劉群

摘要：圖像去噪在計算機視覺領(lǐng)域仍然是一個活躍且具有挑戰(zhàn)性的研究內(nèi)容，同時也在視頻感知與智能分析、遙感成像和航天圖像分析等多個高新技術(shù)產(chǎn)業(yè)中有著廣泛的應(yīng)用。在眾多去噪方法中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）憑借其強大的特征學(xué)習(xí)能力在圖像去噪研究領(lǐng)域中取得巨大突破。然而，基于CNN的圖像去噪技術(shù)仍存在以下兩個至關(guān)重要的問題有待解決：第一，去噪的本質(zhì)是在去除噪聲的同時盡可能完整地保留圖像本身的信息，但目前去噪后圖像仍會不可避免地丟失圖像細(xì)節(jié)信息;第二，基于CNN的圖像去噪技術(shù)在加性高斯白噪聲（Additive Gaussian White Noise，AWGN）圖像上表現(xiàn)突出，但在真實噪聲圖像上表現(xiàn)不佳，甚至還不如傳統(tǒng)方法。對此，本文針對卷積神經(jīng)網(wǎng)絡(luò)下的圖像去噪技術(shù)進行了研究梳理。

關(guān)鍵詞：圖像去噪技術(shù);計算機視覺領(lǐng)域;卷積神經(jīng)網(wǎng)絡(luò);圖像信息

中圖分類號：TP391.41;TP183文獻標(biāo)識碼：A文章編號：1672-9129（2020）14-0039-01

1基于圖像先驗知識的去噪方法研究

圖像去噪通過對圖像數(shù)據(jù)本身的重建以起到去噪的作用，其中圖像數(shù)據(jù)本身的特性即圖像先驗知識。若能夠很好地利用自然圖像的先驗信息，就可以從退化的圖像上恢復(fù)原始圖像，因此基于圖像先驗知識的去噪方法的性能主要取決于研究者對圖像先驗知識的設(shè)計和使用。圖像先驗知識主要包括圖像的分段光滑特性、稀疏性和非局部自相似性（Non-local Self-Similar，NLSS）。圖像的分段光滑特性是最直觀的先驗知識，即“優(yōu)良”圖像中鄰近像素是相關(guān)的。A.N.等人提出基于此先驗的正則性約束Tikhonov正則，Tikhonov正則將圖像中各個像素點梯度模平方的累積作為描述圖像光滑性的測度，強調(diào)對大梯度的懲罰，然而圖像本身是以存在突變?yōu)槠涔逃刑卣?，那些本?yīng)具有大梯度的邊緣、細(xì)節(jié)等特征由此被“無辜傷及”，因此產(chǎn)生了過分光滑的圖像去噪結(jié)果。Rudin等人提出全變分（TotalVariation，TV）正則，該正則彌補了Tikhonov正則的不足，將梯度模平方的累積替換為梯度模的累積，在一定程度上保留了邊緣特征，但對于圖像中紋理結(jié)構(gòu)和快速震蕩成分的保持仍然存在不足。為了解決上述的問題，許多學(xué)者利用灰度變換和直方圖均衡兩種技術(shù)來增強圖像的對比度;運用梯度算子、拉普拉斯算子以及反銳化掩模法等技術(shù)來提高邊緣細(xì)節(jié)信息，這些方法雖然在一定程度上獲得了很好的去噪效果，但是也容易使圖像邊緣紋理結(jié)構(gòu)產(chǎn)生欠增強或過增強的現(xiàn)象。

2基于卷積神經(jīng)網(wǎng)絡(luò)的去噪方法研究

CNN在2008年被首次應(yīng)用于圖像去噪，并憑借其突出的特征表征能力在圖像去噪上取得了非常顯著的成果。與基于圖像先驗知識的去噪方法不同，神經(jīng)網(wǎng)絡(luò)模型避免了其在學(xué)習(xí)和推斷過程中的復(fù)雜計算。CNN自動提取特征的性質(zhì)對減少圖像應(yīng)用中的計算成本非常重要，因此被廣泛應(yīng)用于圖像去噪。由于真實噪聲圖像不多，AWGN圖像被廣泛用于去噪模型的訓(xùn)練。為適應(yīng)不同水平的噪聲，Cha等人網(wǎng)提出了一種全卷積自適應(yīng)圖像去噪網(wǎng)絡(luò)。該網(wǎng)絡(luò)使用一種基于上下文的像素化映射的方法可在一定程度上保留圖像細(xì)節(jié)信息，但容易出現(xiàn)偽影現(xiàn)象。Chen等人基于生成對抗網(wǎng)絡(luò)（Generative adversarial networks，GAN）提出了一種盲去噪模型。該模型分為三個部分：噪聲提取、噪聲生成和用于區(qū)分噪聲圖像和去噪后的圖像的對抗網(wǎng)絡(luò)。這個模型可克服偽影現(xiàn)象，但它容易生成錯誤的圖像細(xì)節(jié)信息。Wang等人提出一種基于殘差學(xué)習(xí)的深層圖像去噪算法。然而，較深的網(wǎng)絡(luò)雖擁有較大的感受野區(qū)域，但特征傳播更困難。為了加強網(wǎng)絡(luò)頂層特征的圖像細(xì)節(jié)表征能力，Mao等人提出了深度卷積編碼——解碼去噪網(wǎng)絡(luò)。該網(wǎng)絡(luò)在卷積層和反卷積層之間設(shè)計跳線連接結(jié)構(gòu)。此結(jié)構(gòu)提高了頂層到底層的梯度傳播效率，但網(wǎng)絡(luò)較深，不容易收斂。為了同時克服感受野與深層網(wǎng)絡(luò)之間的矛盾，2017年，Zhang等人采用擴張卷積來學(xué)習(xí)殘差圖像并提出IRCNN模型。進一步地，為了讓一個模型能處理多個低級任務(wù)，zhang等人提出一個由卷積層、批次歸一化層（Batch normalization，BN）、線性激活單元（Rectified Linear Unit，ReLU）和殘差學(xué)習(xí)組成的去噪網(wǎng)絡(luò)DnCNN。考慮到去噪性能與去噪速度的關(guān)系，Lefkimmiatis等人將NLSS和CNN相結(jié)合提出的彩色非局部網(wǎng)絡(luò)（Colornon-localnetwork，CNLNet）可有效地去除彩色圖像噪聲。殘差學(xué)習(xí)在圖像去噪中具有突出表現(xiàn)，但稍顯遺憾的是，噪聲不可能被充分的學(xué)習(xí)，因此所學(xué)習(xí)到的殘差圖中不僅包含噪聲，其中包含圖像細(xì)節(jié)信息，從而不可避免的導(dǎo)致圖像細(xì)節(jié)信息的丟失。

3結(jié)語

綜上所述，視覺是人類獲取外界信息進行認(rèn)知反應(yīng)的重要途徑，人類有70%的信息是通過視覺感知獲得，而視覺獲取信息的豐富程度依賴于作為信息載體的圖像的質(zhì)量。日益發(fā)展的科技使人們越來越容易獲得更多且豐富的圖像，為了從這些巨大的信息源中獲取更精確的認(rèn)知反應(yīng)，人們對圖像去噪的需求也越來越迫切。

參考文獻：

[1]呂永標(biāo)，趙建偉，曹飛龍.基于復(fù)合卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪算法[J].模式識別與人工智能，2017（02）：97-105.

[2]錢滿，張向陽，李仁昌.改進卷積神經(jīng)網(wǎng)絡(luò)SAR圖像去噪算法[J].計算機工程與應(yīng)用，2020，56（14）：176-182.