经典的图像去噪算法_NeuNet2020:BRDNet(开源)使用深度CNN和批量归一化进行图像去噪...

最新推荐文章于 2024-04-21 09:44:50 发布
最新推荐文章于 2024-04-21 09:44:50 发布
阅读量963 收藏 7
点赞数
文章标签： 经典的图像去噪算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39886956/article/details/113450850
版权

最近哈工大的研究团队于2020年在国际著名的人工智能杂志《神经网络》上发表了《利用深度CNN进行批量重正化的图像去噪》。

作者信息

22a311e2cce3a204300a1620bd1001b4.png

在论文中，作者提出了一种新的图像去噪网络，称为批重归一化去噪网络(BRDNet)，可以解决硬件资源受限条件处理数据分步不均匀的问题。

介绍

图像去噪的目的是从嘈杂的图像中恢复出清晰的图像，这是计算机视觉中的经典逆问题。由于图像去噪技术可以很好地恢复原始图像并恢复细节，因此它们被广泛应用于许多领域，例如遥感图像和医学图像。

对于嘈杂的图像，图像去噪问题可以表示为 ，在哪些是原始图像，并且 表示具有标准偏差的加性高斯噪声(AWGN) 。从贝叶斯规则来看，基于图像优先级的方法是图像去噪的不错选择。

列举下相关去噪算法：

例如块匹配和三维(3D)过滤(BM3D)利用协作变更来增强图像去噪的稀疏性。同时使用基于字典学习的稀疏表示和基于自相似性的非局部手段可以消除噪声图像中的噪声。非局部集中式稀疏表示(NCSR)集中了稀疏编码以抑制稀疏编码噪声。加权核规范最小化(WNNM)，马尔可夫随机场(MRF)，梯度法和总变异(TV)方法等也是非常流行的图像去噪方法。

尽管上述方法在图像去噪方面表现出出色的性能，但是这些方法中的大多数都面临两个主要挑战：

(1)手动调整惩罚参数

(2)复杂的优化算法。由于自适应能力强的学习能力，深度学习技术，尤其是卷积神经网络(CNN)已成为解决这些问题的最受青睐的方法。

在本文中，我们提出了一种新的图像去噪网络，称为批重归一化去噪网络(BRDNet)。

首先，BRDNet结合了两个网络以增加BRDNet的宽度并获得更多的图像去噪功能。

接下来，BRDNet使用批处理重归一化(BRN)解决小型迷你批处理问题，并使用具有跳过连接的残差学习(RL)获得清晰的图像。

最后，为了减少计算成本，使用了扩张卷积(Dilated Conv)来捕获更多特征。

BRDNet方法具有以下贡献：

(1)提出了一种新颖的深度CNN用于图像去噪，它可以直接从噪声图像中获得清晰的图像。与现有的CNN去噪方法不同，所提出的网络增加宽度而不是深度，以增强去噪网络的学习能力。

(2)批量重新归一化用于图像去噪，可以解决小型迷你批量问题。而且，BRN还可以加速网络训练的融合，并且对特定的硬件平台没有任何要求。因此，BRN和CN

最低0.47元/天 解锁文章
weixin_39886956
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数字图像处理数据集（一）-BSD68
01-08
数字图像处理常用数据集BSD68，68张灰度图，大小不一。 预览：https://blog.csdn.net/iteapoy/article/details/86062640.
Python实现自编码器图像去噪
sunshine612的博客
03-24 4579
自编码器图像去噪准备1.添加噪声2.模型实现整体代码 参考张宏伦的深度有趣系列 自编码器（AutoEncoder）是深度学习中的一类无监督学习模型，由encoder和decoder两部分组成 encoder将原始表示编码成隐层表示(原始图片表示为三维数组或者四维tensor) decoder将隐层表示解码成原始表示 训练目标为最小化重构误差(重构误差即损失函数) 隐层特征维度一般低于原始特征维度...
使用CNN进行图像去噪：LingYunGit/CNN_Image_Denoising项目深度解析
最新发布
gitblog_00100的博客
04-21 579
使用CNN进行图像去噪：LingYunGit/CNN_Image_Denoising项目深度解析 项目地址:https://gitcode.com/LingYunGit/CNN_Image_Denoising 在数字图像处理领域，图像去噪是一项至关重要的任务。LingYunGit/CNN_Image_Denoising是一个基于卷积神经网络（CNN）的开源项目，旨在利用深度学习的力量来有效地去除图...
基于深度卷积神经网络的图像去噪方法
热门推荐
qq_40716944的博客
04-26 6万+
基于深度卷积神经网络的图像去噪方法 摘要：图像去噪在图像处理中仍然是一个具有挑战性的问题。作者提出了一种基于深度卷积神经网络（DCNN）的图像去噪方法。作者设计的不同于其他基于学习的方法：一个DCNN来实现噪声图像。因此，通过从污染图像中分离噪声图像可以实现潜在清晰图像。在训练阶段，采用梯度裁剪方案来防止梯度爆炸，并使网络能够快速收敛。实验结果表明，与现有技术的去噪方法相比，所提出的去噪方法可以实...
代码实现——注意力引导的CNN图像去噪（Attention-guided CNN for image denoising）
sf_qw39的博客
03-28 5351
今天给大家带来一篇注意力引导的CNN图像去噪文章《Attention-guided CNN for image denoising》。我用tensorflow的实现版本可以在我的github上找到。传送门：https://github.com/sun126/ADNet。 整体的网络结构如下图： 主要分为四个部分：SBNet，FEBNet，ABNet，RBNet。 SBNet：是由CBR（...
DRCNN：超越高斯去噪:深度CNN图像去噪的残差学习
mytzs123的博客
09-13 3582
Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising摘要-基于判别模型学习的图像去噪方法因其良好的去噪性能而备受关注。在本文中，我们通过研究前馈去噪卷积神经网络(DnCNNs)的构造向前迈进了一步，将非常深入的架构、学习算法和正则化方法融入到图像去噪中。具体来说，利用残差学习和批归一化来加速训练过程，提高去噪性能。与现有的判别去噪模型通常在一定噪声水平下训练特定的加性高斯白噪声模型不同，我们的DnCNN模型
2015NEUNET Deep learning in neural networks An overview.pdf
01-19
我回顾了深度监督学习（也回顾了反向传播的历史）、无监督学习、强化学习和进化计算，以及对编码深度和大型网络的短程序的间接搜索。 关键词：深度学习、监督学习、无监督学习、强化学习、进化计算
图像去噪技术简述
babyai996的博客
02-14 4844
随着每天拍摄的数字图像数量激增，对更准确、更美观的图像的需求也在增加。然而，现代相机拍摄的图像不可避免地会受到噪声的影响，从而导致视觉图像质量下降。因此，需要在不丢失图像特征（边缘、角和其他尖锐结构）的情况下降低噪声。迄今为止，研究人员已经提出了多种降低噪声的方法。每种方法都有自己的优点和缺点。在本文中，我们总结了图像去噪领域的一些重要研究。首先，我们给出了图像去噪问题的公式，然后我们提出了几种图像去噪技术。此外，我们还讨论了这些技术的特点。由于环境、传输通道等因素的影响，图像在采集、压缩、传输过程中不可避
[图像平滑]——图像噪声、均值滤波、高斯滤波、中值滤波
weixin_42067873的博客
07-07 3500
一、图像噪声 由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、校验噪声等。 1、椒盐噪声 2、高斯噪声 高斯噪声是指噪声的密度服从高斯分布的一类噪声，由于高斯噪声在空间和频域中数学上的易处理性，这种噪声（也称为正态噪声）模型经常被用于实践中。高斯噪声随机变量Z的概率密度函数由下式给出： 加入高斯噪声后的效果： 二、图像平滑 图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像.
基于深度学习的图像去噪方法归纳总结
y1120944224的博客
12-12 1万+
基于深度学习的图像去噪方法
基于卷积神经网络的图像去噪（入门篇）
back
11-26 1万+
基于卷积神经网络的图像去噪（基础篇） 发展历程 基于深度学习的图像去噪，区别于传统去噪，但也有一定发展历程。从浅层模型到深度模型，从含噪图像映射去噪图像到含噪图像映射噪声图像（也就是残差学习），学习发展历程，能够更好的把握当下流行的算法。 一，含噪图像映射去噪图像（浅层网络模型） 二，含噪图像映射去噪图像（稀疏网络模型） 三，含噪图像映射噪声图像（残差网络模型） 总结 ` ...
深度学习之自编码器实现——实现图像去噪
qq_45856698的博客
05-20 5015
利用自编码器实现图像去噪
dncnn图像去噪_NeuNet2020:BRDNet(开源)使用深度CNN和批量归一化进行图像去噪
weixin_39829497的博客
12-24 748
最近哈工大的研究团队于2020年在国际著名的人工智能杂志《神经网络》上发表了《利用深度CNN进行批量重正化的图像去噪》。作者信息在论文中，作者提出了一种新的图像去噪网络，称为批重归一化去噪网络(BRDNet)，可以解决硬件资源受限条件处理数据分步不均匀的问题。介绍图像去噪的目的是从嘈杂的图像中恢复出清晰的图像，这是计算机视觉中的经典逆问题。由于图像去噪技术可以很好地恢复原始图像并恢复细节，因此它们...
【深度学习】计算机视觉（15）——图像去噪
RK_Dangerous的博客
09-24 1165
是在系列文章的基础上，再次针对深度学习（尤其是图像去噪方面）的基础知识有更深入学习和巩固。
毕业设计-基于深度学习的图像降噪技术
Hai_Lang_IT的博客
03-25 1772
毕业设计-基于深度学习的图像降噪技术：图像降噪是图像处理中的一项基础技术，同时它也是图像预处理阶段的一个 难题，图像降噪就是在含噪声的图像中把噪声去除的同时，减少对原图像特征信 息的破坏，尽可能多的去还原原始图像，特别是在医学图像中的应用。医学图像 包括 X 射线、核磁共振成像（MRI）、计算机断层扫描（CT）、超声波等，医学 成像容易受到噪声的影响。从使用不同的图像采集技术到尝试减少对患者的辐 射，但是，随着辐射量的减少，噪声相应增加，导致图像质量变差，进而影响医 生对病灶组织的判断。因此，研究如何更好地
【图像去噪】基于BdCNN算法实现图像去噪含Matlab源码
qq_59747472的博客
06-09 586
The removal of mixed noise is a stiff problem since the distribution of the noise cannot be predicted accurately. The most common mixed noise is the combination of Additive White Gaussian Noise (AWGN) and Impulse Noise (IN). Many methods first attempt to r
图像去噪|基于贝叶斯非局部均值优化算法实现超声图像去噪附matlab代码
m0_57702748的博客
11-14 818
图像去噪一直是数字图像处理领域中一个重要的研究方向。随着超声图像在医学影像诊断中的广泛应用，超声图像的质量和清晰度就显得尤为重要。因此，如何有效地去除超声图像中的噪声成为了一个迫切需要解决的问题。在图像去噪领域，贝叶斯非局部均值优化算法（BM3D）被广泛认为是一种高效的去噪算法。它能够充分利用图像中的非局部相似性信息，从而在去噪的同时尽可能地保持图像的细节和纹理。在超声图像去噪中，BM3D算法也得到了一定的应用和研究。
【深度学习项目】用于图像压缩和去噪的深度 CNN 自动编码器（详细报告+代码详解）
m0_51118916的博客
06-21 5463
深度卷积神经网络（CNN）自动编码器是一种强大的工具，可用于图像压缩和去噪。本文介绍了这种先进的神经网络模型的工作原理和应用。本文我们将探讨自动编码器的基本流程。它包括编码器和解码器两个主要部分。编码器通过逐渐减小空间维度和提取有意义的特征，将输入图像压缩成低维的表示。接着，解码器将这个低维表示逐渐还原成原始的输入图像。我们将介绍深度CNN在自动编码器中的关键作用，实现使用自动编码器进行图像压缩和通过在编码过程中引入噪声来实现图像去噪的效果。
图像降噪算法——DnCNN / FFDNet / CBDNet / RIDNet / PMRID / SID
weixin_44580210的博客
02-17 3万+
图像降噪算法——DnCNN/FFDNet/CBDNet/RIDNet/SID/PMRID图像降噪算法——DnCNN/FFDNet/CBDNet/RIDNet/SID/PMRID1. 基本原理1.1 DnCNN1.2 FFDNet1.3 CBDNet1.4 RIDNet1.5 SID1.6 PMRID2. pytorch代码3. 结论 图像降噪算法——DnCNN/FFDNet/CBDNet/RIDNet/SID/PMRID 1. 基本原理 这篇博客主要介绍几篇经典的CNN相关的图像降噪算法 1.1 DnCNN
from sklearn.model_selection import train_test_split import sklearn.neural_network as net import matplotlib.cm as cm file_path=r'D:\anaconda3\temp\邮政编码数据.txt' data=pd.read_csv(file_path,header=0) print(data.shape) data.head() X=data.iloc[:,1:-1] Y=data.iloc[:,0] X.shape np.random.seed(1) ids=np.random.choice(len(Y),25) plt.figure(figsize=(8,8)) for i,item in enumerate(ids): img=np.array(X.iloc[item]).reshape(16,16) plt.subplot(5,5,i+1) plt.imshow(img,cmap=cm.gray_r) plt.show X_train,X_test,Y_train,Y_test = train_test_split(X,Y,train_size = 0.60,random_state = 123) nodes = np.arange(1,20,2) acts = ['relu','logistic'] errTrain = np.zeros((len(nodes),2)) errTest = np.zeros((len(nodes),2)) for i,node in enumerate(nodes): for j ,act in enumerate(acts): NeuNet = net.MLPClassifier(hidden_layer_sizes = (node,),activation = act,random_state = 1,max_iter=300) nodes=np.arange(1,20,2) acts=['relu','logistic'] NeuNet.fit(X_train,Y_train) errTrain[i,j] = 1-NeuNet.score(X_train,Y_train) errTest[i,j] = 1-NeuNet.score(X_test,Y_test) plt.plot(nodes,errTest[:,0],label='relu_test',linestyle='-') plt.plot(nodes,errTest[:,1],label='logistic_test',linestyle='-.') plt.plot(nodes,errTrain[:,0],label='relu_train',linestyle='-',linewidth=0.5) plt.plot(nodes,errTrain[:,1],label='logistic_train',linestyle='-',linewidth=0.5) plt.title('2012010812') plt.xlabel('hidden node numbers') plt.ylabel('erros') plt.xticks(nodes) plt.legend()
06-10
这段代码看起来有一些问题。首先，第一行 `from sklearn.model_selection import train_test_split import sklearn.neural_network as net import matplotlib.cm as cm` 应该换行，每个语句单独占一行。其次，在这个代码块中，没有导入 pandas 库，但是调用了 pandas 中的函数 `read_csv`。在代码块的后半部分，您定义了变量 `nodes`，但是在循环中又重新定义了 `nodes`，这会导致变量被覆盖，可能会影响到后续的程序运行。此外，循环中的绘图部分也存在一些问题，因为在循环中重复定义了绘图的参数。根据您的问题描述，我无法确定您的具体问题在哪里，但是这些问题可能会影响到程序的正确性。因此，您需要检查一下代码并修复这些问题，才能正常运行程序。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值