基于深度学习的图像去噪方法归纳总结

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

### 基于深度学习图像去噪技术综述 #### 深度学习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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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