大多數現(xiàn)有去噪方法只考慮了噪聲輸入圖像的非局部自相似性先驗方法（NSS）,僅從已退化的輸入圖像中收集相似圖像塊,圖像去噪的質量在很大程度上取決于輸入圖像本身。針對圖像復原過程中的噪聲去除問題,設計了一種基于卷積神經網絡的組稀疏去噪模型。模型使用兩種NSS先驗（即噪聲輸入圖像和預濾波圖像的NSS先驗）,把圖像去噪問題轉化為組稀疏殘差最小化問題。為了提高非局部相似塊選擇的準確性,使用了一種自適應塊搜索的方法,并采用卷積神經網絡進行預濾波,以獲得對原始圖像組稀疏系數的良好估計。實驗結果表明:所提出的GSRC-CNN方法在客觀和感知質量方面優(yōu)于許多先進的去噪方法。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(02)

【文章頁數】：4 頁

【部分圖文】：

通過KNN方法在噪聲圖像和預濾波圖像之間選擇圖像塊

采用的Dn CNN模型[10]具有兩個主要特點:采用殘差學習公式來學習R(y)，并將批量歸一化用于加速訓練以及提高去噪性能上。如圖4所示，合并Conv和Relu通過隱藏層從噪聲觀測圖像中分離出圖像結構。本文采用的Dn CNN是端到端的訓練方式。4 實驗結果與分析

稀疏(其中列稀疏但不對齊)和組稀疏(列稀疏且對齊)之間的比較

【參考文獻】：
期刊論文
[1]基于真實場景圖像下的卷積神經網絡去噪算法[J]. 王純,郭春生.  傳感器與微系統(tǒng). 2017(10)
[2]一種基于新的小波閾值函數的圖像去噪方法[J]. 黃一鶴.  傳感器與微系統(tǒng). 2011(09)



本文編號：3075643