论文部分内容阅读
近几年,随着互联网的普及,数据量的迅速增长,以及GPU等硬件性能的极大提高,“神经网络”、“深度学习”等词汇常回绕耳边。自从一种深层结构的神经网络被Hinton提出后,人工神经网络越来越受关注,并迅速刮起一股浪潮。神经网络成功地运用到了不同领域之中,其中包括图像和语音识别、自动驾驶技术、医疗投影及诊断等。特别是图像识别和自然语言处理,已经取得了令人瞩目的成绩。深度学习技术基于神经网络模型,由于其超强的非线性拟合能力以及拥有使得机器可以模拟人类视听行为的能力,在一些地方甚至突破了目前人类智力的上限。其中最让我们熟悉的应该就是2016年AlphaGo利用深度学习技术击败围棋职业九段棋手李世石这件事。在图像识别这个应用领域,深度学习技术已然取得成功。同样,随着深度学习技术的不断发展,在图像处理领域也取得了突出的表现。但某些方面依然有不足之处,需要不断完善和提高。本文工作就是基于深度学习技术进行的图像去噪相关研究,在现实生活中,因为设备和系统等的不完善,图像往往会受到噪声污染而变得模糊不清。为了使模糊不清的噪声图像变得干净清晰且图像细节明显,本文利用神经网络对图像统计特性良好的学习能力实现图像去噪。主要以卷积神经网络(CNN)算法为基础,重点研究了激活函数对网络优化的影响,在深度网络中利用多特征提取技术去学习输入图像更加丰富的特征,以及如何更好地利用自适应算法对卷积神经网络的反向传播进行优化,加快模型的训练速度以及提高算法的收敛性,并结合批标准化和残差学习技术,基于卷积网络的深度残差学习图像去噪模型设计出了降噪性能更好的图像去噪网络模型。最后,与现有其它优秀去噪算法进行比较。从对比结果可以看出本文改进的去噪算法在不丢失清晰度的情况下,去噪图像的细节恢复也有一定提高。并且在不同的噪声标准差下都比其他优秀的去噪算法有更好的峰值信噪比(PSNR)。证明本文改进的卷积神经网络降噪模型是非常具有竞争力的。