【摘要】：數字圖像為人們汲取實時信息提供了便利性,但是在信息處理和傳遞的過程中易受到噪聲干擾,造成圖像內容識別、分析和理解困難。因此,圖像降噪技術對于獲取清晰的視覺效果顯得尤為關鍵。近年來基于信號稀疏表示和深度學習的方法成為了研究圖像降噪技術的主要手段。然而,大部分基于稀疏模型的去噪方法直接從噪聲圖像中進行字典學習基于稀疏表示與字典學習的圖像去噪算法研究,因此字典的性能容易受到噪聲影響而對深層特征提取能力不足?；谏疃葘W習的去噪方法雖然獲得了良好的性能,但是去噪過程機理不明,對不同噪聲強度的適應性不好。因此為了獲得高效的去噪性能,針對圖像去噪研究中存在的問題以及現有去噪方法的短板,本文對以下兩個方面展開了研究:(1)提出基于非局部塊組稀疏特征距離約束的圖像去噪方法針對現有方法的去噪性能受限于含噪圖像中非局部先驗且稀疏表示不夠準確等問題,本文提出一種基于非局部塊組稀疏特征距離約束的圖像去噪方法。首先基于稀疏表示與字典學習的圖像去噪算法研究,利用預濾波處理減弱噪聲以獲取可靠的非局部圖像先驗并從中求取組稀疏估計作為原始圖像的合理參考,并結合噪聲圖像內部先驗同時用于圖像去噪;其次,通過設計更符合二維圖像塊組數據特性的基于二維奇異值分解的學習字典提取圖像本質特征,同時促進圖塊間和塊內的稀疏性;再次,為了獲得優良的圖像去噪性能,提出了組稀疏特征距離約束,通過減小組稀疏系數矩陣之間的特征模式距離來逐步提高特征匹配度;最后,采用軟閾值算法對模型進行求解,實現圖像去噪。
實驗結果表明,所提出的去噪方法在視覺上呈現出清晰的邊緣和輪廓,能夠在有效保留圖像結構特征的同時抑制視覺偽影。(2)提出統計模型引導下的深度學習圖像去噪方法上述研究通過人為地設計先驗正則約束模型的方式實現圖像去噪,其中涉及到復雜的迭代優化過程,且線性字典的表示能力不足。為了進一步加強學習字典的深層次表征能力,在上述研究基礎上,借助于能夠在PGU上實現并行加速處理的深度神經的網絡的大學習能力,本文提出統計模型引導下的深度學習圖像去噪方法。首先,為了合理利用現有的退化模型和稀疏先驗,讓網絡具有更靈活的學習的能力,建立基于最大化后驗概率優化目標函數,采用梯度下降法更新稀疏參數;其次,根據模型的迭代優化過程推理出神經網絡的構建形式并在該網絡中進行卷積字典學習,利用網絡非線性映射的逼近能力逐步優化稀疏系數使得深層特征得到更好表達;最后,在網絡訓練過程中,為了避免訓練樣本中噪聲對字典表示能力的限制,將干凈圖像作為訓練樣本,以統計模型為引導,以稀疏性為約束條件建立損失函數來訓練字典,以此有效提取圖像特征。在Set5、Set12以及BSD68數據集上的實驗結果表明,從量化指標和視覺效果對比中都體現出了本方法的有效性。同時,本研究為將圖像去噪的優化模型集成到網絡構建和訓練中提供了一個新的思路。