- 1、本文档共17页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
使⽤深度学习进⾏图像去噪
图像去噪是研究⼈员⼏⼗年来试图解决的⼀个经典问题。在早期,研究⼈员使⽤滤波器器来减少图像中的噪声。它们曾经在噪⾳⽔平合理的
图像中⼯作得相当好。然⽽,应⽤这些滤镜会使图像模糊。如果图像太过嘈杂,那么合成的图像会⾮常模糊,图像中的⼤部分关键细节都会
丢失。
使⽤深度学习架构会更好的解决这个问题。⽬前看深度学习远远超过了传统的去噪滤波器。在这篇⽂章中,我将使⽤⼀个案例来逐步解释⼏
种⽅法,从问题的形成到实现最先进的深度学习模型,然后最终看到结果。
内容摘要
图像中的噪声是什么?
问题表述
机器学习问题提法
数据来源
探索性数据分析
图像去噪的传统滤波器概述
⽤于图像去噪的深度学习模型
结果⽐较
未来的⼯作和改进的范围
参考⽂献
图像中的噪点是什么?
图像噪声是所捕获图像中亮度或颜⾊信息的随机变化。这是由外部源引起的图像信号劣化。从数学上讲,图像中的噪点可以表⽰为
A(x,y)=B(x,y)+H(x,y)
其中
A(x,y)=噪声图像的函数;
B(x,y)=原始图像的函数;
H(x,y)=噪声的函数;
问题表述
传统的图像降噪算法始终假定噪声是均匀的⾼斯分布。但是,实际上,真实图像上的噪点可能要复杂得多。真实图像上的这种噪声称为真实
噪声或盲噪声。传统的滤波器⽆法在具有此类噪点的图像上表现良好。
所以问题的表述变成了:我们如何去噪包含盲噪声的图像?
我们的⽬的是⽤盲噪声对彩⾊图像进⾏去噪,没有延迟的限制,因为我想对图像进⾏降噪处理,使其尽可能接近真实值实况,即使它花费了
合理的时间
盲去噪是指在去噪过程中,⽤于去噪的基础是从有噪声的样本本⾝学习来的。换句话说,⽆论我们构建什么样的深度学习体系结构,都应该
学习图像中的噪声分布并去噪。所以和往常⼀样,这都取决于我们提供给深度学习模型的数据类型。
机器学习问题提法
⾸先,让我们考虑⼀下RGB图像的格式。
⼀个图像的3个颜⾊通道
任何RGB图像对于每个像素都有三个颜⾊通道——红、绿、蓝。
现在,每种颜⾊都由⼀个范围为0-255的8位数字表⽰。任何图像都可以⽤⼀个三维矩阵来表⽰。
对于⼀个有噪声的图像。
我们在前⾯的章节中看到,噪声是像素的随机变化。换句话说,图像中3个通道的⼀些像素数值被破坏了。为了恢复图像的原始形式,我们
需要纠正那些损坏的像素值。
我们可以把这看作是⼀个监督学习回归问题,在这个问题中我们预测被损坏像素的真实值[0-255范围内的数字]。
我将使⽤的损失是MSE(均⽅误差)。分数越低越好。
对于绩效评估,我会使⽤两个指标,分数越⾼越好
PSNR(PeakSignaltoNoiseRatio)峰值信噪⽐
SSIM(StructuralSimilarityIndexMeasure)结构相似性
数据来源
由于这是⼀个监督学习问题,我们需要⼀对有噪声的图像(x)和groundtruth图像(y)。
我从三个⽅⾯收集了这些数据。
SIDD-包含160对来[噪声-真值]图像
RENOIR-包含80对[嘈杂的-真值]图像
NIND-包含62对[噪声-真值]图像
探索性数据分析
元数据分析
我们可以看到,⼤部分照⽚是在iPhone7上被拍摄的,其次是三星S6和⾕歌Pixel。LGG4的照⽚数量最少。
数据集中总共使⽤了14个唯⼀的ISO级别设置。⼤多数照⽚都是在低ISO设置下点击的。最常⽤的ISO设置是100和800,然后是
1600,400和3200。曝光越⾼,图像就越亮,反之亦然。
⼤多数照⽚是在100快门速度下拍摄的,其次是400和800快门。快门速度越快,图像就越暗,反之亦然。
⼤多数照⽚是在普通亮度模式下点击的,其次是低亮度模式。三星S6在⾼亮度下只点击了2张照⽚。
我们可以看到每⼀部⼿机都有⾃⼰的图像分辨率。每⼀部⼿机都以相同的分辨率拍摄照⽚。
可以看出,⼤部分的平均像素值处于较低到中值(较暗到中亮度的图像)。只有少数是⾮常⾼的价值(明亮的图像)。你也可以看到在噪声图像
中的⼀些平均值与真实图像有差异。这种差异在较⾼像素值时更容易看到。
可以观察到,与原始图像相⽐,噪声图像具有像素强度的平滑分布。产⽣这样的原因是,每当图像中有噪点时,相机便⽆法捕获这些像素
的颜⾊信息(由于各种原因),因此,在这些像素中填充“⽆颜⾊”(⼤部分是通过相机软件填充⼀些随机值。由于这些随机值(噪
声),像素值变得平滑了。
传统图像去噪滤波器概述
传
您可能关注的文档
- 作物专用肥料配方设计与计算.pdf
- 你从未离去的歌词.pdf
- 你必须滚瓜烂熟的222个动词第二分词(2021年专四专八德福欧标必考).pdf
- 你真的了解“Z世代”这个群体吗?.pdf
- 使动词的被动语态.pdf
- 使用C语言实现“泛型”链表.pdf
- 使用PDF-XChangeEditor为PDF文件添加图章(仅图片).pdf
- 使用windographer处理测风数据.pdf
- 使用商品混凝土时的施工要点及应注意事项.pdf
- 使用测绘技术进行航道测量的步骤解析.pdf
- GB/T 29324-2024架空导线用碳纤维增强复合材料芯.pdf
- 《GB/T 29324-2024架空导线用碳纤维增强复合材料芯》.pdf
- GB/T 43905.1-2024焊接及相关工艺中烟尘和气体取样的实验室方法 第1部分:电弧焊中烟尘排放速率的测定和分析用烟尘的收集.pdf
- 《GB/T 43905.1-2024焊接及相关工艺中烟尘和气体取样的实验室方法 第1部分:电弧焊中烟尘排放速率的测定和分析用烟尘的收集》.pdf
- 中国国家标准 GB/T 43905.1-2024焊接及相关工艺中烟尘和气体取样的实验室方法 第1部分:电弧焊中烟尘排放速率的测定和分析用烟尘的收集.pdf
- 中国国家标准 GB/T 18910.21-2024液晶显示器件 第2-1部分:无源矩阵单色液晶显示模块 空白详细规范.pdf
- GB/T 18910.21-2024液晶显示器件 第2-1部分:无源矩阵单色液晶显示模块 空白详细规范.pdf
- 《GB/T 18910.21-2024液晶显示器件 第2-1部分:无源矩阵单色液晶显示模块 空白详细规范》.pdf
- GB/T 43860.1220-2024触摸和交互显示 第12-20部分:触摸显示测试方法 多点触摸性能.pdf
- 中国国家标准 GB/T 43860.1220-2024触摸和交互显示 第12-20部分:触摸显示测试方法 多点触摸性能.pdf
文档评论(0)