基于Shearlet变换和深度CNN的图像去噪研究

摘要

随着图像技术的广泛使用，图像去噪技术也已经渗透到人类生活的方方面面。未来AI会更加普及，镜头逐渐深入到日常生活中，对图像清晰度的需求也越来越高，所以图像去噪具有一定的研究价值和广泛的前景。在研究去噪过程中，如何做到既能有效的去噪又能保护边缘细节，且耗时少，已然成为亟待解决的困难。因此本文提出了两种去噪算法，一种是Shcarlet变换与热门的压缩感知相结合去噪算法，不仅具有相当好去噪性能，而且有较高的客观评价数值;另一种方法利用深度学习概念，训练模型能够去除一定范围噪声图像，去噪性能优异，降低训练成本，较好的解决了上述问题。本文首先介绍了已有的典型的图像去噪算法，然后对其进行分析，提出本文去噪算法，最后完成实验仿真且给出各主客观评价以及细节对比。具体安排如下: 1、本文对前人成果进行研究分析，考虑到在实现图像去噪过程中出现的伪吉布斯振荡和模糊情况，本文利用图像的稀疏表示理论提出一种新的Shcarlet域图像去噪算法。根据Shearlet变换特有的优势，建立稀疏去噪模型，然后利用稀疏编码求解，并用Monte_Carlo实现系数选择，因而获得干净的系数，最后重构获得理想图像。实验结果表明，该方法不仅PSNR上能够提高3dB，而且MSSIM也提高了0.03，使得视觉效果更优，纹理细节和边缘信息得到保证。 2、针对现有的去噪模型都是只能去除参与训练的噪声图像，无法去除未参与训练的噪声图像，实现一定范围的图像去噪，本文提出一种基于卷积神经的自适应图像去噪。不再拘泥于传统的高斯去噪模型，使用残差去噪模型实现训练图像时去除隐藏噪声，并引入阈值作为激活函数，用以调节网络模型，且使用BN等算法加快训练速度，而且提高去噪性能。实验结果显示改进的算法去噪性能优异、细节保护能力更好，能实现一定范围图像去噪。 3、用Matlab软件完成实验仿真，针对提出的卷积网络去噪模型需要GPU以及Mateonvnet学习框架的技术支持，验证本文算法的有效性和优越性。最终仿真结果与理论分析结论相符，说明本文提出的算法相较于传统算法向综合性能更优越，拥有广泛应用前景和实用价值。最后，总结本文的工作内容，以及未来工作的安排。

目录

声明

摘要

第一章绪论

1．1研究背景与意义

1．2图像去噪的历史和现状

1．3本文的主要研究工作与章节安排

第二章基本知识介绍

2．1噪声类型

2．2图像质量的评价标准

2．3经典的图像去噪方法

2．3．1几种常见的滤波器

2．3．2 BM3D去噪算法

2．3．3小波域去噪算法

2．3．4基于K-SVD字典的稀疏表示去噪算法

第三章基于稀疏编码的Shearlet域图像去噪研究

3．1引言

3．2 Shearlet变换理论

3．3稀疏编码重建

3．4基于稀疏编码的Shearlet域图像去噪

3．5实验结果与分析

3．6本章小结

第四章基于深度卷积神经网络图像去噪研究

4．1引言

4．2先验知识

4．2．1卷积神经网络

4．2．2激活函数

4．2．3残差学习和BN算法

4．3深度卷积神经网络去噪模型

4．4实验结果与分析

4．4．1实验平台和参数设置

4．4．2实验对比分析

4．5本章小结

第五章总结与展望

5．1总结

5．2展望

致谢

参考文献

作者简介及科研成果