藏文文献版面分析中去噪方法研究.docxVIP

?

?

藏文文献版面分析中去噪方法研究

?

?

管美静珠杰吴燕如

摘要：针对藏文文献版面的特征，本文结合藏字结构的特征，提出一种基于卷积神经网络的DnCNN藏文文献版面去噪算法。该方法采用17层网络结构深度学习版面特征，在训练过程中结合批量标准化和ReLU激活函数提高训练速度和特征的学习精度，最后使用残差学习输出残差图像。实验结果表明，针对藏文文献版面中易出现的噪声有良好的去噪表现，不但有较高的峰值信噪比，而且在主观评价方面也有不错的评价。

关键词：图像去噪;卷积神经网络;残差学习;藏文文献版面

：TP18：A

：1009-3044（2020）29-0196-03

随着现代科技的发展和电子数码产品的普及，图像在人们生产和生活中的应用越来越普及[1]。但是，由于物理或人为等因素，可能会导致图像在采集和传输过程中受到不同程度噪声的干扰[2]。因此，图像去噪是图像研究领域极其重要的一步。

1研究基礎

现如今图像去噪的研究发展已经较为成熟，以神经网络的普及为分界点，图像去噪方法可以分为传统的去噪方法和基于神经网络的去噪方法。传统去噪方法主要可以分为基于空间域的去噪方法和基于变换域的去噪方法[3]，其中，基于空间域的去噪方法常见的有均值滤波和中值滤波，基于变换域的去噪方法常见的有傅里叶变换和小波变换等去噪方法[4]。但是传统的去噪方法如K-SVD去噪方法、BM3D去噪算法通常会有去噪后图像整体模糊、计算量较大等问题[5]。基于神经网络的去噪方法常常结合深度学习，例如Jain[6]等提出一种卷积神经网络的去噪模型，该模型相比传统的去噪方法在计算量和去噪效果上都有较好的表现;KaiZhang[7]等人提出了一种基于残差学习的深层卷积神经网络图像去噪方法，该方法通过使用卷积神经网络结构，并结合批量标准化和激活函数，使用残差学习的方法实现图像去噪，该方法不仅计算速度快，而且去噪效果较好;此后，ChenH[8]等提出了一种用于低剂量CT图像去噪的浅层残差编解码递归网络，网络结构为REDNet（ResidualEncoder-Decod-erNetwork），使用基于对称跳跃链接的深度卷积编码解码框架，在递归过程中，每一次都使用上一级处理过的低剂量CT图像作为下一层网络的输入，该方法在去噪的同时能较好地保留图像细节特征，但是网络结构较为简单;TaiY[9]等提出一种延长记忆的去噪模型，主要思想也是基于卷积核迭代实现去噪，不同的是各个模块都参与了最终输出，主要通过使用门控机制建立长期记忆，该模型最大的特点是网络结构深度有80层，网络结构密集使得特征信息在各记忆单元之间的流动更加灵活。

以上去噪方法在图像去噪领域都有较好的去噪效果，但主要是应用在自然图像或者医学图像等图像处理上。对于在藏文文献版面方面的去噪还未有人涉及。由于藏文适用范围较小和藏字结构的复杂性，藏文版面较中文、英文或其他普通图像各方面的研究较少。本文研究了藏文版面的特征，提出了DnCNN模型的藏文文献版面去噪方法。实验中首先对原始藏文版面添加不同程度的椒盐噪声，构造仿真噪声图像;然后将图像输入网络，使用卷积神经网络并结合批量标准化和ReLU激活函数，学习藏文版面结构特征;最后整合残差学习实现去噪。实验结果表明，该算法在藏文文献版面有较好的去噪效果。

2图像预处理

2.1灰度化

目前大多数图像通常是RGB三通道的彩色图像，为了降低计算量，本实验在对藏文版面加噪之前，首先对其进行灰度化。本文采用处理效果较好的加权平均法，得到藏文文献版面灰度图像：

Gray（i，j）=0.30R（i，j）+0.59G（i，j）+0.11B（i，j）

2.2藏文版面特征

现代藏文版面已趋于标准化，印刷物的版面形状主要呈长条式，常见的版面主要有报纸期刊、装订书等。宏观上格式统一，如页面布局清晰、模块之间独立等;微观上藏字与藏字之间有固定的字号和行间距，且现代保存手段较为完善，一般版面很少含有噪声。但是在版面的采集或传输过程中不可避免可能会混入或多或少的噪声，并且在藏文文献书写中，除了藏字自身结构的复杂性外，藏字的音节点在处理过程中跟噪声颗粒尤其与椒盐噪声类似，极易混淆，也在一定程度上增加了去噪难度。

2.3加噪过程

结合藏文版面文字特征，主要使用椒盐噪声作为藏文文献版面的仿真噪声，构造一种由含噪声图像到去噪图像的非线性映射，映射过程如式（1）描述，其中g（x，y）为加噪后的图像，f（x，y）为原始图像，N（x，y）为噪声。

g（x，y）=f（x，y）+N（x，y）（1）

实验通过对相同的干净藏文版面添加不同强度的噪声，将加噪后的图像输入模型实行去噪处理，最后对去噪后图像进行评估，分析模型的去噪效果。

3藏文版面去噪算法

3.1网络结构构建

本文主要针对藏文版面方面噪声特