论文部分内容阅读
图像块包含图像局部信息且处理过程计算量小，因此基于图像块相似度的方法在图像处理领域应用广泛。考虑到在大多数图像处理任务中图像块相似度度量过程未充分考虑图像块的结构信息，本文采用深度学习中的深度神经网络(Deep Neural Network，DNN)与卷积神经网络(Convolutional Neural Network，CNN)方法提取图像块中包含结构信息的特征，并研究如何构造更有效的图像块相似度度量方法。主要研究工作如下:
(1)针对传统图像块相似度的度量过程未充分考虑图像特征信息的问题，本文提出了基于孪生差分自动编码网络(Siamese differential Auto-Encoder Network，SiamDAE)的图像块相似度度量算法。首先将自动编码网络(Auto-Encoder Network，AE-Net)的网络结构和代价函数进行更改，然后在非局部均值降噪算法(Non-Local Means，NLM)中应用网络生成的相似度。最后，实验结果表明:该算法不仅提高了结果的峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)和结构相似性指标(Structural Similarity Index，SSIM)，而且能更好地保留图像的复杂纹理信息。
(2)针对深度神经网络无法充分利用图像块的位置结构信息的问题，本文提出了基于特征拟合孪生卷积神经网络(Siamese convolutional neural networks，SiamCNN)的图像块相似度度量算法。首先使用卷积块对网络提取的特征进行相似度度量，用度量值代替欧氏距离，再将相似度度量值应用在NLM算法中，最后对降噪效果进行了评估分析。实验结果表明:该算法相比于基于SiamDAE的图像块相似度度量算法，结果具有更高的PSNR和SSIM，还有更好的视觉效果。
(1)针对传统图像块相似度的度量过程未充分考虑图像特征信息的问题，本文提出了基于孪生差分自动编码网络(Siamese differential Auto-Encoder Network，SiamDAE)的图像块相似度度量算法。首先将自动编码网络(Auto-Encoder Network，AE-Net)的网络结构和代价函数进行更改，然后在非局部均值降噪算法(Non-Local Means，NLM)中应用网络生成的相似度。最后，实验结果表明:该算法不仅提高了结果的峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)和结构相似性指标(Structural Similarity Index，SSIM)，而且能更好地保留图像的复杂纹理信息。
(2)针对深度神经网络无法充分利用图像块的位置结构信息的问题，本文提出了基于特征拟合孪生卷积神经网络(Siamese convolutional neural networks，SiamCNN)的图像块相似度度量算法。首先使用卷积块对网络提取的特征进行相似度度量，用度量值代替欧氏距离，再将相似度度量值应用在NLM算法中，最后对降噪效果进行了评估分析。实验结果表明:该算法相比于基于SiamDAE的图像块相似度度量算法，结果具有更高的PSNR和SSIM，还有更好的视觉效果。