卷积运算对彩色图像质量的影响
2021-08-24崔明珠范丽亚
崔明珠, 范丽亚
(聊城大学 数学科学学院, 山东 聊城 252059)
0 引言
采集传输图像过程中受传感器和传输介质的影响, 图像会受到多种噪声的污染, 因此降噪是图像处理中一个重要的环节。 有关图像降噪的方法有许多, 如: 图像稀疏降噪法[1,2], 基于梯度特征降噪法[3,4],K均值聚类降噪法[5], 基于PDEs的图像特征提取[6-9]等。随着深度学习[10]技术的不断提高, 将深度学习理论应用于图像处理, 在降噪方面比传统方法更具优势[11]。另一方面, 图像加噪的方法也有很多。若按噪声与图像信号的关系, 可分为加性噪声(与信号强度无关)和乘性噪声(与信号强度有关); 若按噪声类型[12], 有高斯噪声(服从高斯分布)、泊松噪声(服从泊松分布)、椒盐噪声[13]等。椒盐噪声是通过随机改变一些像素值而产生噪声。
基于传统方法与深度学习结合, 2017年, Khaw, H等人[14]将主成分分析(Principal Components Analysis, PCA[11])应用到卷积神经网络(Convolutional Neural Network, CNN)中进行图像降噪分析, 该方法先利用卷积提取图像特征, 再利用PCA对图像特征进行降维, 最后利用卷积重新得到“干净”图像; Hsu, C等人[15]将联合聚类和表示学习与CNN结合应用于图像降噪, 从多个维度提取有用信息。同年, 基于深度学习和残差学习, Zhang, K等人[16]将更深层网络、残差学习、正则化与批量归一化应用于前馈CNN, 以期提升图像降噪性能。2018年, Hernrich, M P等人[17]提出了用于CT图像降噪的多层CNN结构。2019年, Peng Y等人[18]提出了将扩张卷积应用于残差网络, 提高了训练的学习效率且网络层数和参数比之前更少, 在降噪速度和精度上都有所提升。
无……