论文部分内容阅读
作为信息存储与传递的重要载体,图像同样也是人类感知和识别信息的重要方式。但是,由于各种因素,图像经常被噪声所污染。为了尽可能地恢复图像的真实信息,学者们先后提出传统去噪算法、非局部去噪算法以及深度学习去噪算法。尽管许多去噪方法被应用,但对该问题的研究仍有待深入。本文主要围绕基于低秩的非局部图像去噪算法与基于深度学习的图像去噪算法展开,对非局部去噪算法在小数据量以及深度学习去噪算法在样本丰富的大数据图像去噪任务中的应用进行研究,本文的主要工作与创新如下:(1)对经典的图像去噪算法进行研究,主要包括传统的基于空间域和变换域的算法,基于非局部模型的NLM、BM3D、NCSR算法,以及基于深度学习的CSF、TNRD算法。结合去噪算法的客观评价指标PSNR以及图像质量的主观评价方法,通过实验进行去噪算法性能评估。(2)基于低秩理论,对低秩矩阵近似的WNNM(Weighted Nuclear Norm Minimization)算法进行研究,并提出如下改进。a)针对相似块聚合过程中使用欧氏距离度量图像块相似性未考虑到图像块结构信息的问题,引入基于小波预滤波与结构相似度上的图像结构信息,提出新的块间距度量方式,以增加相似块聚合矩阵的准确性;b)对于去噪图像噪声残留现象,通过反向投影技术实现图像的迭代去噪来增强性能。最后通过与其他去噪算法的对比实验来进行改进算法的性能评估,验证了改进方法的有效性。(3)基于深度学习技术,对卷积神经网络的DnCNN(Denoising Convolutional Neural Networks)去噪模型进行研究,并提出一种对图像分块的基于multi-flow与多尺度空洞卷积(即Atrous Spatial Pyramid Pooling,ASPP)的优化模型。其改进方式为:a)引入ASPP结构来更充分利用图像特征,以增强网络模型的性能;b)针对现阶段单一网络去噪模型只适用于特定水平高斯噪声的问题,提出面向图像块的基于multi-flow的网络结构来实现盲噪声去噪。通过与其他图像去噪算法的对比实验来进行改进模型的性能评估,验证了优化模型的有效性。实验中,将面向图像整体的基于multi-flow与ASPP的网络应用于方差不唯一的混合噪声图像去噪,取得了良好的效果。