使用深度学习进行图像去噪.pdf

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