基于深度学习的图像去噪声方法研究
论文名称：《基于深度学习的图像去噪声方法研究》
指导教师：刘妍妍
论文作者：李楠
毕业院校：长春理工大学
文章内容概要
- 研究图像去噪的基本原理与阐述相关图像模型的背景与意义
- 对传统图像去噪算法进行实验仿真，研究图像处理多特征提取的可行性
- 利用DuCNN技术与相关原理进行去噪音算法相关网络结构的优化处理
- 分析实验结果，比较两种不同去噪技术的图像效果与工作原理的特点
- 总结分析实验结果基础，总结待改进与重点研究方向
图像去噪算法
- 人工神经网络
- ANN是对生物的神经网络结构加以模仿，借助于网络拓扑对神经元的连接进行模拟
- 神经元：神经网络的单元结构
- 激活函数：借助于函数曲线将输入的每个很小的变化最终折射到输出之中
- 多层感知器：神经网络的简化模型
- BP神经网络
- BP网络用于纠正体重的前馈网络，反向传播网络
- 链规则技术：借助于链式法则来对偏导算法进行分析
- 梯度下降实现机制：方法权重、偏差的更新
- 卷积神经网络
- 对生物视觉皮层的模拟，具有深度的结构性
- 稀疏连接：对图像进行辨识与处理环节，模仿生物视觉特征
- 权值共享：借助于图像块的自相似性来加以关联与管理
- 池化采样：减少每个要素的尺寸同时保留图像信息
DuCNN去噪原理
- DnCNN算法模型
- DnCNN去噪框架
- 基于残差学习和批量规范的深度卷积神经网络去噪算法
- 残差学习：将网络所得到的图像结果与标准图像进行比对分析，降低误差
- 批标准化：删除要素之间的相关性，使数据具有近似均值与差值
- DnCNN算法原理
- 含参线性整流激活函数
- 权重初始化参数：权重参数属性对整个模型进行优化
- 边界处理方法：以图像块为基础的模型降噪问题处理分析
