Print

一种改进的深度卷积神经网络图像去噪算法

论文摘要

为了更好地去除图像中的噪声,提出了一种改进的深度卷积神经网络(Dncnn)图像去噪算法。针对现有的Dncnn网络参数量大,对Dncnn网络的第2～16层进行了改进,使网络参数量降低1/3后,仍能保持和Dncnn一样的训练效果。在此基础上,对网络底层的低级语义信息和高层的高级语义信息进行了特征融合,使得网络训练更平稳,并能达到更好的训练效果。实验结果表明无论与图像去噪领域公认最好的去噪算法BM3D相比,还是与深度学习领域先进的图像去噪算法Dncnn相比,改进的Dncnn都有更好的表现。

论文目录

  • 1 Dncnn算法
  • 2 改进Dncnn算法
  •   2.1 Unit block单元块改进（改进一）
  •   2.2 Dncnn增加特征融合的改进（改进二）
  •   2.3 时间复杂度和空间复杂度分析
  •     2.3.1 时间复杂度
  •     2.3.2 空间复杂度
  •   2.4 损失函数及训练方法
  • 3 实验结果与分析
  •   3.1 数据处理及实验平台
  •   3.2 改进的Unit block结构对去噪性能的影响
  •   3.3 特征融合对去噪性能的影响
  •   3.4 与其他方法对比
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 白瑞君,李众,张启尧,刘方涛

    关键词: 图像去噪,网络参数,低级语义信息,高级语义信息,特征融合

    来源: 科学技术与工程 2019年36期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 计算机软件及计算机应用,自动化技术

    单位: 中北大学软件学院

    分类号: TP391.41;TP183

    页码: 247-252

    总页数: 6

    文件大小: 2385K

    下载量: 489

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/b670de33adba998dbda0995c.html