论文部分内容阅读
图像去噪和图像超分辨率重建是图像处理技术的重要基础之一,在国防军事、遥感导航、地图测绘等多个领域有重要的应用。图像去噪是减弱或消除图像中噪声的过程,是保证高质量图像数据的重要手段之一。传统的去噪技术主要是基于滤波器的操作,而由于噪声种类的复杂性和多样性,基于不同滤波器的处理方法在不同噪声的去噪任务中的性能有较大差距。图像高分辨率重建是指将低分辨率图像恢复成高分辨率图像的过程,传统的超分辨率重建主要是基于各种插值算法,但此类方法对不同场景的图片的重建效果差异较大。由于深度学习在图像处理方面的出色表现,利用深度学习的方法研究图像去噪和超分辨率重建具有有重大的意义和价值。然而,面向带噪声的低分辨率图像的独立去噪和超分辨率方法无法满足复杂的工业需求。处理混合图像噪声环境下的高效超分辨率中间仍然是该领域的开放问题,因此协同图像去噪和超分辨重建的研究具有重大挑战。本文研究图像的协同去噪和超分辨率重建问题,主要研究内容包括:(1)针对复杂的高斯白噪声、椒盐噪声和泊松噪声的混合模型,本文设计了一种深度神经网络模型去除混合噪声。在本模型中,基于残差网络设计的残差块结构拟合混合噪声的分布,在残差块中引入Inception结构减少模型的参数数量。在保证良好性能的情况下,本模型能有效减弱深度神经网络梯度消失等现象,减小训练难度和计算复杂度,去除混合噪声。(2)在超分辨率重建任务中,针对深度学习方法中复杂的神经网络结构和大规模的网络模型参数,本文设计了一种基于亚像素的神经网络结构。该结构在较少的参数个数和高尺度因子的条件下,依旧能获得较好的超分辨率重建效果。(3)本文研究图像的协同去噪和超分辨率重建,将其统一成统一的图像恢复过程。本文利用生成对抗网络将其统一成“端到端”的模型。模型利用生成对抗网络中的生成器协同完成图像去噪和超分辨率重建的工作,利用判别器来判别结果的真伪,从而简化图像去噪和超分辨率重建的步骤。同时,对比实验证明本模型具有良好的性能和泛化能力。