【《图像去噪中DnCNN算法原理与去噪效果分析》1900字】

图像去噪中DnCNN算法原理与去噪效果分析目录TOC\o"1-3"\h\u17077图像去噪中DnCNN算法原理与去噪效果分析 1141511.1DnCNN去噪原理 1161441.2DnCNN去噪结果 243951.3与小波阈值去噪对比 4206471.4利用DnCNN进行真实图像去噪 61.1DnCNN去噪原理DnCNN是一种非常优秀的用于图像去噪的模型，其运用的残差学习策略，在网络的隐含层移除清晰图像，极大的提高了图像去噪性能。用表示含噪图像，表示清晰图像，表示残差图像（即噪声图像）。残差学习公式为： （16）进而得到清晰图像： （17）训练时所需残差图像与噪声输入的估计残差图像之间的平均均方误差公式： （18）批量标准化就是通过一定的规范化手段，把网络中每个神经元的输入值强行规范为均值为0，方差为1的标准正态分布，这样可以使激活函数输入值落在函数对输入比较敏感的地方，输入的小变化就会导致输出的大变化，即梯度放大。网络中运用ReLU函数作为激活函数，提高了网络训练速度。网络结构图如下图：图3-1DnCNN网络结构图该神经网络由1个输入层，1个输出层，20个卷积层，18个BN层，19个ReLU层组成，总层数为59层。图7是MATLAB中的deeplearningdesigner中该网络的视图，其中蓝色方块代表输入层，紫色方块代表输出层，黄色方块代表卷积层，红色方块代表ReLU层，绿色方块代表BN层。网络总共分为三个部分：第一部分：Conv（3×3×64×64）+ReLu第二部分：Conv（3×3×64×64）+BN+ReLu第三部分：Conv（3×3×64）图3-2deeplearningdesigner中DnCNN结构视图各层参数设置：①输入层采用50×50的输入图片大小，输入图像为灰度图。②卷积层卷积层采用3×3大小的卷积核，步长为1。每一层卷积层包含64个卷积核，输出为64张特征图，采用ReLU作为激活函数。③归一化层批量归一化，采用64个通道，分别对卷积层输出的64张特征图进行处理。1.2DnCNN去噪结果利用DnCNN神经网络对含有均值为0，方差为0.02到0.1高斯噪声的图像进行去噪。图3-3使用DnCNN网络对含方差为0.02的高斯噪声去噪效果图3-4从左到右分别为噪声方差为0.04、0.06、0.08、0.1的去噪效果 从图中可以看出DnCNN网络对图像的去噪效果良好，但是随着噪声方差的增大，去噪后图像变得越来越模糊，可以看出同一个深度卷积神经网络的去噪效果会随着噪声方差的增大而变差。表3-1基于DnCNN的去噪图像PSNR指数高斯噪声方差0.020.040.060.080.1PSNR（dB）22.863321.292820.020819.129218.4275 表3-1中显示的利用DnCNN网络分别对不同噪声图像进行去噪后的PSNR指数。表中可以看出，随着高斯噪声的方差逐渐增大，去噪后的图像的PSNR指数逐渐降低。分析其原因是因为随着噪声方差的增大，噪声对图像的细节掩盖程度越来越大，神经网络在提取特征时的难度也会增大，在复原图像时细节特征的丢失会增加，去噪效果会变差。1.3与小波阈值去噪对比（1）小波阈值去噪本部分分别采取硬阈值、软阈值、折中阈值来进行去噪处理。当小波系数等于阈值时，在阈值上加了一个折中系数α，实现阈值从硬阈值到软阈值的平缓过渡。折中系数的范围是0-100，即α=0时为硬阈值，α=100时为软阈值，α在0到100的范围之间为折中阈值。本实验中将折中阈值分为随机折中系数和最佳折中系数两种情况，分别研究去噪效果。最佳折中系数通过对所有折中系数对应的峰值信噪比值绘图，取峰值信噪比为峰顶时的折中系数为最佳折中系数。本部分为方便改变阈值，分别将阈值处理和阈值去噪编写为函数，在主程序中进行调用。对含有均值为0，方差为0.02的高斯噪声的图像分别进行硬阈值去噪、软阈值去噪、随机折中系数去噪、最佳折中系数去噪。图3-5四种去噪效果图表3-2四种去噪图像的PSNR指数去噪方法硬阈值软阈值随机折中系数最佳折中系数PSNR（dB）18.878719.213319.367719.5124图3-5展示了四种阈值的小波去噪分别对方差为0.02的高斯噪声去除后的图像。从去噪效果图中无法用肉眼辨认出具体哪种方法去噪效果更好，所以分析表1中的数据。表1中的数据表示，使用最佳折中系数的去噪效果要更好，一般情况下，软阈值去噪效果比硬阈值要好。两种去噪算法对比表3-3几种方法的去噪图像PSNR指数高斯噪声方差0.020.040.060.080.1原图像PSNR18.082715.445411.940912.934712.1324硬阈值PSNR18.391015.965511.846411.175111.8873软阈值PSNR19.928916.451414.571714.666914.4470随机折中系数PSNR19.859016.036411.9697140172914.0065最佳折中系数PSNR19.928916.533314.571714.666914.4624DnCNN去噪PSNR22.917821.080019.891719.122418.3056图3-6不同去噪算法在高斯噪声方差不同时的PSNR指数通过对去噪后的图像进行直观观察可以初步得出了DnCNN网络去噪效果要比小波去噪效果更好的结论，本部分跟据去噪后图像的PSNR指数进一步分析。表4中列举了几种方法得出的去噪结果图的PSNR，图12画出了几种不同方法的PSNR值在不同噪声下的曲线图。圆代表DnCNN去噪的曲线，五角星代表最佳折中系数去噪的曲线，点虚线代表随机折中系数的曲线，虚线代表软阈值去噪的曲线，实线代表硬阈值去噪的曲线。根据曲线图可以看出，利用DnCNN网络进行图像去噪表现出来的去噪效果在性能指标上要远远优于小波变换法。同时，同一训练完成的网络对于不同噪声水平的噪声会有不同的去噪效果，因此，