噪聲信息。雖然DnCNN降噪效果優(yōu)于傳統(tǒng)非CNN，但在細節(jié)上出現了一些人工效應，造成視覺誤差。網絡結構如圖1-2所示。圖1-2DnCNN的結構示意圖Zhang提出的FFDNet，對圖像進行下采樣，并且使用了噪聲水平估計、上采樣、正交矩陣初始化網絡參數等策略，在網絡的運行速度和去噪性能之間的平衡提供了保障。但是，FFDNet需要通過設置人工參數。結構示意圖如圖1-3所示。圖1-3FFDnet網絡結構示意圖

哈爾濱工業(yè)大學理學碩士學位論文-5-連接起來，解決了梯度消失的問題。該策略允許信息直接從底層反向傳播回到卷積層，加快了深度網絡的收斂速度并得到更好的實驗效果。其網絡結構如圖1-1所示。圖1-1REDNet結構圖Zhang提出了一種基于深度學習的去噪網絡，它由卷積、批處理歸一化、整流線性單元和殘差學習組成，用來處理圖像去噪、超分辨率和JPEG圖像去塊。該模型的特點是利用殘差學習策略，利用卷積層隱式地去除隱藏層中的干凈圖像，學習噪聲信息。雖然DnCNN降噪效果優(yōu)于傳統(tǒng)非CNN，但在細節(jié)上出現了一些人工效應，造成視覺誤差。網絡結構如圖1-2所示。圖1-2DnCNN的結構示意圖Zhang提出的FFDNet，對圖像進行下采樣，并且使用了噪聲水平估計、上采樣、正交矩陣初始化網絡參數等策略，在網絡的運行速度和去噪性能之間的平衡提供了保障。但是，FFDNet需要通過設置人工參數。結構示意圖如圖1-3所示。圖1-3FFDnet網絡結構示意圖

【參考文獻】：
期刊論文
[1]圖像質量評價研究綜述[J]. 周景超,戴汝為,肖柏華.  計算機科學. 2008(07)



本文編號：3302378