采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

摘要：

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型.首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量.其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测.再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像.最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像.实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升.

关键词：图像处理、随机脉冲噪声、双通道降噪卷积神经网络、参考图像、噪声感知特征、噪声检测、插值

所属期刊栏目：42

分类号：TN911.73;TP391

资助基金：国家自然科学基金;江西省自然科学基金

在线出版日期：2020-10-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2541-2548