近年來(lái),針對(duì)圖像去噪問(wèn)題提出了很多網(wǎng)絡(luò)去噪框架,經(jīng)深度學(xué)習(xí)方法處理后的圖像質(zhì)量高于優(yōu)于傳統(tǒng)的去噪模型。但是,基于深度學(xué)習(xí)算法的缺點(diǎn)尚未找到解決辦法,如不可解釋性和不可預(yù)測(cè)性;同時(shí),在圖像去噪上也存在一下缺點(diǎn),如“人工效應(yīng)”。經(jīng)過(guò)數(shù)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?yàn)榛谄⒎址匠痰娜ピ胨惴〒碛胸S富的數(shù)學(xué)理論,可對(duì)解進(jìn)行適定性研究和誤差分析。但是,基于偏微分方程的擴(kuò)散方程圖像去噪模型易產(chǎn)生“階梯”現(xiàn)象。針對(duì)深度學(xué)習(xí)和擴(kuò)散方程去噪算法產(chǎn)生的問(wèn)題,本文做了如下工作:首先,本文基于給定擴(kuò)散系數(shù)函數(shù)的初值越好,擴(kuò)散方程的去噪效果越好的思想出發(fā),將深度學(xué)習(xí)與偏微分方程相結(jié)合,建立了基于DnCNN的擴(kuò)散方程去噪模型。該模型的實(shí)現(xiàn)需要兩個(gè)步驟:第一步,利用基于殘差網(wǎng)絡(luò)框架的DnCNN得到無(wú)噪聲估計(jì),第二步,利用有限差分方法對(duì)方程進(jìn)行離散,求出模型的數(shù)值解。其次,模型一的數(shù)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(yàn)估計(jì)的擴(kuò)散方程去噪模型。本文從理論和實(shí)驗(yàn)兩方面,證實(shí)殘差網(wǎng)絡(luò)框架訓(xùn)練無(wú)噪聲梯度先驗(yàn)估計(jì)的可行性。為保留更多的細(xì)節(jié)信息,本文對(duì)模型二進(jìn)行改進(jìn),提... 

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

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

REDNet結(jié)構(gòu)圖

哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文-5-連接起來(lái)，解決了梯度消失的問(wèn)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(wǎng)絡(luò)的收斂速度并得到更好的實(shí)驗(yàn)效果。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1-1所示。圖1-1REDNet結(jié)構(gòu)圖Zhang提出了一種基于深度學(xué)習(xí)的去噪網(wǎng)絡(luò)，它由卷積、批處理歸一化、整流線性單元和殘差學(xué)習(xí)組成，用來(lái)處理圖像去噪、超分辨率和JPEG圖像去塊。該模型的特點(diǎn)是利用殘差學(xué)習(xí)策略，利用卷積層隱式地去除隱藏層中的干凈圖像，學(xué)習(xí)噪聲信息。雖然DnCNN降噪效果優(yōu)于傳統(tǒng)非CNN，但在細(xì)節(jié)上出現(xiàn)了一些人工效應(yīng)，造成視覺(jué)誤差。網(wǎng)絡(luò)結(jié)構(gòu)如圖1-2所示。圖1-2DnCNN的結(jié)構(gòu)示意圖Zhang提出的FFDNet，對(duì)圖像進(jìn)行下采樣，并且使用了噪聲水平估計(jì)、上采樣、正交矩陣初始化網(wǎng)絡(luò)參數(shù)等策略，在網(wǎng)絡(luò)的運(yùn)行速度和去噪性能之間的平衡提供了保障。但是，F(xiàn)FDNet需要通過(guò)設(shè)置人工參數(shù)。結(jié)構(gòu)示意圖如圖1-3所示。圖1-3FFDnet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

哈爾濱工業(yè)大學(xué)理學(xué)碩士學(xué)位論文-5-連接起來(lái)，解決了梯度消失的問(wèn)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(wǎng)絡(luò)的收斂速度并得到更好的實(shí)驗(yàn)效果。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1-1所示。圖1-1REDNet結(jié)構(gòu)圖Zhang提出了一種基于深度學(xué)習(xí)的去噪網(wǎng)絡(luò)，它由卷積、批處理歸一化、整流線性單元和殘差學(xué)習(xí)組成，用來(lái)處理圖像去噪、超分辨率和JPEG圖像去塊。該模型的特點(diǎn)是利用殘差學(xué)習(xí)策略，利用卷積層隱式地去除隱藏層中的干凈圖像，學(xué)習(xí)噪聲信息。雖然DnCNN降噪效果優(yōu)于傳統(tǒng)非CNN，但在細(xì)節(jié)上出現(xiàn)了一些人工效應(yīng)，造成視覺(jué)誤差。網(wǎng)絡(luò)結(jié)構(gòu)如圖1-2所示。圖1-2DnCNN的結(jié)構(gòu)示意圖Zhang提出的FFDNet，對(duì)圖像進(jìn)行下采樣，并且使用了噪聲水平估計(jì)、上采樣、正交矩陣初始化網(wǎng)絡(luò)參數(shù)等策略，在網(wǎng)絡(luò)的運(yùn)行速度和去噪性能之間的平衡提供了保障。但是，F(xiàn)FDNet需要通過(guò)設(shè)置人工參數(shù)。結(jié)構(gòu)示意圖如圖1-3所示。圖1-3FFDnet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

【參考文獻(xiàn)】：
期刊論文
[1]圖像質(zhì)量評(píng)價(jià)研究綜述[J]. 周景超,戴汝為,肖柏華.  計(jì)算機(jī)科學(xué). 2008(07)



本文編號(hào)：3302378