基于深度学习的图像去噪方法归纳总结

最新推荐文章于 2025-05-21 21:42:47 发布
最新推荐文章于 2025-05-21 21:42:47 发布
阅读量1.9w 收藏 208
点赞数 21
文章标签： 深度学习 计算机视觉 人工智能
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/y1120944224/article/details/128284830
版权

目录

图像去噪概述：

（1）数据预处理

（2）特征提取

（3）去噪模型设计和选择

基于深度学习的图像去噪方法

基于卷积神经网络的去噪方法

基于CNN自监督学习去噪

基于CNN监督学习去噪

基于残差网络的去噪方法

CNN中图像网络分为

基于生成对抗网络的去噪方法

GAN

基于图神经网络的去噪方法(GCDN)

GNN

GCN

GCDN

图像去噪概述：

图像去噪的研究内容包括数据预处理、特征提取和去噪三部分

（1）数据预处理

    1. 问题：获取的数据集中常包含一些不可用数据，如图像格式不符，像素过高、亮度过低以及一些重复数据
    2. 方法：采用图像格式转换、几何校正、主成分分析等预处理操作为后续的去噪模型提供更多可用数据

（2）特征提取

    1. 目的

提取图像纹理细节特征（通过卷积池化等方式），并将噪声与背景信息分离

      1. 卷积
        1. 提取图像特征，自动提取图像的高维度且有效的特征
        2. 卷积层工作原理：从左上角开始，卷积核就对应着数据的3*3的矩阵范围，然后相乘再相加得出一个值。按照这种顺序，每隔一个像素就操作一次，我们就可以得出9个值。这九个值形成的矩阵被我们称作激活映射
        3. 举例：卷积核为3*3的矩阵，图片为一个分辨率5*5的图片，像素为1，卷积核的任务如下图

        1. 分类：padding，步长
      • 池化
        1. 主要是为了减少卷积层提取的特征个数，增加特征的鲁棒性或是为了降维
        2. 目的是降低参数，方法是删除参数，分为最大池化（常用）和平均池化
        3. 池化层池化的是卷积层的输出（池化层一般放在卷积层后面）

    1. 方法
      1. 有尺度不变特征变换（SIFT）：提取不变性(invariant)特征
      2. 方向梯度直方图（HOG）：将3通道的彩色图像转换成一定长度的特征向量
      3. FAST 角点检测：快速角点特征的检测算法
    2. 提取后的目的：提取到的噪声块儿，可以对噪声水平的高低做出初步估计
    3. 原因：精准的噪声水平估计是设计合理去噪网络结构的前提
    4. 方法：递归平均、最小值跟踪和直方图噪声估计

（3）去噪模型设计和选择

    1. 基于深度学习的图像去噪方法可以自主快速地提取浅层像素级特征和深层语义级特征，具有强大的表示学习能力和良好的去噪效果
    2. 基于传统模型的去噪方法提取的信息量较少，无法准确拟合噪声分布，去噪效果不甚理想

基于深度学习的图像去噪方法

最低0.47元/天 解锁文章
【图像去噪】论文精读：Deep Image Prior（DIP）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
11-27 650
论文题目：Deep Image Prior —— 深度图像先验CVPR 2018！大名鼎鼎的DIP！深度卷积网络已成为图像生成和恢复的流行工具。通常，它们的性能被归因于它们从大量示例图像中学习真实图像先验的能力。在本文中，我们表明，相反，生成器网络的结构足以在任何学习之前捕获大量低级图像统计信息。为此，我们表明随机初始化的神经网络可以用作手工制作的先验，并在去噪、超分辨率和修复等标准逆问题中具有出色的结果。此外，相同的先验可用于反转深度神经表示来诊断它们，并根据闪存-无闪存输入对恢复图像。
AIGC图像去噪：核心原理、算法实现与深度学习模型详解
最新发布
FJN110的博客
06-05 233
文章重点介绍了两种强大的深度学习去噪架构：经典的U-Net模型，及其通过编码器-解码器和跳跃连接实现高效去噪的机制；以及前沿的扩散模型（Diffusion Model），详细阐述了其正向扩散与反向去噪的迭代过程和核心去噪网络结构。同时，本文提供了每种算法的Python实现代码（包括U-Net和扩散网络的PyTorch骨架），旨在为读者提供从理论到实践的全面指导，帮助AI算法工程师、研究者和开发者提升图像去噪的计算效率、显存占用和重建质量。
使用深度学习进行图像去噪
deephub
01-31 2万+
图像去噪是研究人员几十年来试图解决的一个经典问题。在早期，研究人员使用滤波器器来减少图像中的噪声。它们曾经在噪音水平合理的图像中工作得相当好。然而，应用这些滤镜会使图像模糊。如果图像太过嘈杂，那么合成的图像会非常模糊，图像中的大部分关键细节都会丢失。 使用深度学习架构会更好的解决这个问题。目前看深度学习远远超过了传统的去噪滤波器。在这篇文章中，我将使用一个案例来逐步解释几种方法，从问题的形成到实现最先进的深度学习模型，然后最终看到结果。 内容摘要 图像中的噪声是什么? 问题表述 机器学习问题提法
基于深度学习的图像去噪与去模糊
weixin_42605076的博客
09-27 1249
基于深度学习的图像去噪和去模糊是计算机视觉中的重要任务，旨在提升图像质量，去除噪声和模糊。
Kinect深度图像去噪技术实践
weixin_42613360的博客
05-08 870
Kinect是微软推出的一款体感设备，广泛应用于游戏、交互设计和研究等领域。它集成了深度摄像机，能够通过红外线发射和接收来测量物体与传感器之间的距离，从而生成深度图像。然而，实际采集的深度图像往往伴随着噪声，这对后续的图像处理和分析工作带来了挑战。中值滤波是一种基于排序统计理论的非线性滤波方法，其目的是为了移除噪声。特别是对于处理由椒盐噪声污染的图像时，中值滤波效果尤为显著。
深度学习图像去噪：算法对比与优化
weixin_74830720的博客
05-21 1517
本项目聚焦于图像去噪算法的研究，通过对比深度学习算法与传统算法，优化图像去噪效果。采用CIFAR-10数据集，构建去噪自编码器作为核心模型，并与高斯滤波、中值滤波、全变分去噪等传统方法进行对比。研究结果表明，去噪自编码器在峰值信噪比（PSNR）和结构相似性指数（SSIM）上均显著优于传统方法，尤其在复杂噪声场景下表现出更强的去噪能力和细节保留能力。项目通过数据预处理、特征工程、模型训练与评估，验证了深度学习模型在图像去噪任务中的优势，为实际应用提供了更优的解决方案。
【深度学习】计算机视觉（15）——图像去噪
RK_Dangerous的博客
09-24 3898
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。
基于深度学习的图像去噪
weixin_42605076的博客
06-19 2719
利用卷积神经网络、自动编码器、生成对抗网络和U-Net等模型，研究者能够高效地去除图像中的噪声，保留图像的细节信息。在去噪过程中，自动编码器学习如何在重构图像时去除噪声，从而得到去噪后的图像。生成器生成去噪后的图像，判别器则区分去噪图像和真实图像。传统去噪方法通常针对特定类型的噪声设计，而深度学习方法能够处理各种复杂的噪声类型。对于不同类型的噪声，深度学习模型能够自适应地调整其参数，从而实现更好的去噪效果。通过大规模的数据集训练，模型能够学习到更加鲁棒的特征，从而在实际应用中表现出色。
图像去噪技术:深度学习的应用与优化
AI天才研究院
12-31 2007
1.背景介绍 图像去噪技术是计算机视觉领域中一个重要的研究方向，其主要目标是将噪声污染的图像恢复为清晰的图像。随着深度学习技术的发展，深度学习在图像去噪领域取得了显著的成果。本文将从以下几个方面进行阐述： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明 未来发展趋势与挑战 附录常见问题与解答 1.1 图像去噪的重要性 图像去噪技...
深度学习图像去噪
weixin_41202834的博客
03-06 7717
最近几个月的项目中图像噪声一直是我最大的困扰，能够找到一种好并且快的去噪方式对于项目的进度与最终效果都起着关键的作用。最近几年深度学习去噪也是一个热门的方向，有着许多显著的研...
深度图像去噪优化：先验控制与自由度分析
深度图像去噪是计算机视觉领域的一个重要任务，传统的去噪方法如BM3D在一定程度上优于早期的深度学习方法。然而，随着深度神经网络（DNN）的发展，深度图像先验（DIP）作为一种归纳偏置，被证明在多种逆问题，如去噪...
基于深度卷积神经网络图像去噪算法
04-28
用DnCNN网络进行图像去噪。网络中主要使用了批量归一化和ReLU
基于深度学习堆栈自动编码器模型的图像去噪python代码
05-04
这个存储库包含使用深度学习对高分辨率图像进行分解的工作的代码。目前最先进的方法，如BM3D，KSVD和非本地手段确实能够产生高质量的去噪效果。但是当图像的大小变得非常高时，例如。 4000 x 80000像素，那些高质量的结果以高计算时间为代价。这个耗时的因素可以作为一个动机来提出一个模型，可以在更短的时间内提供可比较的结果，如果不是更好的话。因此，我使用了一种深度学习方法，它会自动尝试学习将噪声图像映射到其去噪版本的功能。
基于深度学习的图像去噪方法研究综述.pdf
08-18
基于深度学习的图像去噪方法研究综述.pdf
【图像去噪】论文精读：Masked and Shuffled Blind Spot Denoising for Real-World Images（MASH）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
02-10 421
论文题目：Masked and Shuffled Blind Spot Denoising for Real-World Images —— 真实世界图像的掩模和洗牌盲点去噪CVPR 2024！我们介绍了一种基于盲点去噪原理的单图像去噪新方法，我们称之为 MAsked 和 SHuffled 盲点去噪 (MASH)。我们专注于相关噪声的情况，这通常困扰着真实图像。MASH 是仔细分析以确定输入失明水平（掩蔽）与（未知）噪声相关性之间的关系的结果。
【模糊分割】基于matlab改进的gath-geva聚类多变量时间序列模糊分割【含Matlab源码 4255期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
04-11 668
改进的gath-geva聚类多变量时间序列模糊分割 完整的代码，方可运行；可提供运行操作视频！适合小白！
基于深度学习的图像去噪（论文总结）
热门推荐
henryzhihua
01-24 3万+
2015 深度学习、自编码器、低照度图像增强 Lore, Kin Gwn, Adedotun Akintayo, and Soumik Sarkar. "LLNet: A Deep Autoencoder Approach to Natural Low-light Image Enhancement." arXiv preprint arXiv:1511.03995 (2015). 利用深度
图像处理之图像复原算法：深度学习去噪：生成对抗网络（GAN）去噪技术
kkchenjj的博客
07-28 2906
生成对抗网络（Generative Adversarial Networks，简称GAN）是一种深度学习模型，由Ian Goodfellow等人在2014年提出。GAN由两个神经网络组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成与真实数据分布相似的数据，而判别器的目标是区分生成器生成的数据和真实数据。这两个网络通过对抗的方式共同学习，最终生成器能够生成高质量的、与真实数据难以区分的合成数据。
深度学习图像去噪模块
01-21
### 基于深度学习的图像去噪技术综述 #### 深度学习在图像去噪中的应用背景 随着计算机视觉领域的发展，基于深度学习的技术逐渐成为解决各种图像处理挑战的有效手段之一。特别是在图像去噪方面，卷积神经网络（CNN）因其强大的特征提取能力而被广泛应用。自2008年起，研究者们就开始探索如何利用CNN来改善传统去噪算法的效果[^3]。 #### 主流模型及其特点 目前，在图像去噪任务上表现优异的主要有几种典型的深度学习框架： - **DnCNN (Deep Convolutional Neural Network)** 这是一个专门为去除加性白噪声设计的经典网络结构。它通过引入残差学习机制，使得即使在网络较深的情况下也能保持良好的性能稳定性。此外，DnCNN还支持端到端的学习模式，无需预先估计噪声参数即可完成高质量的去噪操作[^1]。 - **FFDNet (Fast and Flexible Denoising CNN)** FFDNet进一步优化了DnCNN的设计理念，不仅提高了运算速度，而且增强了灵活性。具体来说，该模型能够在不牺牲太多精度的前提下适应不同的噪声分布情况，这得益于其独特的多尺度输入策略以及动态调整滤波器权重的能力。 - **CBDNet (Cross-Scale Residual Learning for Blind Image Deblurring and Denoising)** 不同于前两者专注于单一类型的噪声场景，CBDNet旨在应对更加复杂的现实世界条件下的模糊与噪音共存问题。借助跨尺度残留连接技术和双分支架构，CBDNet可以在未知噪声强度下依然取得不错的恢复质量。 #### 实现方法概览 上述提到的各种模型均采用了监督式学习的方式来进行训练，即给定一组带有标签的真实图片作为目标输出，让机器自动学会映射关系。然而值得注意的是，部分先进方案已经开始尝试弱监督甚至无监督的方法，试图减少对大量标注数据的需求。例如某些工作证明仅需少量配对样本来初始化预训练模型之后再采用对抗生成网络(GANs)等方式继续微调就能达到不错的效果[^2]。 #### 开源工具推荐 对于希望快速入门或实验这些前沿技术的研发人员而言，有几个优秀的开源平台值得考虑： - TensorFlow/PyTorch：这两个是最流行的通用深度学习库，提供了丰富的API接口用于构建定制化的CNN模型； - OpenCV-Python：虽然主要面向基础图像处理功能，但也集成了不少实用的小工具可以帮助加速开发流程； - Keras：以其简洁易懂著称，非常适合初学者用来搭建简单的原型系统； ```python import tensorflow as tf from keras.models import Model, load_model from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D def build_dncnn(input_shape=(None, None, 1)): inputs = Input(shape=input_shape) conv1 = Conv2D(64, kernel_size=3, activation='relu', padding='same')(inputs) pool1 = MaxPooling2D(pool_size=(2, 2))(conv1) # Add more layers here... upsample = UpSampling2D(size=(2, 2))(last_layer_before_output) outputs = Conv2D(1, kernel_size=3, activation='sigmoid', padding='same')(upsample) model = Model(inputs=[inputs], outputs=[outputs]) return model ```
评论 1
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