论文部分内容阅读
本文以无人艇智能目标搜索系统项目为应用背景,为了解决无人艇上搭载的红外相机分辨率低、噪声强度高对后续目标检测等图像处理的精度产生影响等问题,主要针对红外图像去噪展开了研究。通过对现有基于深度学习的图像去噪算法的研究,本文按照图像在网络的主要处理过程中是否发生尺寸的变化将现有的算法分为基于固定尺度的图像去噪算法和基于变换尺度的图像去噪算法。图像去噪经典算法DnCNN已经验证了基于固定尺度的深度去噪算法的良好性能,但是单纯的加深网络来提升网络性能的效果是有限的,过深的网络还容易带来梯度消失的问题。基于变换尺度的去噪算法通过图像的上、下采样获取图像的多级尺度特征,能够为网络增加更多的上下文信息,但是过度采样容易造成图像细节信息的丢失。综合上述分析,本文提出了主要基于固定尺度同时结合图像多级特征信息的图像去噪网络,即在网络的主干上保持图像的尺度不变,而在网络中以特定模块或子网为基本单元来提取图像的多级特征信息。本文所研究的主要内容和创新点如下:(1)本文提出了一个菱形(Diamond-Shaped,DS)模块来提取图像的多尺度特征,在该模块中通过上、下采样层实现图像的尺度变换。上、下采样层是基于超分辨重建经典网络DBPN中采样模块的改进,提出了 UpBlock-CNN和DownBlock-CNN以获取更好的图像采样效果。DS模块的输入输出图像具有与网络主干图像相同的尺寸大小以便于保持网络主干的固定尺度和模块间的连接。(2)本文结合DS模块提出了一个用于浅层图像尺度特征提取的子网——V形子网,该子网仅通过一次上、下采样获取图像低分辨率特征信息并扩大感受野,避免了由于过度采样带来的图像细节信息的丢失。此外通过DS模块获取图像的多尺度特征信息并通过两个DS模块间的跳跃连接层进行梯度的反向传播。V形子网输入输出图像具有与网络主干图像相同的尺寸大小以便于保持网络主干的固定尺度和子网间的连接。(3)本文采用多个DS模块串联的形式得到菱形红外图像去噪网络(Diamond Denoising Network,DmDN)以及采用多个V形子网密集连接的形式得到多级红外图像去噪网络(Multi-scale Denoising Network,MSDN)并通过将每个子网的输出都接入损失函数的方式逐步优化网络。通过实验验证DmDN在常用的测试集上噪声水平分别为15、25、50的条件下,PSNR 比现有算法能够提升0.03-0.42 dB,MSDN对应的PSNR能够提升0.11-0.55 dB,同时在主观上和真实红外图像的去噪测试上均能够取得比现有算法更好的去噪性能。