大数据时代图像降噪技术研究
1. 引言
1.1 选题背景及意义
1.1.1 图像降噪技术的重要性
- 数字图像在生成、传输或存储过程中会不可避免地受噪声污染，图像部分信息被破坏，图像质量降低。
- 图像降噪技术广泛应用于医疗、军事等领域，重要性越发凸显。
- 研究图像降噪技术具有较高的应用价值和丰富的理论意义。
1.1.2 国内外研究现状
- 卷积神经网络(CNN)在图像降噪领域取得了出色成果，成为当前研究的主流。
- 近年来的研究主要集中在如何让选择的网络模型在高效去除图像噪声的同时保留有用信息。
1.2 论文结构安排
1.2 论文结构安排
- 本文针对DnCNN、FFDNet和DRUNet三个卷积神经网络，分析和讨论其网络结构和特点。
- 并在不同噪声水平上分别对不同类别的图像进行降噪，从视觉效果和客观评价指标两方面综合评估降噪结果。
2. 图像降噪基础
2.1 噪声的来源和分类
2.1.1 加性噪声和乘性噪声
- 加性噪声与图像信号的强度无关，如高斯噪声。
- 乘性噪声与输入图像的信号分布有关，如电视扫描光栅中的噪声。
2.1.2 外部噪声和内部噪声
- 外部噪声是系统以外的干扰，如光和电引起的散粒噪声。
- 内部噪声是系统设备内部产生的噪声，如电源系统中的电流噪声。
2.2 图像噪声模型
2.2.1 高斯噪声
- 高斯噪声的概率密度函数服从高斯分布。
- 高斯噪声又称白噪声，是图像中常见的噪声类型。
2.2.2 椒盐噪声
- 椒盐噪声在图像上会产生类似胡椒粉和盐粉随机地分布在图像上的效果。
- 椒盐噪声的概率密度函数表达式为：当b<a，灰度值为a的像素显示为暗点；反之，灰度值为b则显示为亮点。
2.3 图像质量的评价标准
2.3.1 均方差(MSE)
- MSE越小则降噪效果越好。
2.3.2 信噪比(SNR)
- SNR、PSNR、SSIM越大则处理后的图像与无失真图像差距越小，降噪后的图像结构与原始图相似性越高。
3. 经典图像降噪算法
3.1 TV模型降噪算法
3.1 TV模型降噪算法
- TV模型利用梯度下降法来实现对图像的平滑处理。
- TV模型在边缘保持方面表现出色，但它在处理平坦区域时会产生块效应。
3.2 KSVD降噪算法
3.2 KSVD降噪算法
- KSVD是一种基于字典的稀疏表达方法，用于图像降噪等数字图像处理问题。
- KSVD降噪算法具有高效的字典学习、优异的降噪性能、灵活性和适用性、可扩展性和可优化性等优势。
3.3 BM3D算法降噪算法
3.3 BM3D算法降噪算法
- BM3D算法通过相似性匹配和协同变换滤波实现降噪。
- BM3D算法不仅适用于灰度图像和彩色图像，还可用于视频降噪，展现出卓越的降噪性能和广泛的应用前景。
4. 基于卷积神经网络的图像降噪算法
4.1 卷积神经网络
4.1 卷积神经网络
- 卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成。
- 卷积层通过卷积运算对输入图像进行包括边缘等低级特征和迭代提取的更复杂的特征进行提取。
- 池化层可以去除冗余信息，只保留主要的特征。
- 全连接层将提取到的特征表达映射至样本的标记空间。
4.2 DnCNN算法框架介绍
4.2 DnCNN算法框架介绍
- DnCNN利用残差学习对图像的噪声进行学习。
- DnCNN结合均匀间隔的批量归一化、深度结构和隐层处理以及零填充策略等特点，明显提高了图像的降噪效果。
4.3 FFDNet算法框架介绍
4.3 FFDNet算法框架介绍
- FFDNet模型的输入是可调噪声水平图，可以平衡噪声抑制和边缘细节保护。
- FFDNet使用BN和ReLU技术对下采样的子图像进行处理，具有较快的降噪速度。
4.4 DRUNet算法框架介绍
4.4 DRUNet算法框架介绍
- DRUNet整体降噪效果最优。
- DnCNN在处理低噪声水平噪声时效果优于FFDNet，但随着噪声水平提高，DnCNN的降噪性能低于FFDNet。
5. 基于卷积神经网络的图像降噪实验对比与分析
5.1 实验数据集及参数设置
5.1 实验数据集及参数设置
- 采用各类图像数据集进行降噪实验。
- 对各类图像数据集的降噪结果从视觉效果和客观评价指标两方面综合评估不同的卷积神经网络算法降噪性能。
5.2 灰度图像实验设置与结果分析
5.2 灰度图像实验设置与结果分析
- 对灰度图像进行降噪实验，分析实验结果。
5.3 彩色图像实验设置与结果分析
5.3 彩色图像实验设置与结果分析
- 对彩色图像进行降噪实验，分析实验结果。
5.4 数据集实验设置与结果分析
5.4 数据集实验设置与结果分析
- 对数据集进行降噪实验，分析实验结果。
6. 总结与展望
6.1 工作总结
6.1 工作总结
- 本文系统地比较现有的一些基于卷积神经网络的图像降噪算法的性能和效果。
- 验证了卷积神经网络的噪声抑制有效性。
6.2 工作展望
6.2 工作展望
- 未来可进一步研究如何提高卷积神经网络在处理高噪声环境时的降噪性能。
- 探索如何优化网络结构以降低计算成本，提高模型的实用性和广泛性。
