论文部分内容阅读
近年来随着互联网的发展与普及,“人工智能”已被大家所熟知。自AI教父Geoff Hinton提出了多层结构的神经网络后,人工神经网络的学习和研究受到相关学者的广泛关注,从而加速了人工智能的发展。随着人工智能的发展,基于深度学习的方法取得了较为突出的表现,尤其是在图像识别,语音识别,图像去噪和图像重建等领域取得了良好的性能。在现实场景中,由于设备和系统的不完善或存在在弱光环境导致采集的图像存在噪声,图像在压缩和传输过程也会受到额外噪声的影响。噪声会降低图像的感观效果同时影响图像的压缩性能以及计算机视觉处理的性能。本文重点研究图像去噪的基本原理以及以非局部自相似性原理和深度学习技术为基础的图像去噪算法。三维块匹配去噪算法(Block Matching 3 Dimensional,BM3D)和深度残差卷积神经网络去噪算法(Denoising algorithm based on Convolutional Neural Network,DnCNN)是当前图像去噪领域中的两种优秀算法。本文首先研究了激活函数在DnCNN算法中的影响,通过对比实验证明用PReLU激活函数替代ReLU激活函数使DnCNN网络拥有更快的收敛速度,更低的损失函数损失值和更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)。其次利用BM3D图像去噪算法的非局部自相似性的先验知识和改进后的DnCNN神经网络对图像强大的特征提取能力,提出了基于块匹配的深度卷积神经网络图像去噪算法(BMCNN)。首先,通过实验对BM3D去噪算法的参数设置和去噪性能进行了对比与分析,用BM3D图像去噪算法对噪声图像进行初步去噪预处理,其次,将去噪后的图像作为估计图像和原噪声图像分别进行块匹配,并将其作为DnCNN网络的输入,最后,利用卷积神经网络建立图像去噪模型。实验结果表明,与现有的其他经典的优秀去噪算法相比本文所提出的BMCNN图像去噪算法在客观评价指标PSNR中表现出了更好的去噪性能。特别是BMCNN既能很好的对具有重复结构的图像去噪,而且在对不规则结构的图像去噪中也拥有更好的去噪效果。