這篇具有很好參考價(jià)值的文章主要介紹了畢業(yè)設(shè)計(jì)-基于深度學(xué)習(xí)的圖像去噪方法研究。希望對(duì)大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請(qǐng)大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。
目錄
前言
課題背景和意義
實(shí)現(xiàn)技術(shù)思路
實(shí)現(xiàn)效果圖樣例
前言
? ? ??大四是整個(gè)大學(xué)期間最忙碌的時(shí)光,一邊要忙著備考或?qū)嵙?xí)為畢業(yè)后面臨的就業(yè)升學(xué)做準(zhǔn)備,一邊要為畢業(yè)設(shè)計(jì)耗費(fèi)大量精力。近幾年各個(gè)學(xué)校要求的畢設(shè)項(xiàng)目越來越難,有不少課題是研究生級(jí)別難度的,對(duì)本科同學(xué)來說是充滿挑戰(zhàn)。為幫助大家順利通過和節(jié)省時(shí)間與精力投入到更重要的就業(yè)和考試中去,學(xué)長(zhǎng)分享優(yōu)質(zhì)的選題經(jīng)驗(yàn)和畢設(shè)項(xiàng)目與技術(shù)思路。
??對(duì)畢設(shè)有任何疑問都可以問學(xué)長(zhǎng)哦!
選題指導(dǎo):?https://blog.csdn.net/qq_37340229/article/details/128243277
大家好,這里是海浪學(xué)長(zhǎng)畢設(shè)專題,本次分享的課題是
??基于深度學(xué)習(xí)的圖像去噪方法研究
課題背景和意義
圖像去噪是利用圖像序列的上下文信息去除噪聲，從而恢復(fù)出清晰圖像的一種技術(shù)，是計(jì)算機(jī)視覺領(lǐng)域重要研究?jī)?nèi)容之一。隨著機(jī)器學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)在圖像去噪領(lǐng)域得到廣泛應(yīng)用，成為處理圖像去噪的有效解決方法。圖像的去噪研究是計(jì)算機(jī)視覺領(lǐng)域的重要組成部分。近年來，基于深度學(xué)習(xí)（Deep Learning）的去噪方法被成功應(yīng)用于合成噪聲，但對(duì)真實(shí)噪聲的泛化性能
較差。 真實(shí)噪聲是指由拍照設(shè)備在照明條件差、相機(jī)抖動(dòng)、物體運(yùn)動(dòng)、空間像素不對(duì)準(zhǔn)、顏色亮度不匹配等情況下獲取的圖像中存在的噪聲，具有噪聲水平未知、噪聲類型多樣、噪聲分布復(fù)雜且難以參數(shù)化等特點(diǎn)。而合成噪聲是指噪聲類型符合某種概率分布，且噪聲水平可自主設(shè)定，如高斯噪聲、椒鹽噪聲、斑點(diǎn)噪聲等?。目前，圖像去噪方法已廣泛應(yīng)用于遙感圖像處理、醫(yī)學(xué)影像分析、人臉和指紋識(shí)別等諸多領(lǐng)域
。
實(shí)現(xiàn)技術(shù)思路
一、圖像去噪概述
由于受到電子設(shè)備自身的限制和外界環(huán)境的影響，圖像中常存在多種不同類型的噪聲，如高斯噪聲、泊松噪聲、椒鹽噪聲和斑點(diǎn)噪聲等[24] ，且不同類型噪聲的頻率和空間特性存在差異性。高效的提取和精準(zhǔn)的噪聲水平估計(jì)是設(shè)計(jì)合理去噪網(wǎng)絡(luò)結(jié)構(gòu)的前提。圖像去噪的研究?jī)?nèi)容包括數(shù)據(jù)預(yù)處理、特征提取和去噪三部分。
二、基于深度學(xué)習(xí)的圖像去噪方法
1、基于卷積神經(jīng)網(wǎng)絡(luò)的去噪方法
卷積神經(jīng)網(wǎng)絡(luò)（
CNN
）是深度學(xué)習(xí)的基礎(chǔ)網(wǎng)絡(luò)，通過不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)提升特征表達(dá)能力。如VGGNet
采用多個(gè)3×3
卷積核堆疊的方式擴(kuò)大感受野，加快訓(xùn)練收斂速度；GoogLeNet
構(gòu)建基于
Inception
的模塊化網(wǎng)絡(luò)，方便添加和修改網(wǎng)絡(luò)結(jié)構(gòu)，并使用平均池化代替全連接，在訓(xùn)練速度和網(wǎng)絡(luò)性能上有很大提升。
自監(jiān)督學(xué)習(xí)去噪
目前，基于
CNN
的圖像去噪方法主要包括自監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)。如N2N
、N2V
、N2S
、S2S
以及VDN等去噪方法利用像素之間的獨(dú)立性，以自監(jiān)督訓(xùn)練方式尋找目標(biāo)像素與輸入像素之間的映射關(guān)系，從而實(shí)現(xiàn)去噪任務(wù)。
N2V方法與傳統(tǒng)自監(jiān)督訓(xùn)練模型的網(wǎng)絡(luò)對(duì)比圖，其去噪過程可以用公式：
?監(jiān)督學(xué)習(xí)去噪
基于監(jiān)督學(xué)習(xí)的圖像去噪方法，如
DnCNN-B
?
、 FFDNet
和
CBDNet
利用高斯混合模型對(duì)多種不同噪聲水平的樣本圖像進(jìn)行訓(xùn)練，并在真實(shí)噪聲圖像上驗(yàn)證以上方法的去噪效果。通常，用
x
=
y
-
R
(
y
)
表示恢復(fù)出的清晰圖，
y
為輸入的噪聲圖，
R
(
y
)
表示預(yù)測(cè)的噪聲，其去噪方法使用的損失函數(shù)如公式：
2、基于殘差網(wǎng)絡(luò)的去噪方法
CNN
中淺層網(wǎng)絡(luò)可以獲取像素級(jí)特征，深層網(wǎng)絡(luò)獲取的更多是語義特征。語義信息在識(shí)別、分類等任務(wù)中非常重要，但對(duì)去噪、超分辨率等任務(wù)來說，淺層的像素級(jí)特征更為關(guān)鍵。因此，為充分利用淺層特征信息，許多基于殘差網(wǎng)絡(luò)（ResNet）的去噪方法被設(shè)計(jì)出來。去噪思想可以用以下公式描述：
f0 表示的是卷積層對(duì)輸入噪聲圖像提取的初始特征，Me (·) 表示的是卷積層的特征提取操作，并進(jìn)一步對(duì)殘差分量上的特征進(jìn)行學(xué)習(xí)。
沒有考慮到傳感器設(shè)備自身在圖像信號(hào)處理（Image Signal Processor
，
ISP
）過程對(duì)圖像質(zhì)量的影響， 但 RGB
圖像與成像設(shè)備獲取的原始
RAW
圖之間始終存在偏差，導(dǎo)致噪聲建模方式不夠合理、準(zhǔn)確。因此，
設(shè)計(jì)循環(huán)鏡像轉(zhuǎn)換方法 CycleISP
，該方法包括兩個(gè)分支：RGB2RAW
和
RAW2RGB。
3、基于生成對(duì)抗網(wǎng)絡(luò)的去噪方法
在實(shí)際應(yīng)用中，成對(duì)訓(xùn)練樣本的獲取是一項(xiàng)難題。生成對(duì)抗網(wǎng)絡(luò)（GAN
）因其具有很強(qiáng)的學(xué)習(xí)能力，通過對(duì)抗學(xué)習(xí)訓(xùn)練策略，可以得到逼真的噪聲圖，在一定程度上緩解了成對(duì)訓(xùn)練樣本不足的問題。生成對(duì)抗網(wǎng)絡(luò)在訓(xùn)練過程中需要計(jì)算生成器
(
G
) 和鑒別器
(
D
) 兩部分損失，目標(biāo)函數(shù)如公式：
4、?基于圖神經(jīng)網(wǎng)絡(luò)的去噪方法
圖神經(jīng)網(wǎng)絡(luò)（
GNN
）適合處理非結(jié)構(gòu)化或比較復(fù)雜的數(shù)據(jù)。
利用卷積算子設(shè)計(jì)基于圖形卷積（GCN
）的去噪方法GCDN，該方法通過引入邊緣注
意力機(jī)制（Edge Attention
）減少邊緣信息的丟失，并采用 3×3
、5×5 和
7×7
大小的濾波器進(jìn)行多尺度分層提取特征，提高對(duì)特征信息的利用率。
GCN的網(wǎng)絡(luò)化拓?fù)浣Y(jié)構(gòu)對(duì)密集噪聲分布具有很好的擬合效果，但因其拓?fù)浣Y(jié)構(gòu)復(fù)雜、節(jié)點(diǎn)順序動(dòng)態(tài)變化，導(dǎo)致訓(xùn)練結(jié)果不穩(wěn)定，且當(dāng)數(shù)據(jù)類型單一時(shí)，容易過擬合。近年來，在 CNN、ResNet 和 GAN 網(wǎng)絡(luò)的基礎(chǔ)上一系列結(jié)合多尺度特征融合、遷移學(xué)習(xí)和雙任務(wù)的改進(jìn)方法不斷涌現(xiàn)。
?1）結(jié)合多尺度特征融合的去噪方法多尺度融合的方式多種多樣，通過求解分?jǐn)?shù)最優(yōu)控制問題（FOC）和對(duì)分?jǐn)?shù)階微分方程（FODE） 進(jìn)行顯式離散化構(gòu)造，增強(qiáng)網(wǎng)絡(luò)在前向傳播和反向傳播的過程中的長(zhǎng)期記憶力。
2）雙任務(wù)圖像去噪方法
圖像去噪需要平衡兩個(gè)互斥的目標(biāo)，即去除噪聲和保留真實(shí)細(xì)節(jié)。其中 GAN 用于去除噪聲，
CNN用于恢復(fù)原始圖像細(xì)節(jié)，且兩個(gè)子網(wǎng)交替訓(xùn)練，通過自適應(yīng)調(diào)節(jié)參數(shù)保留更多細(xì)節(jié)并去除噪聲。
遷移學(xué)習(xí)去噪方法不僅能以更快的速度收斂并獲得良好去噪性能，還可以通過自適應(yīng)調(diào)整參數(shù)方式節(jié)省大量?jī)?nèi)存。
數(shù)據(jù)集
1、訓(xùn)練數(shù)據(jù)集
目前，真實(shí)圖像數(shù)據(jù)集的獲取方式主要分為三種：
（1）在現(xiàn)有圖像數(shù)據(jù)集中選擇高質(zhì)量的清晰圖像，對(duì)其處理合成噪聲圖像；（2）針對(duì)同一場(chǎng)景，拍攝低 ISO
作為清晰圖，拍攝高 ISO
作為對(duì)應(yīng)噪聲圖；（3）對(duì)同一場(chǎng)景連續(xù)拍攝多次，經(jīng)過加權(quán)平均合成噪聲圖像對(duì)應(yīng)的Ground Truth 圖像。常用的真實(shí)圖像數(shù)據(jù)集主要有RENOIR、
DND
、
SSID
和
PolyU
?
。
2、測(cè)試數(shù)據(jù)集
圖像去噪領(lǐng)域常用的測(cè)試集主要分為灰度圖像和彩色圖像兩大類。
3、評(píng)價(jià)指標(biāo)
去噪方法的性能評(píng)價(jià)常從
PSNR
和
SSIM
兩方面進(jìn)行定量分析評(píng)估?
。 （1）PSNR
（
Peak Signal-to-Noise Ratio
）：即峰值信噪比，是最普遍、最廣泛使用的一種評(píng)價(jià)經(jīng)過壓縮或處理后的圖像與原始圖像相比質(zhì)量好壞的標(biāo)準(zhǔn)。PSNR值越高，處理后的圖像失真越小，質(zhì)量越高。計(jì)算公式為：
Max
2
I
為圖像
I
可能的最大像素值，根據(jù)其二進(jìn)制的位數(shù)
B
，將
Max
2
I
表示為
(2
B
- 1)
2
。
（2）SSIM
（
Structural Similarity
）：即結(jié)構(gòu)相似性。實(shí)現(xiàn)了從感知誤差的度量到感知結(jié)構(gòu)失真的度量，直接估計(jì)原始圖像和處理后圖像中信號(hào)結(jié)構(gòu)的改變。表達(dá)式為：
μ
x
是
x
的均值，
μ
y
是
y
的均值，
σ
x
2
是
x
的方差，
σ
y
2
是
y
的方差，
σ
xy
是
x
和
y
的協(xié)方差，而
c
1
和
c
2
是維持穩(wěn)定的常數(shù)。
實(shí)現(xiàn)效果圖樣例
選取一些經(jīng)典去噪方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)分為兩部分：對(duì)合成噪聲的去噪和對(duì)真實(shí)噪聲的去噪。
1）對(duì)合成噪聲的去噪
當(dāng)噪聲水平為 15
和
25
時(shí)，
DnCNN
方法去噪結(jié)果最好，相比 IRCNN 去噪方法其
PSNR
值提升了
6.1 dB
。但當(dāng)噪聲水平為 45
和
50
時(shí)，去噪結(jié)果最好的方法是
FFDNet
。FFDNet在
Set12
和
Kodak24數(shù)據(jù)集上，同樣展現(xiàn)了對(duì)噪聲水平較高圖像良好的適應(yīng)性。4種方法的去噪結(jié)果（PSNR和 SSIM）隨噪聲水平提高的變化曲線。
?去噪效果對(duì)比圖：
?2）對(duì)真實(shí)噪聲的去噪
真實(shí)噪聲分布比高斯噪聲更復(fù)雜，圖中可以看到?DnCNN、Fdncnn、FFDNet 和 IRCNN 方法去噪效果對(duì)比圖來看，去噪后的圖像仍存在大量噪聲。所以，通過對(duì)多種噪聲水平的含噪圖像訓(xùn)練樣本進(jìn)行訓(xùn)練得到的去噪模型，并未在真實(shí)圖像去噪實(shí)驗(yàn)中取得很好的效果。
?
我是海浪學(xué)長(zhǎng),創(chuàng)作不易,歡迎點(diǎn)贊、關(guān)注、收藏、留言。文章來源：http://www.zghlxwxcb.cn/news/detail-417205.html
畢設(shè)幫助，疑難解答，歡迎打擾！文章來源地址http://www.zghlxwxcb.cn/news/detail-417205.html
最后
到了這里，關(guān)于畢業(yè)設(shè)計(jì)-基于深度學(xué)習(xí)的圖像去噪方法研究的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場(chǎng)。本站僅提供信息存儲(chǔ)空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請(qǐng)注明出處： 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請(qǐng)點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！
