matlabe基于残差学习的图像去噪_基于深度学习的去噪方法简介

近十年以来，深度学习的快速发展对解决各类图像问题提供了一种新的思路。对于普通的自然图像而言，基于深度学习的方法在降噪方面的效果要比基于数学模型的去噪方法更好，同时也为高光谱遥感影像的去噪问题带来了启发。相比于传统的人工神经网络(Artificial Neural Network，ANN)，深度神经网络(Deep Neural Networks，DNN)隐藏层至少在2层以上，使其有了更强的抽象特征提取能力。依据神经元的不同特点，可以把DNN分为多种不同的网络，其中卷积神经网络(Convolutional Neural Network，CNN)具有较强的图像重建和图像恢复能力。

用CNN对自然图像进行去噪的方法，得到了与常规方法相差较小甚至更好的结果。利用DNN对图像去噪将多层感知机(Multi Layer Perceptron，MLP)应用到图像块中。有人发展了一种对称式解码-编码(encoding-decoding)全卷积残差神经网络模型，可针对图像去噪与压缩伪痕去除等多种低层视觉任务进行信息复原。可以引入残差学习与批量归一化优化处理，发展前馈降噪卷积神经网络模型(DnCNN)重建残差噪声，进而去除图像噪声，得到了良好的结果。

随着将深度学习方法引入到图像去噪的研究不断地发展，有学者开始提出应用于高光谱影像去噪的深度学习方法。如空间光谱深度卷积神经网络(HSID-CNN)，较早地使用了深度学习方法去除高光谱图像的高斯噪声。该方法通过HSID-CNN的不同网络层，有效提取了高光谱影像中的各类特征，对于去除不同水平的高斯噪声都取得了当时最好的效果。之后，深高光谱先验卷积神经网络(Deep-HS-Prior)，高光谱单模型去噪卷积神经网络(HSI-SDeCNN)，高光谱图像恢复网络(HSI-DeNet)，这几种方法效果不一，各有优缺点，但普遍对去除混合噪声的能力欠佳。

为了去除混合噪声，空间光谱梯度网络(Spatial-Spectral Gradient Network，SSGN)，该方法采用了空间光谱梯度学习策略，并且基于完全级联的多尺度卷积网络，SSGN可以使用同一模型同时处理不同的高光谱影像或光谱波段中不同类型的噪声。

由于大多数方法是针对模拟数据进行学习处理，在真实情况的噪声去除效果方面说服力不强因而有人提出了深空谱贝叶斯后验方法(Deep Spatio-Spectral Bayesian Posterior，DSSBP)。这项工作与多数现有的高光谱影像去噪方法不同，以往的方法理想地假设不同波段中的噪声表示是独立同分布(independent & identically distributed，i.i.d.)的，而该文提出了一种针对非独立同分布的新颖去噪方法。该文提出的框架共同为非独立同分布噪声嵌入到高光谱影像中，并在深时空光谱贝叶斯后验(DSSBP)结构下将其去除。具体来说，对非独立同分布噪声采用模型驱动策略和数据驱动策略对噪声进行估计、分配和去除。该方法混合了贝叶斯变分后验和深度卷积神经网络(Deep Convolutional Neural Network，DCNN)，既继承了传统基于模型驱动的噪声建模方法的可靠性，又继承了基于数据驱动的参数学习方法的高效率，在真实噪声的去除上证明了该工作的效果和可靠性。

总而言之，从组合空间光谱约束的角度来看，当前许多学者联合利用空间和光谱信息来降低高光谱影像噪声。加之混合噪声也需要考虑在内进行去除，因而，目前采用深度学习模型的去噪研究还比较少。

对于模型方法的研究已经有较长的时间，从反问题视角出发，通过数学模型方法发展出了全变分、稀疏表示、低秩表达等正则化先验方法及其结合方法。此外，将基于低秩和全变分理论进行结合，提出的一些高光谱遥感影像混合噪声去除的方法，也取得了一定的成效。如全变分对于图像边缘提取有较好的效果，能较好地保持空间细节；低秩模型擅长处理高斯噪声。但是，目前的方法仍有一定的问题，尤其是对影像中混合噪声的去除能力有限，因而未来可以通过低秩和变分的结合来探求对混合噪声的去除，实现更优的效果。

之后，随着深度学习的崛起，许多较难的数学问题逐渐可以用深度学习方法解决，许多模型方法开始被深度学习方法超越甚至是替代，尤其是在图像去噪方面。深度学习在图像去噪上取得的成就也为高光谱遥感图像的去噪带来了启发，针对高光谱遥感影像混合噪声的去除问题，近年来研究者提出了数种深度学习方法，逐步提高了针对混合噪声的去除效果。可以看出，虽然将深度学习方法应用在高光谱图像去噪上并没有几年的历史，但现有方法已有超越模型方法的发展势头。未来，对于解决混合噪声的问题，模型驱动与数据驱动方法的结合将会是一个发展方向。