【深度图像降噪先验方法概述2700字】

深度图像降噪先验方法概述深度图像降噪是深度图像修复的特例，两者都符合x=F(y)映射。因此，在一些优化算法中，单幅深度图像修复问题可以转变为一个或多个残差子问题，采合适的深度图像降噪方法是修复的关键步骤。目前，图像的降噪先验分为两大类：基于模型的方法和判别学习方法116。基于模型方法的降噪先验是针对降噪过程逆变的约束求解，实质是正则项的设计。判别学习方法的降噪先验分为基于MAP推断引导的方法和一般的方法，两者最大区别在于回归函数是否用到了MAP。模型方法的降噪先验方法不需要训练，需要进行多次循环计算，时间成本高；判别学习方法的降噪先验方法不需要繁琐的推理步骤，需要成对的图像进行端对端训练。一般情况下，判别学习方法的降噪效果优于基于模型的方法。图像降噪是图像重建中的基础问题，是图像中最简单的逆问题。因此，研究学者致力于对图像降噪的研究，并将其利用到图像修复和模糊等问题中。目前，存在的降噪先验有K-SVD¹27-1291、块匹配三维滤波法(BM3D)1301、CNN降噪法络降噪先验属于判别学习法。K-SVD降噪方法的核心思想是在过完备字典的前提下，获得信号x的一个近似稀疏的表示，其数学表达式如式(2-22)所示：s.t.Da=x在式(2-22)中，λ为参数，D为过完备字典，a为稀疏表示系数。在稀疏编码步骤中a的求解是NP-hard的问题，因此需要近似求解，在字典更新步骤中，采用的是奇异值分解的方法。K-SVD降噪先验是通过学习可以获得比固定字典性能更好的字典。目前，字典的学习可以通过两种途径获得：干净图像作为学习字典的源图像和需降噪的图像学习获得的字典。干净的图像作为学习字典的源图像的方法针对图像集中的每一个图像进行稀疏表示，并获得较小的误差项。令Z={zj}y-1为M个干净的图像块，则对应数上式中，μ;为参数，用于稀疏项和误差项的调节。此公示实质是为了选择通常具体操作为：采用冗余的DCT字典进行字典的初始化，正交匹配追踪点i处固定大小的√m×√m像素块。为了区别两个过程的参数，避免歧义，本文首先，针对图像y进行相似块匹配操作。相似块匹配原则的数学表达式如公在公式(2-25)中，y和y;分别表示参考块和像素点i处的图像块。接下来，采用距离公式获得相似块的个数，如公式(2-26)所示：个数，相似块组采用GFis表示。相似块组GFirst的协同滤波采用三维变换中的硬阈值滤波操作进行的，其中TSis表示三维变换，降噪后的相似块组采用xFist表示。因此，采用硬阈值滤波操作降噪以后获得的三维相似组的估值，如公式(2-27)所示：在公式(2-27)中，TSis表示三维变换，TSis¹表示三维变换逆变换，γ表示硬阈值操作。最后，将权重和三维相似组的估值相结合，可得到降噪后图像的基本至此，第一阶段结束，获得基本估计值。接下来，进行第二阶段，将上一阶段估计值xFirst作为最终估计阶段的输入，采用协同维纳滤波的方法获得最终解。在这一阶段，依旧采用距离公式获得相似块的个数，如公式(2-28)所示：得益于GPU的并行计算能力和卷积神经网络强大的优先建模能力，许多研究者开始致力于CNN降噪方法的研究。基于CNN降噪先验可以避免庞大的计文献116是将残差学习和批规范化相结合的卷积神经网络去噪方法。两者的文献133与传统的单幅图像去噪方法不同，将成像步骤进行反转，得到高质量图得到卷积神经网络模型。文献134充分利用时间上的冗余信息采用递归的卷积神经网络进行单幅和多幅图像降噪，并将其运用到图像的超分辨率中。文献135将BM3D和卷积神经网络相结合，用“提取”和“聚合”层来建模BM3D中的块网络FFDNet。此模型可以在面对不同水平的噪声图像时，在保证降噪效果的基CNN降噪先验方法广泛应用到了图像重建的各个领域中，具有其他降噪先采用合适的求解策略求解完成任务，而是通过大样本的数据集的训练，获得其特征，所涵盖的特征更多，去噪