登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 电子信息类 > 电子信息工程 > 正文

基于残差学习与卷积神经网络的图像去噪方法研究开题报告

 2022-01-18 22:07:06  

全文总字数:3838字

1. 研究目的与意义及国内外研究现状

数字图像在获取、传输等过程中不可避免地会受到噪声的影响,降低图像质量,于是,为了抑制噪声,改善图像质量,对图像进行去噪成为图像处理的关键步骤之一。

目前的图像去噪算法种类繁多,在传统的图像去噪算法中,nlm、bm3d是效果较为优秀的,但是nlm无法有效地保存图像的结构信息,bm3d主要通过协同过滤得到不同的权值加权平均,完成基础去噪,然后未保存更高层次的图像细节和边缘,进行二次去噪,得到更理想的图像,所以在传统去噪方法中,bm3d不仅有突出的psnr和ssim,而且视觉效果较好。同时,随着深度学习的发展,国内外很多学者利用卷积神经网络cnn完成图像去噪,其中mlp算法去噪性能已优于bm3d算法,除此以外,神经网络层数越深,到达的维度就会变高,特征提取就越复杂,去噪效果也会越好,但同时,网络越深其训练难度越大,准确率会先上升然后达到饱和,再持续增加深度则会导致准确率下降,也会出现过拟合或者梯度消失等问题。而残差网络采用shortcut connection结构,利用多条旁路的支线将输入直接连到后面的层,使后面的层直接学习残差,避免信息在传递的工程中的丢失与损耗,网络只需要对输入和输出差别的那部分,简化学习难度,提高学习效率。

本课题主要研究针对去噪算法领域中效果较好的bm3d算法,分别利用残差迭代和卷积神经网络,结合各自的优点进行去噪处理。

国内外研究现状

2006年,多伦多大学教授hinton在期刊《科学》上发表的一篇有关深度学习的论文,引发了深度神经网络研究领域的发展热潮。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容

本课题主要研究针对去噪算法领域中效果较好的BM3D算法,分别利用残差迭代和卷积神经网络,结合各自的优点进行去噪处理,并与传统方案进行比较总结。

3. 实施方案、进度安排及预期效果

一、实施方案:

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献

[1] 孙伟峰, 戴永寿. 采用多级残差滤波的非局部均值图像去噪方法[j]. 电子与信息学报, 2016, 38(8):1999-2006.

[2] 黄牧, 黄文清, 李俊柏, et al. 基于bm3d图像去噪算法的参数研究[j]. 工业控制计算机,2014(10):99-101.

[3]邓正林.基于深度学习的图像去噪算法研究[d].电子科技大学,2018

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

微信号:bysjorg

Copyright © 2010-2022 毕业论文网 站点地图