深度学习图像去噪项目pytorch实战-第一章“理论部分”

左图添加了sigma=25的高斯噪声，右图为简单训练后的DnCNN的去噪后图像，不代表DnCNN最好的去噪效果。

正文

图像去噪的方法多种多样，传统视觉领域有多种滤波方法来除去图像中的噪声，但对于一些领域中我们无法清楚描述所面临的噪声信号特征时，传统图像处理方法就显得比较吃力。而此时深度学习就体现了他对于复杂非线性函数的强大拟合能力，即使我们不知道问题本质。

本文主要集中在讨论深度学习算法的图像去噪。本项目需要有一定的深度学习基础知识，了解CNN以及python的代码能力。

第一节：

图像去噪领域中，又可以细分为很多种去雨，去雾等，都可以看成图像去噪的一种特殊任务。在本项目中，我们只讨论对图像中高斯噪声的去除。

深度学习的图像去噪模型里面，DnCNN令人影响深刻，他提出了不直接让模型对真实图像进行还原，而是学习图像噪声的残差，从而使得模型能够解析带噪图像中的噪声。

这里我们简单分析一下文章的理论。由于编辑起来太过复杂，这里就不写出详细公式了，简要说明一下：

这里的x是我们真实图像，或者叫label，标签，就是我们的Ground Truth。而y是代表我们观测到的，具有噪声的图像信号。v就是y图像中所含有的噪声。（其实这里我有个问题，即他这里默认了噪声是加性噪声，实验部分也是对真实图像加上高斯噪声，那么对于不是加性噪声的情况该怎么做？）

DnCNN的主旨就是，模型不再直接地去预测x，而是预测v，通过y-v来计算去噪后的图像。模型的输入与以往模型相同，仍是y。

附上论文链接，供想要深入了解的同学参考：https://arxiv.org/pdf/1608.03981

第二节：

再了解了第一节内容后，我们就知道了：想要实现DnCNN的图像去噪，我们的任务就是训练模型去建立图像噪声的残差信号。而我们需要有一个图像数据集以及对应的含有噪声的图像数据集，怎么去建立这样的一个数据集呢？很简单，我们这里采用了KODAK24数据集，他有24张真实图像，包含各种场景。噪声图像的获取，我们直接对真实图像加上高斯噪声：

        noise = torch.randn(img_y.size()).mul_(self.sigma / 255.0)
        img_x = img_y + noise #img_y为Ground Truth

到这我们就已经完成了对DnCNN去噪原理以及如何构建高斯噪声图像数据集的知识学习。