论文部分内容阅读
迄今为止,大部分随机脉冲噪声(random-valued impulse noise,RVIN)图像降噪算法的性能严重受限于能否准确地检测待降噪图像的噪声像素点。因此,研究能够快速准确地检测出给定噪声图像中噪声像素点的检测算法具有很好的理论意义和实用价值。噪声检测算法作为基于开关型RVIN降噪算法的预处理模块,检测准确性和执行效率是评价其性能好坏的两个重要指标。现主流的RVIN降噪算法大部分都采用噪声检测和降噪串行迭代执行的工作方式来逐像素点(噪声点)完成有差别的降噪任务的策略,算法执行效率较低。此外,利用人工提取的图像局部统计值(local image statistic,LIS)与预设阈值进行比较实现噪声像素点的逐点检测算法,准确性仍有待提高。因此,鉴于RVIN降噪算法存在检测准确率不高和执行效率低的问题,本文提出了 2种快速的RVIN检测算法:1)一种基于深度置信网络(deep belief network,DBN)的RVIN快速检测算法(DBN-based of RVIN detection,DBNRD)。该算法从构建描述能力更为强大的统计特征值和提高预测模型映射能力两个方面入手。一方面,提取多个不同阶的对数绝对差值排序统计值(the rank ordered logarithmic absolute deviation,ROLD)并结合一个能够反映图像边缘特性(edge feature,EF)的统计值作为刻画图块中心像素点是否为噪声的特征矢量。在计算量增加较少的情况下,显著提升了特征矢量的描述能力。另一方面,基于DBN训练RVIN预测模型(RVIN检测器)将特征矢量映射为噪声类型标签,实现了更为准确的检测。模型一旦训练完成,即可一步到位的完成噪声检测,具有很好的实用价值。2)一种基于卷积神经网络(convolutional neural network,CNN)的 RVIN 快速检测算法(CNN-based of RVIN detection,CNNRD)。鉴于 DBNRD 依然是基于人工设计的特征值进行检测的传统算法,有人工提取特征的过程。因此,本文采用具有强大的、自动的特征提取功能的CNN基于图块级训练噪声检测器用于RVIN噪声的检测。该算法无需使用像ROAD和ROLD这种人工设计的统计值作为检测模型的输入,而是直接使用原生图块数据(raw patches)作为预测模型的输入,让CNN自动的提取相关描述噪声点的特征。另外,为了简化网络结构和提高执行效率,对训练的图块做适当的处理。先把图块的中心像素点和其邻域像素点的亮度值做差值,用得出的差值进行升序排序,最后将排序后的集合重新组合成一个新的图块作为网络最终的输入。CNNRD算法避免了人工设计LIS统计值及阈值的局限性和复杂性。此外,基于CNN网络训练的模型极大地提高了算法的执行效率,在GPU加速的条件下尤为明显。为了配合DBNRD和CNNRD检测算法快速有效的完成后续的降噪任务,本文提出了 一种基于深度CNN网络的快速RVIN降噪算法(deep CNN-based RVIN denoising algorithm,DCNNRDA)。现有的开关型RVIN降噪算法主要依据内置噪声检测器检测结果逐像素点地复原被RVIN干扰的像素点,该类降噪方法存在执行效率低的问题。而基于深度学习直接在大量数据上训练得到端到端(end to end)的降噪模型,表现出了比现有降噪算法有更高的执行效率。然而,这类降噪算法存在数据依赖问题,当输入噪声图像受噪声干扰的严重程度与训练降噪模型所用图像集合所受到干扰程度差异较大时,降噪模型的降噪性能会有不同程度的下降。为解决基于数据驱动的降噪算法存在的数据依赖问题,本文用噪声点个数与图像像素点总数的比值(即噪声比例值,noise ratio)作为衡量图像受RVIN噪声干扰严重程度的量化指标。因此,本文提出了一种由RVIN噪声检测和降噪模型两个模块构成的非开关型RVIN快速降噪算法。具体地,在训练阶段:首先将整个噪声比例范围(0%-60%)划分为若干个子范围。在每一个子范围内,训练专用于此范围的降噪模型。测试阶段:对于任意给定的噪声图像,先用DBNRD或CNNRD噪声检测器检测图像中各个像素点是否为噪声,并将检测为噪声像素点的个数除以图像像素点总数转化为噪声比例来度量图像受噪声干扰的严重程度。最后,根据图像噪声比例自适应地调用预先针对特定噪声比例范围训练的专用DCNNRDA降噪模型完成降噪任务。其中,DCNNRDA降噪模型端到端的完成降噪,这使得它的执行效率较经典RVIN降噪算法有显著的提高,而深度的CNN网络结构又保证了降噪效果。为了验证DBNRD和CNNRD 2个RVIN检测算法结合DCNNRDA降噪算法的性能,在常用图像集、BSD和Waterloo数据库上将所提出的算法与典型的降噪算法分别在检测准确性、执行效率和降噪效果3方面进行对比。大量实验数据表明:与主流的RVIN检测器相比,所提出的算法在检测准确率和执行效率方面有更优的综合性能。另外,将得到的检测结果转化成噪声比例调用相应预先训练好的DCNNRDA模型进行降噪,最终的降噪效果也具有显著的优势。