基于CAN网络结合注意力机制的图像去噪分析研究.pdfVIP

公安信息化

基于CAN网络结合注意力机制的

*

图像去噪分析研究

贾波齐志坤姜圆12

1.中国刑事警察学院2.中国政法大学证据科学教育部重点实验室

摘要：在公安视频与图像侦查工作中，常涉及到各种含噪生物纹理图像。为降低图像在采集、传输和处理过程中所受噪声的

污染程度，同时尽可能保留图像原有的细节信息，基于增强神经网络卷积后各通道图像间的联系，利用CAN网络进

行双边算子逼近运算，在CAN网络中的最后一层Block引入通道注意力机制增强模块SEnet，对现有CAN网络模型进

行了改进。通过计算处理后图像的评价系数，分析对比了不同算法的去噪性能以及原有图像细节信息的保留能力。通

过与双边滤波算法和DnCNN网络的对比分析，改进后的SE-CAN网络能够有效去除图像噪声，对图像原有信息的保

留更具优势。

关键词：图像去噪CAN网络深度学习通道注意力机制质量评价

边滤波算子，通过逼近多尺度调映、局部降低雾化、增加细

引言节等方式实现图像的降噪处理。在现有的图像去噪处理方法

图像信号在获取、传输、处理和存储的过程中常会受到中，单一图像滤波器主要针对不同类型的含噪图像，对于成

各种因素的干扰，从而在图像信息源中产生颗粒噪声。随批量图像的处理效率较低，且在处理后多会降低图像分辨

着公安信息技术的快速发展，基于生物特征的身份信息识别率、损失图像细节。基于深度学习神经网络的图像去噪方

技术成为当前公安技术领域的研究热点。公安声像检验工法，不仅需要预先准备大批量的训练样本，且在对图像的去

作常涉及到对案件相关人员的指纹、人脸、掌纹和虹膜噪过程中容易产生过平滑现象而丢失特征。

图像等生物纹理图像信息的处理与检验（如图1所示），所针对上述问题，提出引入通道注意力机制（Sequeeze

以在保留图像纹理结构独特性的基础上，去除其中的各种噪andExcitationNet，SENet）与上下文聚合网络（Context

音颗粒点的相关研究变得尤为重要。AggregationNetwork，CAN）相结合的图像去噪方法。在

CAN网络中引入通道注意力机制模块，比较SENet在

CAN网络结构中，不同模块位置上对纹理图像进行处理

后，通过得到的峰值信噪比（PSNR）、结构相似性指标

（SSIM）和自然图像质量评价系数（NIQE），来分析相应

网络模型的性能。通过确定引入SENet的位置，可以得到新

(a）指纹(b)人脸

的网络模型结构SE-CAN。在小样本数据集进行训练和学习

后，对不同概率密度的含噪图像集进行处理，通过与基于

CNN的主流去噪卷积神经网络的处理效果进行比较得出，

该方法在去除图像噪声的过程中图像质量损失较少，可以更

(c)掌纹(d)虹膜