基于深度学习的图像去噪算法研究
作者单位：四川大学
学位级别：硕士
导师姓名：何小海
授予年度：2021年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 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）]
摘 要：随着信息化技术的迅速发展,图像已成为人们获取、分析和传达信息的重要且有效载体之一。然而,受到成像设备限制、外界环境干扰和人为操作等多种因素的限制,图像在采集、传递以及保存的过程中,往往会受到噪声污染,进而影响图像质量,使其难以满足应用需求。图像去噪技术作为一种有效改善图像质量的手段,近年来一直是数字图像处理领域经典且十分活跃的重要研究课题之一。目前,深度学习由于其具有强大建模能力被广泛地应用于图像去噪,并成为该领域的研究焦点之一。本文以深度学习技术为基础,围绕图像去噪问题展开研究,主要工作如下:1.现有的图像去噪方法大多基于模拟降质假设(研究最为广泛的一类是高斯噪声模型)进行设计,针对两类主流的高斯降噪算法(基于模型的传统方法和深度学习方法)存在的优劣势,提出一种基于先验模型引导的深度展开图像去噪网络。一般来说,这两类算法各有优点和不足,如前者有严格的数学推导,理论解释性较优,但通常重建速度慢,且需人工设计复杂的图像先验以保证其性能。与此同时,以深度学习为代表的方法运行速度快、性能优越,但大多数网络结构都是启发式设计,可解释性较弱。为此,本文将传统算法的重建框架用来指导网络设计,构建一种端到端和具备一定可解释性的深度网络并用于高斯去噪任务,其主要创新点是:(1)设计全局非线性平滑约束图像先验,并提出一种基于模型的传统算法;(2)通过展开策略将该传统算法转化为神经网络,得到一种深度网络模型。2.针对真实噪声图像处理,在现有研究的基础上,根据真实的噪声模型,提出一种基于降质信息估计与调制的盲去噪网络框架。核心思路为:第一步估计降质信息(噪声水平),第二步利用得到的降质信息和噪声图像进行去噪处理。在去噪网络的设计中,提出多元调制注意力模块指导特征学习,以同步实现特征内部的重要信息挖掘和外部先验引导,增强网络的表达能力。进一步利用合成的数据集和真实图像集交替训练网络增强其泛化能力。在多个真实图像数据集上验证了提出算法的有效性。3.主流的深度学习去噪算法大多需要构建配对的训练集或人为提供与噪声信息相关的先验知识。针对这一问题,本文对噪声信息未知、无配对数据可用的情况下进行了探索性研究,提出一种基于生成对抗网络(Generative Adversarial Network,GAN)噪声建模的图像去噪算法。具体地,训练GAN从输入不成对的干净图像和噪声图像中学习噪声分布,隐式地建模噪声模型,在噪声图像的引导下,生成器在干净图像上添加噪声,合成其对应的噪声数据;接着利用构建的配对数据训练另一个去噪网络。在噪声学习阶段,一方面引入背景一致性损失,约束干净图像和生成的噪声数据背景相一致,以提供合理的监督和学习;同时在判别器中引入锐化处理机制,使其更专注于噪声本身。本文通过真实图像去噪实验验证了提出算法的可行性和有效性。
同方学位论文库