基于CNN噪声分离模型的噪声水平估计算法

作     者：徐少平 刘婷云 李崇禧 唐祎玲 胡凌燕 Xu Shaoping;Liu Tingyun;Li Chongxi;Tang Yiling;Hu Lingyan

作者机构：南昌大学信息工程学院南昌330031 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2019年第56卷第5期

页      面：1060-1070页

核心收录：

学科分类：0810[工学-信息与通信工程] 0808[工学-电气工程] 08[工学] 081203[工学-计算机应用技术] 0839[工学-网络空间安全] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61662044 61163023 51765042) 江西省自然科学基金项目(20171BAB202017)~~ 

主　　题：噪声水平估计 噪声分离 卷积神经网络 广义高斯模型 噪声水平感知特征 噪声水平值映射 

摘      要：现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明:所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值.