亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種基于雙分支改良編解碼器的圖像去噪算法

        2020-09-29 06:04:02
        應(yīng)用光學(xué) 2020年5期
        關(guān)鍵詞:高斯分支卷積

        (北京理工大學(xué) 光電學(xué)院,北京 100081)

        引言

        隨著模擬圖像數(shù)字化技術(shù)不斷進(jìn)步的同時(shí),圖像在傳輸過(guò)程中不可避免地受到傳感器和成像環(huán)境等因素干擾,產(chǎn)生各類(lèi)噪聲,使成像質(zhì)量下降[1]。常見(jiàn)圖像噪聲可分為固定模式噪聲、條帶噪聲以及隨機(jī)噪聲3種,由于前兩種噪聲存在確定性和重復(fù)性特點(diǎn),通過(guò)傳統(tǒng)信號(hào)處理算法可降低其影響[2-3]。而隨機(jī)噪聲是指圖像中隨機(jī)性的非可重復(fù)噪聲[4],包括散粒噪聲、脈沖噪聲、熱噪聲、閃爍噪聲和暗電流等[5]。低照度下,隨機(jī)噪聲是導(dǎo)致圖像質(zhì)量下降的主要因素[4],所以,去除以隨機(jī)噪聲為主的混合噪聲也是提高圖像成像質(zhì)量的一個(gè)重要途徑。

        由于深度學(xué)習(xí)應(yīng)用于超分辨成像有較大進(jìn)展,專(zhuān)家也將其用于圖像去噪[6]。2008年,Viren Jain等首次使用用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)處理自然圖像去噪問(wèn)題,其去噪效果與傳統(tǒng)方法相當(dāng)[7]。Xie 等利用棧式去噪自編碼器(stacked denoising autoencoder)進(jìn)行含高斯白噪聲的灰度圖像去噪及圖像修復(fù),其去噪效果優(yōu)于線性稀疏編碼,但遷移學(xué)習(xí)能力差,不能去除非樣本圖像噪聲[8]。2014年,Xu 等利用引入圖像反卷積實(shí)現(xiàn)圖像復(fù)原,其優(yōu)點(diǎn)是有更好的PSNR值和視覺(jué)效果,但網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜[9]。2017年,Zhang等人提出用較深層的CNN 網(wǎng)絡(luò),稱(chēng)為DnCNN[10],實(shí)現(xiàn)盲高斯去噪。實(shí)驗(yàn)中的批量歸一化(batch normalization,BN層)與殘差學(xué)習(xí)共同使用提高了模型性能,去噪結(jié)果也優(yōu)于現(xiàn)在的最優(yōu)算法,例如BM3D算法等。對(duì)近年深度學(xué)習(xí)算法去噪工作的總結(jié)得出:圖像去噪研究方向?yàn)榧由罹W(wǎng)絡(luò)層數(shù)和優(yōu)化結(jié)構(gòu)設(shè)計(jì);或者構(gòu)建編解碼器,完成限定條件下圖像噪聲去除。

        論文提出一種輕量級(jí)雙分支改良編解碼網(wǎng)絡(luò)去噪模型,利用降-升采樣分支實(shí)現(xiàn)噪聲去除,利用不變尺寸的編碼器分支保留圖像高頻細(xì)節(jié),解決高效去噪和圖像高頻信息損失的矛盾。

        1 基于雙分支改良編解碼器的圖像去噪算法

        1.1 噪聲圖像樣本制備

        針對(duì)圖像噪聲去除,構(gòu)建的隨機(jī)噪聲模型[11]如(1)式:

        式中:Y表示加噪圖像;X表示原始無(wú)噪圖像;ε表示在原始無(wú)噪圖像中添加的噪聲。本文噪聲有高斯噪聲、散粒噪聲和椒鹽噪聲3種。椒鹽噪聲(脈沖噪聲的一種)與散粒噪聲都是隨機(jī)噪聲的一種;隨機(jī)噪聲中的熱噪聲,在有限線寬中類(lèi)似于高斯分布[12],用高斯噪聲模擬熱噪聲。

        1.2 網(wǎng)絡(luò)模型結(jié)構(gòu)

        論文去噪模型如下圖1所示:

        圖1 雙分支改良編解碼器去噪模型Fig.1 Denoising model of dual branch modified codec

        雙分支改良編解碼器(DED)去噪模型具體結(jié)構(gòu)如下:

        1) 輸入層為尺寸為256×256像素的灰度圖像,小尺寸圖像輸入在淺層網(wǎng)絡(luò)的情況下實(shí)現(xiàn)良好圖像去噪效果。輸入層后的第1層是卷積核3×3的卷積層外加激活函數(shù)層,并將圖像通道擴(kuò)充至32 通道。激活函數(shù)選用Leaky-ReLU函數(shù)。具體表示為

        Leaky-ReLU函數(shù)是ReLU 激活函數(shù)的變體,稱(chēng)為帶泄露(leaky)線性整流函數(shù),該函數(shù)負(fù)區(qū)間存在泄漏值,導(dǎo)數(shù)不為零,能夠減少靜默神經(jīng)元的出現(xiàn),可以解決ReLU函數(shù)的負(fù)區(qū)間導(dǎo)致神經(jīng)元不學(xué)習(xí)的問(wèn)題,與ReLu 激活函數(shù)都是最常用的默認(rèn)激活函數(shù)[13]。

        2) 卷積核3×3的卷積層和激活函數(shù)層構(gòu)成一分支自編碼器模型(圖1上部);卷積核5×5的卷積、反卷積層,最大池化層和激活函數(shù)層構(gòu)成二分支自編碼器模型(圖1下部)。一分支編解碼器尺寸不變,保留圖像高頻信息,二分支卷積層和最大池化層的使用,減半圖像尺寸,減少網(wǎng)絡(luò)參數(shù),增大感受野。雙分支使用基于殘差結(jié)構(gòu)的跳式連接,殘差結(jié)構(gòu)如圖2所示,在輸入為x的情況下,通過(guò)建立連接,模型輸出為φ(x)+x。在深度神經(jīng)網(wǎng)絡(luò)當(dāng)中,由于網(wǎng)絡(luò)模型復(fù)雜度的提升,會(huì)導(dǎo)致偏導(dǎo)數(shù)的連乘,可能會(huì)造成梯度消失或者爆炸[14]。本模型中使用殘差結(jié)構(gòu),將特征圖以殘差相加的方式映射到鏡像的反卷積層,能夠保留原始圖像的特征,對(duì)避免淺層網(wǎng)絡(luò)中出現(xiàn)的梯度彌散有一定的效果,使網(wǎng)絡(luò)更易訓(xùn)練[15]。

        圖2 相加式殘差結(jié)構(gòu)Fig.2 Additive residual structure

        3) 雙分支自編碼器的輸出層以殘差相加的方式實(shí)現(xiàn)通道融合,將兩分支的處理優(yōu)勢(shì)融合在一起。

        4) 最后一層采用卷積層,將輸出通道從32層融合至1層,實(shí)現(xiàn)去噪圖像輸出。

        5) 網(wǎng)絡(luò)最終輸出之前,增加非線性限制函數(shù),表示為(3)式,防止輸出圖像像素值在訓(xùn)練過(guò)程計(jì)算后過(guò)大或過(guò)小出現(xiàn)灰度誤差。

        6) 對(duì)批尺寸為n的一組樣本,損失函數(shù)為標(biāo)簽圖像與復(fù)原圖像的均方誤差函數(shù)[16](mean squared error,MSE),定義為(4)式:

        本模型采用隨機(jī)梯度下降法(SGD)進(jìn)行迭代優(yōu)化與更新模型參數(shù)權(quán)重與偏置[17-18]。

        2 實(shí)驗(yàn)過(guò)程與結(jié)果分析

        2.1 實(shí)驗(yàn)過(guò)程與硬件設(shè)置

        本文去噪模型訓(xùn)練環(huán)境為T(mén)ensorFlow 框架,GPU為GTX 1080Ti。算法流程如下:

        1) 構(gòu)造算法數(shù)據(jù)集。實(shí)驗(yàn)樣本圖像一部分來(lái)自于COCO2014數(shù)據(jù)集,COCO數(shù)據(jù)集是微軟團(tuán)隊(duì)用于圖像分割和識(shí)別的數(shù)據(jù)集,將RGB 彩色圖像灰度化成黑白圖像,再裁剪至256×256像素分辨率,得到論文數(shù)據(jù)集,得到訓(xùn)練集8000張圖像、測(cè)試集2 000張圖像。訓(xùn)練集另一部分增加黑白圖像中形狀固定、紋理簡(jiǎn)單的色塊、條紋、線條和方格圖像,經(jīng)過(guò)復(fù)制、旋轉(zhuǎn)等操作得到訓(xùn)練集圖像2 000張,如圖3所示。

        圖3 訓(xùn)練集中的方格、色塊等仿真圖像Fig.3 Simulation images of squares and color blocks in training set

        2)模型訓(xùn)練與測(cè)試。將訓(xùn)練集和測(cè)試集輸入到該去噪模型中,通過(guò)前向卷積運(yùn)算計(jì)算損失值,從而對(duì)網(wǎng)絡(luò)進(jìn)行反饋并更新每層網(wǎng)絡(luò)的權(quán)重與偏置兩類(lèi)參數(shù),得到去噪網(wǎng)絡(luò)模型。利用訓(xùn)練完成的模型對(duì)含噪圖像進(jìn)行測(cè)試,驗(yàn)證模型去噪能力并與相關(guān)算法比較。

        2.2 實(shí)驗(yàn)分析

        2.2.1 實(shí)驗(yàn)1

        實(shí)驗(yàn)1 圖像加入均值為0、標(biāo)準(zhǔn)差σ為15的高斯噪聲。將本文去噪模型與三維塊匹配算法

        (BM3D)與奇異值分解算法(K_SVD分別使用Global Trained Dictionary和Adaptive Dictionary 兩種稀疏表示的字典)[19]進(jìn)行實(shí)驗(yàn)比較。圖4為各算法針對(duì)實(shí)驗(yàn)一噪聲圖像的圖像去噪結(jié)果。

        圖4 不同算法去除高斯噪聲(σ=15)結(jié)果對(duì)比Fig.4 Comparison of results of removing Gaussian noise(σ= 15)by different algorithms

        為了客觀的評(píng)價(jià)本文去噪模型的去噪效果,本文選取了峰值信噪比(PSNR)作為評(píng)價(jià)因子[20]。表1為BM3D算法、K_SVD算法與本文算法去噪圖像的PSNR值。

        表1 不同算法去除高斯噪聲的PSNR值對(duì)比Table1 Comparison of PSNR values for removing Gaussian noise with different algorithms

        表1顯示:針對(duì)單一高斯噪聲的去除,本文算法去噪圖像的PSNR值高于BM3D和K_SVD 兩種算法去噪圖像的PSNR值,說(shuō)明其去噪效果優(yōu)于其他幾種算法。實(shí)驗(yàn)的兩幅加噪圖像PSNR值,與加噪圖像相比,分別提高7.4%和5.1%。K_SVD算法背景平均灰度低于原始噪聲圖片,整體背景有偽影產(chǎn)生,本文模型在實(shí)現(xiàn)圖像去噪同時(shí),保留了圖像紋理,如對(duì)于圖4(a)中大象的痣點(diǎn),本文模型對(duì)其有效保存,其他算法作為噪聲將其去除。

        使用本文算法對(duì)含有均值為0、標(biāo)準(zhǔn)差為30和45的高斯噪聲的圖像進(jìn)行去噪,去噪結(jié)果如圖5所示。

        從圖5及PSNR值看出,該模型對(duì)標(biāo)準(zhǔn)差為30和45的高斯圖像噪聲去除有良好效果,說(shuō)明該算法具有抑制不同噪聲水平噪聲的能力。

        2.2.2 實(shí)驗(yàn)2

        實(shí)驗(yàn)2 原始圖像加入均值為0,標(biāo)準(zhǔn)差σ為10的高斯白噪聲、噪聲密度為5%的椒鹽噪聲和散粒噪聲的混合噪聲,圖6為4種算法的去噪效果圖,表2為各算法的PSNR值對(duì)比。

        在圖像噪聲為3種混合噪聲條件下,本文去噪圖像的PSNR值高于其他算法,能夠保留物體邊緣。如對(duì)于圖6(a)中火車(chē)標(biāo)識(shí)“SDEKCER”,前3種算法去噪圖像模糊,本文算法保留了該標(biāo)識(shí)細(xì)節(jié)邊緣,能清晰顯示該標(biāo)識(shí)。對(duì)于2000張的測(cè)試集中,隨機(jī)選取了100張圖像,計(jì)算其PSNR的平均值,其平均值相較于加噪圖像提升了5.3%左右。

        表2 不同算法去除混合噪聲的PSNR值對(duì)比Table2 Comparison of PSNR values for removing mixed noise with different algorithms

        2.2.3 實(shí)驗(yàn)3

        為突出本文模型網(wǎng)絡(luò)簡(jiǎn)單、訓(xùn)練快的優(yōu)勢(shì),實(shí)驗(yàn)3 訓(xùn)練了深層全卷積網(wǎng)絡(luò)去噪模型(FCNN-12),網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示,由12層卷積層和ReLU 激活函數(shù)構(gòu)成,是DnCNN的簡(jiǎn)化網(wǎng)絡(luò)。圖8為RGB彩色圖像去除混合噪聲實(shí)驗(yàn)中,本文去噪模型(將模型輸入層通道改為3)與FCNN-12 去噪聲模型(兩網(wǎng)絡(luò)訓(xùn)練批尺寸為20)在10000次迭代次數(shù)下,測(cè)試集損失值與訓(xùn)練集訓(xùn)練時(shí)間變化情況。

        圖7 FCNN-12 去噪模型Fig.7 Denoising model of FCNN-12

        圖8 FCNN-12與DMC 損失值收斂、訓(xùn)練時(shí)間過(guò)程對(duì)比Fig.8 Comparison of loss convergence and training time between FCNN-12 and DMC

        圖8縱坐標(biāo)為損失值對(duì)數(shù)(10為底),兩網(wǎng)絡(luò)均使用SGD 梯度下降法,損失值最終均收斂區(qū)間為(200,240)。本文網(wǎng)絡(luò)模型訓(xùn)練時(shí)間為2154 s,F(xiàn)CNN-12 網(wǎng)絡(luò)去噪模型訓(xùn)練時(shí)間為2889 s,本文算法訓(xùn)練過(guò)程相較于深度全卷積網(wǎng)絡(luò)模型,訓(xùn)練時(shí)間減少了735 s,訓(xùn)練時(shí)間縮短了25.4%左右。圖9為FCNN-12與本文模型去噪結(jié)果圖像對(duì)比圖。去噪圖像PSNR值相差很小。在模型訓(xùn)練損失值和去噪效果都相當(dāng)情況下,本文模型訓(xùn)練時(shí)間短,網(wǎng)絡(luò)較淺,論文網(wǎng)絡(luò)具有“輕量級(jí)”特點(diǎn)。

        圖9 FCNN-12模型與DMC模型去噪結(jié)果對(duì)比Fig.9 Comparison of denoising results for FCNN-12 model and DMC model

        3 結(jié)論

        本文提出了一種基于自編碼器結(jié)構(gòu)的雙分支改良編解碼網(wǎng)絡(luò)去噪模型,模型一分支實(shí)現(xiàn)點(diǎn)噪聲消除,二分支實(shí)現(xiàn)宏觀圖像修復(fù)和偽像去除,后端利用殘差相加進(jìn)行通道融合,實(shí)現(xiàn)數(shù)字圖像隨機(jī)噪聲仿真去噪。實(shí)驗(yàn)結(jié)果表明:對(duì)于具有單一或者混合噪聲的灰度圖像,本文模型的去噪效果優(yōu)于當(dāng)前傳統(tǒng)去噪方法,與全卷積深層網(wǎng)絡(luò)去噪模型相比,去噪效果相當(dāng),但本文模型網(wǎng)絡(luò)層數(shù)少、訓(xùn)練速度快,在處理小尺寸圖像方面有優(yōu)勢(shì),在應(yīng)用于移動(dòng)設(shè)備、以隨機(jī)噪聲為主的圖像去噪方向中有參考作用。

        猜你喜歡
        高斯分支卷積
        小高斯的大發(fā)現(xiàn)
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        巧分支與枝
        天才數(shù)學(xué)家——高斯
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        一類(lèi)擬齊次多項(xiàng)式中心的極限環(huán)分支
        有限域上高斯正規(guī)基的一個(gè)注記
        一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
        生成分支q-矩陣的零流出性
        一本大道加勒比东京热| 亚洲av无码之日韩精品| 亚洲日本va中文字幕久久| 手机AV片在线| 日本中文字幕官网亚洲| 久久一本日韩精品中文字幕屁孩| 国内精品久久久人妻中文字幕| 狠狠色噜噜狠狠狠888米奇视频| 日本频道一区二区三区| 亚洲不卡在线免费视频| 国产色视频一区二区三区qq号| 又黄又硬又湿又刺激视频免费| 亚洲天堂2017无码中文| 国产一区二区内射最近人| 亚洲精彩av大片在线观看| 午夜福利理论片在线观看播放| 日韩人妻无码精品久久| 婷婷开心深爱五月天播播| 亚洲嫩模一区二区三区视频| 亚洲国产精品激情综合色婷婷| 国产精品国产三级国产av剧情| 国产av无码专区亚洲awww| 中文亚洲爆乳av无码专区| 国产av一区二区三区香蕉| gg55gg国产成人影院| 国内最真实的xxxx人伦| 亚洲精品国产第一区二区尤物| 国产粉嫩高清| 亚洲精品中文字幕一二| 性高朝久久久久久久3小时| 在线人成免费视频69国产| 加勒比黑人在线| 亚洲一区二区三区麻豆| 色综合久久中文综合网亚洲| 清纯唯美亚洲经典中文字幕| 亚洲乱码中文字幕在线| 四虎影视免费永久在线观看| 亚洲AⅤ永久无码精品AA| 亚洲精品一区二区三区国产| 国产视频一区二区在线免费观看| 国产福利视频一区二区|