论文部分内容阅读
现有性能较好的降噪算法大都属于所谓的非盲降噪算法,它们往往需要依赖能够描述图像受噪声干扰严重程度的入口参数(即噪声水平值)以获得最佳降噪性能。噪声水平评估算法(noise level estimation,NLE)作为这类降噪算法的前置模块,其执行效率和预测准确性是影响整个降噪算法性能好坏的两个重要评价指标。现有大部分NLE算法均采用基于单张图像的实现策略(single-image based NLE,SNLE),由于缺乏可利用的先验信息,这些算法不得不设计复杂的处理过程以获得关于噪声图像的准确噪声水平估计,从而导致算法的执行效率不高,进而影响整个降噪算法的执行效率。因此,为了解决现有所谓非盲降噪算法的降噪效果受限于噪声水平值参数这一缺陷,本课题开展了相应研究。首先,受到基于卷积神经网络(convolutional neural network,CNN)技术路线的NLE算法的启发,提出一种基于CNN提取卷积特征作为噪声水平感知特征(noise level-aware feature,NLAF)的多图像噪声水平评估算法(CNN and multi-image based NLE,CNNMNLE)。具体地,先从卷积神经网络回归模型提取若干维第一个全连接层输出特征值构成NLAF特征矢量。然后,在Adaboost技术的支撑下利用多个映射能力相对较弱的BP神经网络构建了一个映射能力更强的增强BP神经网络特征映射模型,最终将提取的NLAF特征矢量直接映射为噪声水平值。CNNMNLE算法充分利用人工神经网络的优势,其执行效率和预测准确性都有较大提升,但仍有进一步提升的空间。为了进一步提升NLE算法的性能,提出一种基于主成分分析(principal component analysis,PCA)和深度置信网络(deep belief networks,DBN)的多图像快速噪声水平评估算法(fast multi-image based NLE,FMNLE)。基于原生图块(raw patches)集合经PCA变换后其协方差矩阵的前若干个特征值(按照从小到大排列)与图像中的噪声水平值具有显著的相关性,且提取这些特征值的计算量非常小。于是,FMNLE算法从这些特征值上筛选出若干个噪声水平描述能力强的NLAF特征。为了将筛选出来的NLAF特征准确地映射为对应噪声水平值,设计了具有较强映射能力的DBN网络作为最终的噪声水平预测模型。得益于DBN网络的快速执行过程,且基于PCA提取特征值的计算量非常小,相比CNNMNLE算法,FMNLE算法的执行效率有了显著提升;另外,由于采用了描述能力更强的NLAF特征,该算法的预测准确性也有一定提高。目前,基于深度学习技术路线实现的降噪算法在降噪效果和执行效率上都有很大优势,这类算法普遍存在的缺点是存在数据依赖问题,属于所谓的非盲降噪算法。提出的FMNLE算法预测准确性和执行效率都有很大提升,因此,理论上将所提出FMNLE快速噪声水平估计算法应用于现有具有良好降噪性能的深度学习降噪算法能够很好地解决这类降噪算法所存在的数据依赖问题。为了进一步提升降噪效果,本课题充分分析了经典降噪网络DnCNN的优缺点,在DnCNN的基础上对网络结构进行了改良,提出了一种基于多尺度特征的降噪卷积神经网络(multiscale denoising convolutional neural network,MDnCNN)。MDnCNN通过引入具有多个不同大小的卷积核的卷积特征提取模块来捕获更多的图像特征,从而弥补了 DnCNN网络采用单一大小卷积核导致无法获取丰富图像特征的短板。另外,将提出的MDnCNN降噪网络结合FMNLE使用,实现了一种自适应的快速盲降噪算法。为了测试CNNMNLE、FMNLE和MDnCNN 3个算法的实际性能,分别在Set12数据集、BSD数据库和Waterloo数据库上进行了相应测试。对于CNNMNLE和FMNLE噪声水平评估算法,分别在预测准确性和执行效率上和现有主流NLE算法进行了比较。对于MDnCNN降噪算法,分别在降噪效果和执行效率上和现有主流降噪算法进行了比较。实验结果表明:较现有NLE算法,本课题提出的FMNLE算法在预测准确性和执行效率两方面均有很大提升,用它作为非盲降噪算法的前置模块具有更好的综合优势。提出的MDnCNN降噪网络在降噪效果上有了一定提升,并且结合提出的FMNLE算法能够实现自适应的快速盲降噪。