迄今為止,大部分隨機(jī)脈沖噪聲（random-valued impulse noise,RVIN）圖像降噪算法的性能嚴(yán)重受限于能否準(zhǔn)確地檢測(cè)待降噪圖像的噪聲像素點(diǎn)。因此,研究能夠快速準(zhǔn)確地檢測(cè)出給定噪聲圖像中噪聲像素點(diǎn)的檢測(cè)算法具有很好的理論意義和實(shí)用價(jià)值。噪聲檢測(cè)算法作為基于開(kāi)關(guān)型RVIN降噪算法的預(yù)處理模塊,檢測(cè)準(zhǔn)確性和執(zhí)行效率是評(píng)價(jià)其性能好壞的兩個(gè)重要指標(biāo)�，F(xiàn)主流的RVIN降噪算法大部分都采用噪聲檢測(cè)和降噪串行迭代執(zhí)行的工作方式來(lái)逐像素點(diǎn)（噪聲點(diǎn)）完成有差別的降噪任務(wù)的策略,算法執(zhí)行效率較低。此外,利用人工提取的圖像局部統(tǒng)計(jì)值（local image statistic,LIS）與預(yù)設(shè)閾值進(jìn)行比較實(shí)現(xiàn)噪聲像素點(diǎn)的逐點(diǎn)檢測(cè)算法,準(zhǔn)確性仍有待提高。因此,鑒于RVIN降噪算法存在檢測(cè)準(zhǔn)確率不高和執(zhí)行效率低的問(wèn)題,本文提出了 2種快速的RVIN檢測(cè)算法:1)一種基于深度置信網(wǎng)絡(luò)（deep belief network,DBN）的RVIN快速檢測(cè)算法（DBN-based of RVIN detection,DBNRD）。該算法從構(gòu)建描述能力更為強(qiáng)大的統(tǒng)計(jì)特征值和提高預(yù)測(cè)模型映射能力兩個(gè)方面入... 

【文章來(lái)源】：南昌大學(xué)江西省 211工程院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１不同位置處ＲＯＬＤ統(tǒng)計(jì)值比較??表２．１在圖２．１中兩個(gè)像素點(diǎn)前ｗ個(gè)ＲＯＬＤ值的比較??

心像??素點(diǎn)為隨機(jī)噪聲的程度劃分為一般、中等、比較嚴(yán)重和嚴(yán)重四個(gè)子集。最后，??基于四個(gè)子集分別利用ＤＢＮ深度置信網(wǎng)絡(luò)訓(xùn)練相應(yīng)的檢測(cè)器。２）在檢測(cè)階段，??首先將待檢測(cè)的噪聲圖像分解為重疊的圖塊（ｏｖｅｒｌａｐｐｉｎｇ－ｐａｔｃｈｅｓ）集合并提取他??們的特征矢量和０１值。根據(jù)０１值的不同，將圖塊集合分為四個(gè)子集并調(diào)用相??應(yīng)預(yù)先訓(xùn)練的檢測(cè)模型給出這些圖塊中心像素點(diǎn)的噪聲標(biāo)簽，最后將這些噪聲??標(biāo)簽匯總形成關(guān)于整張圖像的檢測(cè)結(jié)果（即標(biāo)簽矩陣，它與圖像大小一致）。算法??的整個(gè)框架如圖３．１所示：???１?；如加哚！?訓(xùn)練階段｜??！?噪聲閣像￣—原始閣像??！?丨?丨：??？?分魷?分糾??ｖ?ｖ?｜??捉１Ｕ特征?Ｉ哚，ＭＶｉ像＾?原士閣像?！??塊?；?塊?Ｉ??｜???１????ＤＢＮ?Ｎｅｔｗｏｒｋ??Ｉ?ＲＪｉＶｌ，?｜?Ｒ？Ｍ．?｜?Ｒ？Ｍ，?｜???｜??”?１?１?Ｉ?［?７０?’?ｒ??ｊ戶Ｗ，．．．，以＾?．醫(yī)．餐，備一?１?一?，…以??Ｉ?謝ＩＩ編?：＾?＝?購(gòu)Ｗ盧標(biāo)簽｜??｜?＾，？？特征??＂Ｉ?檢測(cè)階段ｉ??Ｉ測(cè)試圖像上測(cè)ｆ塊－Ｓｉ特征向蠍，削＾＾ＶＩＮ?噪聲標(biāo)簽｜??Ｌ?ｉ??圖３．１基于ＤＢＮ網(wǎng)絡(luò)的隨機(jī)脈沖噪聲檢測(cè)算法的流程圖??３．２構(gòu)建ＲＶＩＮ檢測(cè)器??３．２．１提�。遥郑桑胃兄卣�??基于公式（２．１３），取前ｗ個(gè)／？ＯＬＤ，，，統(tǒng)計(jì)值作為描述圖塊中心像素點(diǎn)是否為噪??２３??Ｉ??

?第３章基于深度置信網(wǎng)絡(luò)的ＲＶＩＮ噪聲檢測(cè)算法???（ａ）?Ｂｏａｔ?（ｂ）Ｌｅｎａ?（ｃ）Ｈｏｕｓｅ?（ｄ）?Ｃａｍｅｒａｍａｎ??（ｅ）?Ｂａｒｂａｒａ?（ｆ）?Ｐｅｐｐｅｒｓ?（ｇ）?Ｈｉｌｌ?（ｈ）Ｂｒｉｄｇｅ??圖３．２?８張常用測(cè)試圖集??３．３訓(xùn)練ＤＢＮＲＤ噪聲檢測(cè)器??基于ＤＢＮ網(wǎng)絡(luò)的ＲＶＩＮ噪聲檢測(cè)器的框架如圖３．１所示，該框架分為２個(gè)??階段：訓(xùn)練階段（上半部分）和噪聲檢測(cè)階段（上半部分）。在訓(xùn)練階段，為了確保??檢測(cè)器的有效性以及對(duì)圖像檢測(cè)的魯棒性：首先，從ＩＬＮＩＱＥ數(shù)據(jù)庫(kù)中選擇??９０張圖像并從ＴＩＤ數(shù)據(jù)庫(kù)中隨機(jī)選取１０張圖像共１００張?jiān)紵o(wú)失真圖像，??對(duì)每張圖像施加各個(gè)級(jí)別（范圍為０％？６０％，間隔】０％）的隨機(jī)脈沖噪聲。其次，??用大小為５ｘ５的滑動(dòng)窗口不重疊、間隔的選取圖塊，共隨機(jī)選取了?１０萬(wàn)多個(gè)圖??塊并提取每個(gè)圖塊的中心像素點(diǎn)對(duì)應(yīng)的前１２個(gè)不同階的ＲＯＬＤ值以及值ＥＦ構(gòu)??成特征矢量庫(kù)。同時(shí)，也計(jì)算中心像素點(diǎn)的０１值，根據(jù)０１值將得到的特征矢??量庫(kù)按照其中心像素點(diǎn)為隨機(jī)噪聲的程度劃分為一般、中等、比較嚴(yán)重和嚴(yán)重??４個(gè)子集。最后，基于４個(gè)子集分別利用ＤＢＮ深度置信網(wǎng)絡(luò)訓(xùn)練相應(yīng)的檢測(cè)??器。??３．４本章小結(jié)??本章介紹了一種基于ＤＢＮ深度置信網(wǎng)絡(luò)的隨機(jī)脈沖噪聲快速檢測(cè)器。該噪??聲檢測(cè)器在圖塊級(jí)別上提取多個(gè)不同階ＲＯＬＤ統(tǒng)計(jì)值并結(jié)合能避免邊緣像素點(diǎn)??２９??

【參考文獻(xiàn)】：
期刊論文
[1]基于深度強(qiáng)化學(xué)習(xí)的多模態(tài)醫(yī)學(xué)圖像配準(zhǔn)[J]. 姚明青,胡靖.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2020(08)
[2]基于深度學(xué)習(xí)的生物醫(yī)學(xué)數(shù)據(jù)分析進(jìn)展[J]. 李肅義,唐世杰,李鳳,齊建卓,熊文激.  生物醫(yī)學(xué)工程學(xué)雜志. 2020(02)
[3]深度信念網(wǎng)絡(luò)研究進(jìn)展[J]. 周濤,陸惠玲,霍兵強(qiáng).  計(jì)算機(jī)工程與應(yīng)用. 2020(09)
[4]結(jié)合稀疏表示和深度學(xué)習(xí)的視頻中3D人體姿態(tài)估計(jì)[J]. 王偉楠,張榮,郭立君.  中國(guó)圖象圖形學(xué)報(bào). 2020(03)
[5]基于深度信念網(wǎng)絡(luò)檢測(cè)PET/CT圖像肺結(jié)節(jié)良惡性[J]. 馬圓,王風(fēng),韓勇,張鳳,梁志剛,黃健,楊志,郭秀花.  中國(guó)醫(yī)學(xué)影像技術(shù). 2020(01)
[6]卷積神經(jīng)網(wǎng)絡(luò)在雷達(dá)自動(dòng)目標(biāo)識(shí)別中的研究進(jìn)展[J]. 賀豐收,何友,劉準(zhǔn)釓,徐從安.  電子與信息學(xué)報(bào). 2020(01)
[7]改進(jìn)Mask R-CNN的遙感圖像多目標(biāo)檢測(cè)與分割[J]. 李森森,吳清.  計(jì)算機(jī)工程與應(yīng)用. 2020(14)
[8]語(yǔ)音任務(wù)下聲學(xué)特征提取綜述[J]. 鄭純軍,王春立,賈寧.  計(jì)算機(jī)科學(xué). 2020(05)
[9]基于文本深層語(yǔ)義特征的亞馬遜商品推薦[J]. 李可,陳光平.  計(jì)算機(jī)科學(xué). 2020(02)
[10]兩階段多層感知的隨機(jī)脈沖噪聲比例預(yù)測(cè)[J]. 于海雯,易昕煒,徐少平,張貴珍,劉婷云.  中國(guó)圖象圖形學(xué)報(bào). 2019(07)



本文編號(hào)：3501765