图像去噪

摘要： 针对使用规则的正方形块去噪可能产生伪影,或图像受到仿射形变时使用正方形块寻找到的相似块数量将会减少的问题,提出一种基于仿射不变块相似度量的BM3D(block matching and 3D filtering)图像去噪算法.首先,在块匹配过程中,使用椭圆块代替规则的正方形块进行块匹配分组,形成三维椭圆块组;其次,使用仿射不变块相似度量计算两个椭圆块之间的距离判断其相似度,该度量通过自动调整块大小与形状进行块比较,能寻找到更多的相似块,将其用于图像去噪.实验结果表明,该算法可有效提高去噪效果,获得良好的视觉效果,与原始BM3 D算法相比,具有较好的峰值信噪比.

摘要： 图像在采集和传输过程中往往受到噪声污染,去噪任务是图像预处理中的重要步骤.现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易产生过于平滑或者太多噪点未去除的结果且无法恢复.因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法.该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第1阶段的去噪结果包含部分未去除干净的噪点和更多细节信息,然后将第1阶段提取的特征通过门控循环单元传递到第2阶段,再进行第2个阶段的去噪.同时,为了使深度网络的训练更稳定,本文还设计了一个估计噪声分布的子网络,用于从噪声图像中估计噪声的分布.最后,将噪声分布和噪声图像拼接,作为网络的输入来训练去噪网络.实验结果表明,本文的基于循环神经网络的多阶段图像去噪方法具有先进的去噪性能.

摘要： 图像是人类视觉的基础,是自然景物的客观反映,是人类认识世界和人类本身最直观的载体。然而在数字化快速发展的时代,图像在交流和转换过程中经常受到设备或外部环境干扰,导致人们无法准确获取图片信息,所以去噪是图像处理领域中一个非常基础而重要的环节。为了克服全变差(TV)模型容易引起图像信息缺失的缺陷,以及为了更迅速地从众多方法中筛选出快速算法,本文针对自适应全变分(ATV)去噪模型,分别给出了用不动点-雅可比法(F-J)、不动点-预优共轭梯度法(F-P)及松弛函数下的增广拉格朗日乘子法(R-A)求解的具体过程,进一步结合MATLAB软件给出数值实验结果,通过对比分析得出:三种算法都能有效剔除噪音;R-A算法运行速度最快,F-P算法次之,F-J算法最慢。

摘要： 针对偏振光导航在恶劣天气下精度显著下降的问题,提出了一种可以在恶劣天气下基于大气偏振模式的定向算法。与现有方法相比,首次将三维块匹配与canny边缘检测结合的思想应用于修复被不同天气破坏的偏振角度图像中。具体而言,将偏振角度图像的修复分为噪声粗处理和边缘提取处理去噪两部分。在噪声粗处理阶段采用三维块匹配算法,在边缘提取处理去噪部分,利用canny边缘检测算法对偏振角度图像进行二次去噪。实验结果表明,该方法不仅能够提高晴朗天空下的定向精度,而且能够显著提升在阴天、沙尘、雾霾等恶劣天气条件下的导航定向精度,即使在偏振角图像对称∞模式被破坏的情况下,航向角精度仍可由9.4470°提高到1.6859°。

摘要： 图像去噪是图像处理中十分重要的环节,基于偏微分方程与维纳滤波模型的图像去噪技术则有着强大的数学理论作为支撑,是图像去噪环节中十分重要的研究方法.针对图像中的噪声问题,利用TV全变分偏微分方程模型与维纳滤波模型相结合的方法对含噪图像进行去噪处理.仿真实验验证了该方法的可行性,并通过实验结果表明,该方法对于恢复图像、提高图像信噪比和保持图像边缘细节上有着良好的效果.

摘要： 首先,回顾了基于Ginzburg-Landau泛函松弛的双阱势模型和2种经典的算子分裂算法,并将近年来相场计算问题中的新迭代算法引入问题求解中.然后,通过引入辅助变量建立等价的约束优化问题,基于交替方向乘子方法设计了子问题具有闭形式解的迭代格式.最后,通过设计大量的二值图像复原实验来评估这类算法的有效性.结果表明,当噪声影响较大时,本文所提算法性能最优,而在图像修复中基于相场模型的算法更有效.

摘要： 针对目前常见的U-Net网络结构以及现有的图像去噪算法在去除图像噪声时,处理后得到的图像较为模糊且图像的边缘纹理过于光滑缺乏真实性的问题,提出了一种改进的U-Net网络结构去噪算法。它由去噪模块以及边缘信息提取模块组成,首先,利用U-Net++中的跳跃连接应用到原始的U型去噪子网中,密集连接的U型去噪网络可以减少编码器与解码器特征映射之间的语义差距,还原出更清晰的图像。其次,基于VGG-16网络结构的边缘信息提取模块对去噪网络处理后的图像进行特征提取,同时反向优化U型去噪模块,还原出更真实的图像。实验表明,在常见的Set5、Set12、Kodak24和CBSD68数据集测试所提出的算法,在图像的客观评价指标上均优于目前具有代表性的去噪算法,同时图像的边缘细节和纹理特征更清晰真实,视觉效果上更好。

摘要： 卷积神经网络图像去噪模型大部分使用固定噪声水平图像集进行训练,由于噪声水平缺乏灵活性,会产生去噪效果较差的问题。针对此问题,提出一种基于双层卷积神经网络的图像去噪方法。该方法将噪声水平图像作为网络输入,对输入图像进行下采样处理,通过扩张卷积增加感受野,利用批处理和带泄露修正线性单元函数来优化网络。该方法能够灵活处理不同水平的噪声图像,同时还能够使用GPU并行处理提高图像去噪速度。实验结果表明:在主观视觉方面,该方法效果优于当前主流的图像去噪方法;在客观质量评价指标平均峰值信噪比和平均结构相似性图像度量方面,该方法比其他主流方法高0.4~1.8 dB和0.000 3~0.047 7;在计算时间方面,该方法比其他主流图像去噪方法快0.02~0.06 s。

摘要： 通过对差分曲率设置有效的限制算子和插值算子,构造了一种新的非线性多重网格法,并将此方法应用于基于差分曲率的TV^(P)模型.新方法与不动点迭代法的对比实验结果表明,新方法处理的图像峰值信噪比明显高于不动点迭代法,且收敛速度是不动点迭代法的2~3倍.

摘要： 计算机断层扫描(CT)产生的辐射风险已成为公众关注的问题。降低剂量将影响CT图像的质量以及医生的诊断结果。传统的基于深度网络算法中,同一层中的特征通道间的地位是平等的,影响信息的提取。为此,提出了一种具有注意力机制的U-Net残差网络。在U-Net中引入通道注意力模块驱使网络将更多的注意力集中于含有噪声和伪影信息的通道上,降低对其他信息通道的关注度,提高网络的去噪能力。同时利用像素注意力引导网络捕捉图像区域中的噪声和伪影。实验验证了两种注意力的结合提高了网络的性能。所提出的方法的峰值信噪比高出REd-CNN大约0.17,视觉信息保真度高出大约5%,信息保真度准则高出大约4%.

摘要： 由于合成孔径雷达(synthetic aperture radar,SAR)成像系统相干成像机理的特性,SAR图像不可避免的会存在相干斑噪声,严重影响图像分割、目标检测、目标识别等后续工作的有效实施.针对这一问题,本文提出了一种基于卷积神经网络的SAR图像去噪方法.该方法首先搭建了一种去噪模型,该模型使用扩张卷积提取特征,在网络层数较少的情况下,仍可获得较大的感受野,避免了因网络层数过多而引起的计算负担和效率低;为了加速训练过程、提高模型的去噪性能,又引入了残差学习和批归一化策略;然后,利用训练样本训练搭建好的网络,学习SAR图像的噪声分布特性,再从原始图像减去噪声,得到去噪后的图像;最后利用仿真和实测数据对网络进行测试与评估,结果表明,本文方法具有良好的去噪效果和较高的计算效率,对比传统的SAR-BM3D和NL-SAR方法,本文方法不仅去噪效果好,而且在计算时间上有明显优势.

摘要： 针对探地雷达(GPR)探测地下空洞时受到各类噪声干扰的影响,造成难以提取地下空洞目标的问题.为得到较好的去噪效果,便于探地雷达图像的后期处理,故提出一种新的基于互补集合经验模态分解(CEEMD)与排列熵(PE)相结合的去噪方法.本方法有两个核心,首先是以互补集合经验模态分解为核心,其次是以排列熵的差分进行自适应选取本征模态函数(IMF)分量为核心.总体的算法是首先将探地雷达图像信号逐道分解成不同的IMF分量,然后对各个本征模态函数分量进行排列熵值计算,进而计算排列熵的二阶差分,以此来获取分割阈值,从而选取出目标本征模态函数分量,从而对目标本征模态函数分量进行重构,最终可得到去噪后的探地雷达图像.为量化探地雷达图像的去噪效果,将选取均方根误差(RMSD)和信噪比(SNR)作为去噪效果评价指标.通过有限时域差分法(FDTD)正演模拟仿真结果表明,在本方法与传统的互补集合经验模态分解结合排列熵方法的比较下,本方法的均方根误差最小,信噪比最高,说明本方法的失真最小以及去噪效果最好.本方法不仅可以得到较优的去噪结果而且保留住探地雷达图像中的空洞目标信号的细节特征,还具备较强的自适应性,因此可以为探地雷达图像去噪方法研究提供可靠有效的依据.

摘要： 由于海洋环境的复杂多变性、声信号的传播特性及人为因素等的影响,声呐图像通常存在严重的噪声.声呐图像常常表现出分辨率低、对比度低、目标边缘模糊等特点.如何有效进行图像去噪处理,是正确进行图像信息解读和判别的基础.声呐噪声主要有环境噪声、混响噪声等.环境噪声是由大量的环境因素叠加的结果,混响噪声是传播介质中的各种散射体和海底海面介质对声呐的回波信号的影响.主动声纳混响噪声在声纳图像上表现为斑点噪声,其幅度概率密度函数服从瑞利分布.如何去除由于混响噪声引起的斑点噪声将是本文的研究重点.

摘要： 针对相控阵全聚焦技术的成像背景噪声问题,本文提出了一种基于小波变换的相控阵全聚焦图像去噪声方法.利用离散小波变换把全聚焦图像信号分解到小波域,变换后的高频子带系数采取无偏似然估计的自适应阈值处理.对处理完的高、低频子带系数进行小波逆变换,重构全聚焦图像.实验结果表明,该方法能够有效去除全聚焦图像的背景噪声,保留被检工件内部的真实缺陷信号.

摘要： 针对中值滤波在去除图像噪声时会造成图像边缘细节模糊的问题,提出了一种基于极值滤波思想的图像去噪方法,首先利用极值滤波算法判断出3×3小窗口内某像素点为信号点还是可疑噪声点,然后将小窗口扩大为5×5,同样采用极值滤波算法,用该小窗口内部分像素点将可疑噪声点进一步确定为信号点和噪声点.对判断出的噪声点进行中值滤波处理,而对于信号点则保留原来的像素值.并将该方法用于数值实验,实验结果显示应用本文所提方法对图像进行去噪,能有效避免图像中因纹理等细节的丢失而模糊,得到了相对清晰的图像,去噪后的图像很好的保留了图像的边缘信息,提高了峰值信噪比.

摘要： 在实际工作环境中,遥感图像在其光学信息获取和传输过程中通常会受到噪声干扰而引起图像质量下降,遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注.对遥感图像去噪的主要目的主要表现在两个方面:削弱或者抑制噪声和保留遥感图像的重要特征信息.通过实验可见基于张量字典学习的遥感图像去噪模型在降低噪声的同时能够很好地保持图像的轮廓结构，与其他最新的算法相比本方法有一定的优势，根据多光谱遥感图像的特点，下一步需要挖掘遥感图像的时相性，进一步提高算法的性能。

摘要： 近年来,在数字图像处理及计算机视觉领域中,单张图像的去噪声技术引起了人们的广泛关注.本文提出一种基于深度学习多任务的端到端网络框架,与以往的合成模型不同,该模型除了得到清晰图像外,还包括噪声部分.该方法通过建立分解网络,将噪声图像分离成清晰的背景图像和噪声图像,从而还原清晰的原始图像.通过对合成图像和真实图像的实验结果分析,验证网络的复原效果.在训练阶段,采用分解-合成网络结构来获取分离后的清晰图像和噪声图像,以提高分离的质量.此外,该模型也适用于其他基于层次先验的分解任务,如去除尘、去雨等.更重要的是,文中的方法只需要大约50ms,快于竞争对手,在NVIDIA GTX1080GPU上处理VGA分辨率可实时处理图像,使其具有极强的实际应用价值.

摘要： 双边滤波算子在去除图像噪声的同时,能够保存图像中的边缘信息,在图像处理领域应用广泛.双边滤波算子在实现的过程中需要根据图像的信息选择参数,是一个十分困难的问题.如果离散化后的双边滤波算子仍能保持半群性,则可以极大地减少参数选择的困难.因此,对离散双边滤波算子半群性的可能性进行了简单地分析.

摘要： 双边滤波算子在去除图像噪声的同时,能够保存图像中的边缘信息,在图像处理领域应用广泛.双边滤波算子在实现的过程中需要根据图像的信息选择参数,是一个十分困难的问题.如果离散化后的双边滤波算子仍能保持半群性,则可以极大地减少参数选择的困难.因此,对离散双边滤波算子半群性的可能性进行了简单地分析.

摘要： 双边滤波算子在去除图像噪声的同时,能够保存图像中的边缘信息,在图像处理领域应用广泛.双边滤波算子在实现的过程中需要根据图像的信息选择参数,是一个十分困难的问题.如果离散化后的双边滤波算子仍能保持半群性,则可以极大地减少参数选择的困难.因此,对离散双边滤波算子半群性的可能性进行了简单地分析.

摘要： 本发明提供一种图像去噪和包含图像去噪的图像编解码方法及装置。所述图像去噪方法及装置采用卷积神经网络模型；所述神经网络的输入为待去噪的图像区域的像素值和所述待去噪的图像区域的重建预测残差值。所述包含图像去噪的图像编码或解码方法及装置采用卷积神经网络模型；所述神经网络的输入包含重建预测残差和重建像素值或经过滤波处理的重建像素值。本发明通过增加重建预测残差输入，能够以较小的网络规模学习有噪图像像素值与无噪图像像素值之间的映射关系，从而对有噪图像像素值进行去噪，同时保证图像主观质量。本发明可应用到面向用户的图像播放以及多种计算机视觉领域的图像预处理中。

摘要： 本发明公开了一种超声图像去噪模型建立方法及超声图像去噪方法，属于图像去噪领域，包括：数据集预处理步骤：将自然图像数据集中的图像预处理为大小相等的图像块，添加斑点噪声后，由图像块及其对应的噪声图像构成训练样本，得到训练数据集；模型建立步骤：使用ResNet网络中的残差块为基本单元建立ResUNet网络，并引入注意力机制，得到待训练的初始去噪模型，用于抑制图像中的斑点噪声；模型训练步骤：利用训练数据集对初始去噪模型进行训练，在训练结束后，得到超声图像去噪模型。本发明在UNet网络的基础上，引入残差块和注意力机制，由此所建立的超声图像去噪模型，能够有效提升对超声图像的去噪效果。

摘要： 本发明公开了一种图像去噪方法、图像去噪网络运算单元及设备，通过设置第一卷积模块、第二卷积模块、第三卷积模块、第一降维模块、第一下采样模块、第一上采样模块、第一乘积模块及第一融合模块，第一卷积模块对待处理图像信号进行特征提取，得到第一图像信号；第一乘积模块利用第一降维信号对第一上采样信号作加权处理，得到第一加权信号；第一融合模块将第一加权信号与第一图像信号进行融合，得到第三图像信号；第三卷积模块对第三图像信号进行特征提取，得到去噪后的第四图像信号，从而可以使得深层网络更侧重于噪声部分的特征提取，从而可以采用较少的卷积模块实现对图像进行去噪，从而减少网络深度，提高图像去噪的处理速度。

摘要： 本发明提供一种基于神经网络的图像去噪方法及装置和一种包含基于神经网络图像去噪的图像编码或解码方法及装置。所述基于神经网络的图像去噪方法及装置采用卷积神经网络模型；所述神经网络的输入为待去噪的图像区域的像素值和所述待去噪的图像区域的重建预测残差值。所述包含基于神经网络图像去噪的图像编码或解码方法及装置采用卷积神经网络模型；所述神经网络的输入包含重建预测残差和重建像素值或经过滤波处理的重建像素值。本发明通过增加重建预测残差输入，能够以较小的网络规模学习有噪图像像素值与无噪图像像素值之间的映射关系，从而对有噪图像像素值进行去噪，同时保证图像主观质量。本发明可应用到面向用户的图像播放以及多种计算机视觉领域的图像预处理中。

摘要： 本发明提供一种图像去噪模型训练方法、图像去噪方法及系统，属于图像处理技术领域，利用训练集训练基础网络模型，得到图像去噪模型；其中，所述训练数据集包括多个图像块对，每一个图像块对均包括第一图像和第二图像，第一图像为含噪声图像，第二图像为无噪声图像；基础网络模型包括并联的第一特征提取通道和第二特征提取通道，第一特征提取通道和所述第二特征提取通道的输出共同连接自注意力机制模块。本发明使用双通道网络结构来同时提取图像不同层次的信息，并且在网络中级联自注意力机制模块，提高了图像去噪效果，不仅能够提取丰富的局部特征，有效减少训练过程中的梯度爆炸和过拟合问题；结合自注意力机制提取局部信息的同时关注全局信息。

摘要： 本发明公开了一种超声图像去噪模型建立方法及超声图像去噪方法，属于图像去噪领域，包括：数据集预处理步骤：将自然图像数据集中的图像预处理为大小相等的图像块，添加斑点噪声后，由图像块及其对应的噪声图像构成训练样本，得到训练数据集；模型建立步骤：使用ResNet网络中的残差块为基本单元建立ResUNet网络，并引入注意力机制，得到待训练的初始去噪模型，用于抑制图像中的斑点噪声；模型训练步骤：利用训练数据集对初始去噪模型进行训练，在训练结束后，得到超声图像去噪模型。本发明在UNet网络的基础上，引入残差块和注意力机制，由此所建立的超声图像去噪模型，能够有效提升对超声图像的去噪效果。

摘要： 本发明公开了一种图像去噪方法、图像去噪网络运算单元及设备，通过设置第一卷积模块、第二卷积模块、第三卷积模块、第一降维模块、第一下采样模块、第一上采样模块、第一乘积模块及第一融合模块，第一卷积模块对待处理图像信号进行特征提取，得到第一图像信号；第一乘积模块利用第一降维信号对第一上采样信号作加权处理，得到第一加权信号；第一融合模块将第一加权信号与第一图像信号进行融合，得到第三图像信号；第三卷积模块对第三图像信号进行特征提取，得到去噪后的第四图像信号，从而可以使得深层网络更侧重于噪声部分的特征提取，从而可以采用较少的卷积模块实现对图像进行去噪，从而减少网络深度，提高图像去噪的处理速度。

摘要： 本公开提供一种图像去噪模型的训练方法、图像去噪方法、装置及设备，其中图像去噪模型的训练方法包括：获取第一图像以及第二图像；其中，第一图像不包含手写噪声；第二图像包含手写噪声；基于第一图像和第二图像生成噪声仿真图像；对第一图像执行二值化操作，得到第一图像对应的二值图像；采用噪声仿真图像和二值图像对预设的神经网络模型进行训练，并将训练结束时的神经网络模型作为图像去噪模型。本公开有效改善了训练样本的获取成本较高、数量受限的问题，而且，通过大量的训练样本训练所得的图像去噪模型的鲁棒性更佳，性能更好，因而能够更好地实现手写噪声去除。

摘要： 本公开提供了一种图像去噪方法、图像去噪装置、计算机可读存储介质与电子设备，涉及图像处理技术领域。该图像去噪方法包括：获取RAW图像；利用编码‑解码模型对所述RAW图像进行处理，得到噪声图像；通过所述噪声图像对所述RAW图像进行去噪，得到去噪图像。本公开采用编码‑解码模型学习RAW图像中的噪声特征，而无需学习图像本身的内容特征，有利于提高模型输出的噪声图像的精度，从而得到高质量的去噪图像，且可以应用于单张RAW图像的去噪，实现成本较低。

摘要： 本公开涉及图像去噪模型的训练方法、图像去噪方法、装置及介质，训练方法包括：通过拍摄设备采集多个样本图像组，获取每个样本图像组的感光度，并且根据感光度确定与每个样本图像组对应的噪声表征图像；确定每个样本图像组相关联的训练输入图像组和目标图像，每个训练输入图像组包括对应的样本图像组中全部或部分样本图像以及对应的噪声表征图像；构建多个训练对，每个训练对包括一个训练输入图像组和对应的目标图像；使用多个训练对，训练图像去噪模型，直至图像去噪模型收敛。本公开中，将图像的感光度信息作为图像去噪模型的训练输入数据的一部分，使图像去噪模型学习到更多维度的噪声信息，在图像去噪模型训练成功后，可以有效去除图像噪声。