隨著當(dāng)下社會(huì)對(duì)圖像設(shè)備的廣泛使用,圖像已經(jīng)成為了信息傳遞的最常見的媒介載體,在社會(huì)的各行各業(yè)均有著具體且有價(jià)值的應(yīng)用。產(chǎn)生圖像信息的設(shè)備多種多樣（如相機(jī)、電子屏幕等）,這些設(shè)備在產(chǎn)生圖像的同時(shí)會(huì)因設(shè)備本身產(chǎn)生噪聲（如高斯噪聲、信道依賴噪聲等）,使得圖像信息質(zhì)量損失或降低,影響使用,圖像去噪是圖像復(fù)原領(lǐng)域的重要研究課題。目前,深度學(xué)習(xí)在圖像去噪領(lǐng)域的應(yīng)用研究已經(jīng)取得了較好的效果,性能上已經(jīng)超過傳統(tǒng)算法。在CNN網(wǎng)絡(luò)相關(guān)去噪方法中,主要研究集中在頻域、空間域的端到端網(wǎng)絡(luò)數(shù)據(jù)特征擬合,直接學(xué)習(xí)或是殘差學(xué)習(xí)生成干凈圖像。神經(jīng)網(wǎng)絡(luò)在圖像去噪方面的研究應(yīng)用主要利用其深度擬合數(shù)據(jù)的強(qiáng)大特性,來(lái)實(shí)現(xiàn)端到端的圖像去噪。那么對(duì)于相同分布的純?cè)肼晥D譜本身,是否可以使用神經(jīng)網(wǎng)絡(luò)深度擬合其分布信息來(lái)優(yōu)化主去噪網(wǎng)絡(luò)性能。對(duì)于神經(jīng)網(wǎng)絡(luò)去噪圖像存在過度平滑的問題,本文認(rèn)為主要有兩點(diǎn)原因;其一為設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)以及選用的損失函數(shù)具有固有的缺陷;其二為與噪聲相同頻域內(nèi)的圖像細(xì)節(jié)存在信息損失。本文嘗試設(shè)計(jì)結(jié)構(gòu)更佳的盲去噪噪聲估計(jì)子網(wǎng)絡(luò)以及設(shè)計(jì)生成有效標(biāo)簽的方法,該標(biāo)簽需要指導(dǎo)噪聲估計(jì)子網(wǎng)絡(luò)生成準(zhǔn)確的噪聲估計(jì),噪聲估計(jì)作為特定... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２?Ｄ－Ｎｅｔ主去噪網(wǎng)絡(luò)結(jié)構(gòu)圖??主去噪網(wǎng)絡(luò)中包含五個(gè)殘差塊，每個(gè)殘差塊輸出的特征經(jīng)過純?cè)肼暦植??信息融入后接入ＢＮ［２Ｇ＾?（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ），此處ＢＮ層必須存在，若??

山東大學(xué)碩士學(xué)位論文???避免出現(xiàn)梯度爆炸現(xiàn)象，輸出特征需要經(jīng)過ＢＮ約束，來(lái)解決網(wǎng)絡(luò)過深帶來(lái)??的一系列問題。??純?cè)肼晥D譜的分布信息，使用ＤＩＮ?（ｄｙｎａｍｉｃ?ｉｎｓｔａｎｃｅ?ｎｏｒｍａｌｉｚａｔｉｏｎ）方??式將信息融入到主去噪網(wǎng)絡(luò)特征，最終的ＩＬ－Ｎｅｔ網(wǎng)絡(luò)結(jié)構(gòu)如圖（２－３）所示：??＿?｜丨丨＂丨丨Ｍｌ??６４＾５４＊５２?５ｆｅ８４ｊ３２?Ｉ?■?■?■?■??／Ｍ?／ｔ?６ｘ６＊１２８?＆ｆａｆｅｔｉａ?６ｉ６ｋ１２＆??＿?’??圖２－３分布信息自學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)圖??對(duì)于純?cè)肼晥D譜的分布信息自學(xué)習(xí)子網(wǎng)絡(luò)結(jié)構(gòu)圖，由卷積模塊、下采樣??模塊、分布信息學(xué)習(xí)模塊以及分布信息ＤＩＮ方式融合模塊。卷積模塊卷積??核參數(shù)為５ｘ５，輸出特征的通道數(shù)為３２，為保持輸出特征寬與高的維度數(shù)??據(jù)保持不變，卷積均使用零填充。ＩＬ－Ｎｅｔ網(wǎng)絡(luò)采用四次下采樣，提取數(shù)據(jù)高??維特征，下采樣均使用步長(zhǎng)為２的卷積，卷積核參數(shù)３ｘ３，輸出的卷積特征??分別為６４、６４、１２８、１２８。分布信息學(xué)習(xí)模塊使用一層卷積與兩層并列的??全連接，卷積層卷積核參數(shù)為５ｘ５，輸出特征通道數(shù)值為３２，全連接層特??征通道數(shù)值為１２８。??２．２．３分布信息融合方式設(shè)計(jì)??從２．１節(jié)中噪聲退化模型可以發(fā)現(xiàn)，訓(xùn)練數(shù)據(jù)中的含噪圖像是在初始的??干凈圖像中添加高斯噪聲，添加方式為加性添加，即初始干凈圖像的每個(gè)通??道數(shù)據(jù)分別加入高斯噪聲。這樣生成的含噪圖像，其每個(gè)通道數(shù)據(jù)中的噪聲??分布可看作是獨(dú)立分布，即每個(gè)通道數(shù)據(jù)中的噪聲分布與不同通道數(shù)據(jù)中的??噪聲分布無(wú)關(guān)，也與同一?ｍｉｎｉ－ｂａｔｃｈ不同圖像中的噪聲分布無(wú)關(guān)。目前

?山東大學(xué)碩士學(xué)位論文???本文使用不同方法在不同噪聲水平上處理，針對(duì)近年來(lái)較好的幾種去噪??算法進(jìn)行統(tǒng)計(jì)上述實(shí)驗(yàn)數(shù)據(jù)，發(fā)現(xiàn)本文去噪網(wǎng)絡(luò)在噪聲水平大于等于３５時(shí)，??去噪效果明顯優(yōu)于對(duì)比的幾種方法，如圖（２－４）所示：???Ｒｅｓｕｉｔ?Ａｎａｌｙｓｉｓ???３３?＇???ＢＭ３Ｄ??３２?－???ＷＮＮＭ??—?ＤｎＣＭＮ??３１?－?—？—?ＦＦＤＮｅｔ??＾?３〇?Ｍｙ＿ｒｅｓｔ??！ｅ：??２５?－???？?￣￣￣＇￣￣￣￣、??２０?３０?４０?５０?６０?７０??Ｎｏｉｓｅ?Ｌｅｖｅｌ??圖２－４不同去噪算法ＰＳＮＲ數(shù)值折線圖??２．５．３?ＲＧＢ圖像對(duì)比??本文使用數(shù)據(jù)集ＲＮＩ１５，對(duì)比了不同方法對(duì)ｓＲＧＢ圖像去噪效果。本文??的結(jié)果從視覺上來(lái)講，在去噪、恢復(fù)細(xì)節(jié)紋理等方面，要更好一些，可視化??對(duì)比如圖（２－５）所示：??＿＿饞??議＿癱??驪＿癜??馳＿蠱??隱＿癱??纖３＾應(yīng)??（ａ）?Ｄｏｇ?（ｂ）?Ｐａｔｔｅｒｎ?（ｃ）?Ｂｏｙ??圖２－５噪聲水平為０）＝２８，（１））＝１５，（（〇＝１２的８尺〇６圖像不同方法的去噪結(jié)果??１７??


本文編號(hào)：3567539