目录
前言
课题背景和意义
实现技术思路
实现效果图样例
前言
📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力 。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战 。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路 。
🚀对毕设有任何疑问都可以问学长哦!
选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277
大家好,这里是海浪学长毕设专题,本次分享的课题是
🎯基于深度学习的图像去噪方法研究
课题背景和意义
实现技术思路
一 、图像去噪概述
由于受到电子设备自身的限制和外界环境的影响 ，图像中常存在多种不同类型的噪声 ，如高斯噪声 、泊松噪声 、椒盐噪声和斑点噪声等[24] ，且不同类型噪声的频率和空间特性存在差异性 。高效的提取和精准的噪声水平估计是设计合理去噪网络结构的前提 。图像去噪的研究内容包括数据预处理 、特征提取和去噪三部分 。
二 、基于深度学习的图像去噪方法
1 、基于卷积神经网络的去噪方法
卷积神经网络（
CNN
）是深度学习的基础网络 ，通过不断优化网络结构提升特征表达能力 。如VGGNet
采用多个3×3
卷积核堆叠的方式扩大感受野 ，加快训练收敛速度；GoogLeNet
构建基于
Inception
的模块化网络 ，方便添加和修改网络结构 ，并使用平均池化代替全连接 ，在训练速度和网络性能上有很大提升 。
自监督学习去噪
目前 ，基于
CNN
的图像去噪方法主要包括自监督学习和监督学习 。如N2N
、N2V
、N2S
、S2S
以及VDN等去噪方法利用像素之间的独立性 ，以自监督训练方式寻找目标像素与输入像素之间的映射关系 ，从而实现去噪任务 。
N2V方法与传统自监督训练模型的网络对比图 ，其去噪过程可以用公式：
监督学习去噪
基于监督学习的图像去噪方法 ，如
DnCNN-B
、 FFDNet
和
CBDNet
利用高斯混合模型对多种不同噪声水平的样本图像进行训练 ，并在真实噪声图像上验证以上方法的去噪效果 。通常 ，用
x
=
y
-
R
(
y
)
表示恢复出的清晰图 ，
y
为输入的噪声图 ，
R
(
y
)
表示预测的噪声 ，其去噪方法使用的损失函数如公式：
2 、基于残差网络的去噪方法
CNN
中浅层网络可以获取像素级特征 ，深层网络获取的更多是语义特征 。语义信息在识别 、分类等任务中非常重要 ，但对去噪 、超分辨率等任务来说 ，浅层的像素级特征更为关键 。因此 ，为充分利用浅层特征信息 ，许多基于残差网络（ResNet）的去噪方法被设计出来 。去噪思想可以用以下公式描述：
f0 表示的是卷积层对输入噪声图像提取的初始特征 ，Me (·) 表示的是卷积层的特征提取操作 ，并进一步对残差分量上的特征进行学习 。
没有考虑到传感器设备自身在图像信号处理（Image Signal Processor
，
ISP
）过程对图像质量的影响 ， 但 RGB
图像与成像设备获取的原始
RAW
图之间始终存在偏差 ，导致噪声建模方式不够合理 、准确 。
因此 ，
设计循环镜像转换方法 CycleISP
，该方法包括两个分支：RGB2RAW
和
RAW2RGB 。
3 、基于生成对抗网络的去噪方法
在实际应用中 ，成对训练样本的获取是一项难题 。生成对抗网络（GAN
）因其具有很强的学习能力 ，通过对抗学习训练策略 ，可以得到逼真的噪声
图 ，在一定程度上缓解了成对训练样本不足的问题 。生成对抗网络在训练过程中需要计算生成器
(
G
)
和鉴别器
(
D
) 两部分损失 ，目标函数如公式：
4 、 基于图神经网络的去噪方法
图神经网络（
GNN
）适合处理非结构化或比较复杂的数据 。
利用卷积算子设计基于图形卷积（GCN
）
的去噪方法GCDN ，该方法通过引入边缘注
意力机制（Edge Attention
）减少边缘信息的丢失 ，并采用 3×3
、5×5 和
7×7
大小的滤波器进行多尺度分层提取特征 ，提高对特征信息的利用率 。
GCN的网络化拓扑结构对密集噪声分布具有很好的拟合效果 ，但因其拓扑结构复杂 、节点顺序动态变化 ，导致训练结果不稳定 ，且当数据类型单一时 ，容易过拟合 。近年来 ，在 CNN 、ResNet 和 GAN 网络的基础上一系列结合多尺度特征融合 、迁移学习和双任务的改进方法不断涌现 。
1）结合多尺度特征融合的去噪方法多尺度融合的方式多种多样 ，通过求解分数最优控制问题（FOC）和对分数阶微分方程（FODE） 进行显式离散化构造 ，增强网络在前向传播和反向传播的过程中的长期记忆力 。
2）双任务图像去噪方法
图像去噪需要平衡两个互斥的目标 ，即去除噪声和保留真实细节 。
其中 GAN 用于去除噪声 ，
CNN用于恢复原始图像细节 ，且两个子网交替训练 ，通过自适应调节参数保留更多细节并去除噪声 。
迁移学习去噪方法不仅能以更快的速度收敛并获得良好去噪性能 ，还可以通过自适应调整参数方式节省大量内存 。
数据集
1 、训练数据集
目前 ，真实图像数据集的获取方式主要分为三种：
（1）在现有图像数据集中选择高质量的清晰图像 ，对其处理合成噪声图像；（2）针对同一场景 ，拍摄低 ISO
作为清晰图 ，拍摄高 ISO
作为对应噪声图；（3）对同一场景连续拍摄多次 ，经过加权平均合成噪声图像对应的Ground Truth 图像 。常用的真实图像数据集主要有RENOIR 、
DND
、
SSID
和
PolyU
。
2 、测试数据集
图像去噪领域常用的测试集主要分为灰度图像和彩色图像两大类 。
3 、评价指标
去噪方法的性能评价常从
PSNR
和
SSIM
两方面进行定量分析评估
。 （1）PSNR
（
Peak Signal-to-Noise Ratio
）：即峰值信噪比 ，是最普遍 、最广泛使用的一种评价经过压缩或处理后的图像与原始图像相比质量好坏的标准 。PSNR值越高 ，处理后的图像失真越小 ，质量越高 。计算公式为：
Max
2
I
为图像
I
可能的最大像素值 ，根据其二进制的位数
B
，将
Max
2
I
表示为
(2
B
- 1)
2
。
（2）SSIM
（
Structural Similarity
）：即结构相似性 。实现了从感知误差的度量到感知结构失真的度量 ，直接估计原始图像和处理后图像中信号结构的改变 。表达式为：
μ
x
是
x
的均值 ，
μ
y
是
y
的均值 ，
σ
x
2
是
x
的方差 ，
σ
y
2
是
y
的方差 ，
σ
xy
是
x
和
y
的协方差 ，而
c
1
和
c
2
是维持稳定的常数 。
实现效果图样例
选取一些经典去噪方法进行对比实验 ，实验分为两部分：对合成噪声的去噪和对真实噪声的去噪 。
1）对合成噪声的去噪
当噪声水平为 15
和
25
时 ，
DnCNN
方法去噪结果最好 ，相比 IRCNN 去噪方法其
PSNR
值提升了
6.1 dB
。但当噪声水平为 45
和
50
时 ，去噪结果最好的方法是
FFDNet
。FFDNet在
Set12
和
Kodak24数据集上 ，同样展现了对噪声水平较高图像良好的适应性 。4种方法的去噪结果（PSNR和 SSIM）随噪声水平提高的变化曲线 。
去噪效果对比图：
2）对真实噪声的去噪
真实噪声分布比高斯噪声更复杂 ，图中可以看到 DnCNN 、Fdncnn 、FFDNet 和 IRCNN 方法去噪效果对比图来看 ，去噪后的图像仍存在大量噪声 。所以 ，通过对多种噪声水平的含噪图像训练样本进行训练得到的去噪模型 ，并未在真实图像去噪实验中取得很好的效果 。
我是海浪学长,创作不易,欢迎点赞 、关注 、收藏 、留言 。
毕设帮助 ，疑难解答 ，欢迎打扰！
最后
声明：本站所有文章 ，如无特殊说明或标注 ，均为本站原创发布 。任何个人或组织 ，在未征得本站同意时 ，禁止复制 、盗用 、采集 、发布本站内容到任何网站 、书籍等各类媒体平台 。如若本站内容侵犯了原著者的合法权益 ，可联系我们进行处理 。
