论文部分内容阅读
图像在采集、传输、存储等过程中容易受到各种噪声干扰,导致图像质量不同程度地下降,影响到后续图像分析处理任务的顺利进行。为此,需要对噪声图像进行必要的降噪处理。大多数图像降噪算法都是基于图像仅受服从正态分布的加性高斯白噪声(additional white Gaussian noise,AWGN)这一假设提出的。然而在实际成像系统中,退化图像除了会受高斯噪声干扰以外,也有可能同时被脉冲噪声(impulse noise,IN)或者泊松噪声(Poisson noise,PN)污染。现有的高斯-脉冲混合噪声(mixed Gaussian-impulse noise)降噪算法和泊松-高斯混合噪声(mixed Poisson-Gaussian noise)降噪算法多采用正则化技术实现,利用图像先验知识构建正则约束项,能够灵活处理不同类型和级别的噪声,但需要迭代求解目标函数的最优解,计算复杂度较高。近年来,具有强大非线性映射能力的深度卷积神经网络(deep convolutional neural network,DCNN)为图像降噪算法性能的进一步提高带来了新的契机。基于DCNN技术构建的降噪模型在降噪能力和执行效率两个方面的综合性能较传统的正则化方法具有显著优势。然而,DCNN降噪模型需要针对噪声级别已知的退化图像训练特定的降噪模型才能获得最佳的降噪效果,极大地限制了其实际应用范围。为了提高传统正则化方法的降噪性能和降噪卷积神经网络模型的灵活性,本文以深度卷积神经网络为核心技术,利用某种划分机制将训练图像集合中失真程度相近的图像划分到同一个子集,在各个图像子集上训练特定的降噪模型,快速灵活地实现混合噪声的盲降噪任务。针对被高斯-脉冲混合噪声污染的图像,本文提出了一种基于图像质量感知的降噪卷积神经网络(image quality-aware denoising convolutional neural network,IQANet)。具体地,依据大量噪声图像的峰值信噪比(peak signal-to-noise ratio,PSNR)的统计分布规律,构建了一个噪声混合模式分类字典(noise blend mode classification dictionary,NBMCD),并基于该字典将噪声图像划分为若干个类别。针对每一类别的噪声图像,训练其专用的DCNN降噪模型。为了提高IQANet算法的实用性,采用卷积神经网络技术设计了一个用于预测图像PSNR值的图像质量评估模型。那么对于给定的待降噪图像,依据图像质量评估模型的预测结果查找NBMCD字典,确定其所属类别,即可调用预先训练好的与之相匹配的专用降噪模型,快速且高质量地对其进行复原。对于受泊松-高斯混合噪声干扰的图像,则用其噪声水平函数(noise level function,NLF)衡量图像的失真程度,提出了一种基于图像噪声水平函数的降噪卷积神经网络(NLF-aware denoising convolutional neural network,NLFNet)。具体地,首先利用大量图像构建了一个图像信息库(image information database,ⅡD)。该库中包含了各级别的噪声图像、及其对应的原始无失真图像和NLF函数多项式系数等数据。然后对这些图像的NLF函数进行聚类分析,将IID信息库中的噪声图像划分为若干个子集。基于每个噪声图像子集及其对应的原始图像子集,训练了若干个专用DCNN降噪模型。给定一张待降噪图像,首先提取其同质图块,利用多个同质图块的统计特征对图像的噪声水平函数进行估计,然后根据噪声水平函数的多项式系数查询IID信息库,确定该噪声图像的所属类别,进而调用其专用DCNN降噪模型快速地完成图像盲复原任务。本文所提出的两个混合噪声降噪算法IQANet和NLFNet均在多个公开发表的图像数据集上展开了实验,并与多个主流的图像降噪算法进行了对比,从降噪效果和执行效率两个方面验证了算法的有效性。其中,算法的降噪效果是从主观的图像视觉效果和客观的图像质量评价指标(峰值信噪比(PSNR)、结构相似性(structural similarity,SSIM)和特征相似性(feature similarity,FSIM))两个角度进行综合评价的,执行效率则以复原一张噪声图像的平均执行时间作为评价指标。实验数据表明,与主流的高斯-脉冲混合噪声降噪算法相比,所提出的IQANet盲降噪算法在降噪效果方面的性能达到甚至超过了主流非盲降噪算法,执行效率则是对比算法的10倍以上。与传统的泊松-高斯混合噪声降噪算法相比,所提出的NLFNet算法在不同噪声级别下的降噪效果更优,执行效率更高。综上所述,所提出的IQANet算法和NLFNet算法在降噪效果和执行效率两方面的综合性能更佳,具有更好的实际应用价值。