圖像是日常生活中的重要信息媒介,在獲取、使用等過程中,不可避免受到噪聲的影響,破壞圖像的質(zhì)量,妨礙后續(xù)的處理。圖像去噪問題是典型的病態(tài)逆問題,通常是圖像迭代求解算法的關(guān)鍵步驟,需要利用先驗信息對其進行正則化約束。通常圖像去噪技術(shù)利用單幅圖像的各種先驗特征,結(jié)合不同濾波方法完成去噪,可采用的先驗信息有限,難以有效選取特征保護圖像邊緣細節(jié),且需手動多次調(diào)整參數(shù),效率較低。近年來以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù),通過大量數(shù)據(jù)訓(xùn)練學(xué)習(xí)各種圖像特征的映射關(guān)系,直接去除圖像噪聲,但容易模糊圖像邊緣等重要細節(jié)特征,導(dǎo)致圖像過于光滑。緊框架理論能多尺度分析圖像特征,并從特征系數(shù)重構(gòu)出原圖像。本文利用緊框架理論結(jié)合深度學(xué)習(xí)的優(yōu)點,通過構(gòu)建網(wǎng)絡(luò)模型智能化學(xué)習(xí)緊框架特征稀疏表示,自適應(yīng)估計正則化參數(shù)來處理圖像特征,實現(xiàn)既去除噪聲又保護細節(jié)。主要工作如下:(1)提出了緊框架結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的去噪模型TFCNN。首先,利用緊框架對圖像進行多分辨率分解,得到不同頻帶的圖像特征,表征圖像中的邊緣細節(jié)以及噪聲。其次,利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)緊框架特征系數(shù),分析局部特征的有效性,實現(xiàn)正則化參數(shù)的自適應(yīng)估計。最后,使用軟閾...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1神經(jīng)元結(jié)構(gòu)

基于深度學(xué)習(xí)的圖像去噪緊框架正則化參數(shù)估計研究11(1)神經(jīng)元神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本組成單位，其模型如引用的圖2-1[61]所示。神經(jīng)元受生物神經(jīng)元的啟發(fā)進行抽象簡化而提出[57]，后續(xù)的各種神經(jīng)網(wǎng)絡(luò)一般都是由大量神經(jīng)元聯(lián)結(jié)構(gòu)成。單個神經(jīng)元能夠完成接收輸入，加權(quán)求和，加上偏置，通....

圖2-2多層感知機結(jié)構(gòu)

基于深度學(xué)習(xí)的圖像去噪緊框架正則化參數(shù)估計研究12為了更新參數(shù)進行學(xué)習(xí)，多層感知機通常結(jié)合誤差反向傳播算法[52]（BackPropagation,BP）來訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)也采用了其基本思想。為了比較網(wǎng)絡(luò)輸出的近似值與實際目標(biāo)之間的差異，需要選用合適的損失函數(shù)進行評價，其對參數(shù)....

圖2-3LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

基于深度學(xué)習(xí)的圖像去噪緊框架正則化參數(shù)估計研究12為了更新參數(shù)進行學(xué)習(xí)，多層感知機通常結(jié)合誤差反向傳播算法[52]（BackPropagation,BP）來訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)也采用了其基本思想。為了比較網(wǎng)絡(luò)輸出的近似值與實際目標(biāo)之間的差異，需要選用合適的損失函數(shù)進行評價，其對參數(shù)....

圖2-4卷積操作示意圖

基于深度學(xué)習(xí)的圖像去噪緊框架正則化參數(shù)估計研究13(1)卷積層卷積層主要是進行卷積相關(guān)的操作，實現(xiàn)特征的提取，可以說是卷積神經(jīng)網(wǎng)絡(luò)最重要的核心。卷積神經(jīng)網(wǎng)絡(luò)中的卷積操作，主要是使用卷積核，可以理解為一個濾波器，對輸入的矩陣進行從左到右、從上到下的滑動過濾，將對應(yīng)的元素依次相乘然后....

本文編號：3947246