期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型 被引量：1
1
作者 徐少平 林珍玉 +2 位作者 崔燕 刘蕊蕊 杨晓辉 《电子与信息学报》 EI CSCD 北大核心 2020年第10期2541-2548,共8页
为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感... 为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。 展开更多
关键词 图像处理 随机脉冲噪声 双通道降噪卷积神经网络 参考图像 噪声感知特征 噪声检测 插值
下载PDF
两阶段多层感知的随机脉冲噪声比例预测 被引量：2
2
作者 于海雯 易昕炜 +2 位作者 徐少平 张贵珍 刘婷云 《中国图象图形学报》 CSCD 北大核心 2019年第7期1042-1054,共13页
目的基于卷积神经网络(CNN)在图块级上实现的随机脉冲噪声(RVIN)降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度(噪声比例值)进行准确估计。为此,提出一种基于多... 目的基于卷积神经网络(CNN)在图块级上实现的随机脉冲噪声(RVIN)降噪算法在执行效率方面较经典的逐像素点开关型降噪算法有显著优势,但降噪效果如何取决于能否对降噪图像受噪声干扰程度(噪声比例值)进行准确估计。为此,提出一种基于多层感知网络的两阶段噪声比例预测算法,达到自适应调用CNN预训练降噪模型获得最佳去噪效果的目的。方法首先,对大量无噪声图像添加不同噪声比例的RVIN噪声构成噪声图像集合;其次,基于视觉码本(visualcodebook)采用软分配(soft-assignment)编码法提取并筛选若干能反映噪声图像受随机脉冲噪声干扰程度的特征值构成特征矢量;再次,将从噪声图像上提取的特征矢量及对应的噪声比例分别作为多层感知网络的输入和输出训练噪声比例预测模型,实现从特征矢量到噪声比例值的映射(预测);最后,采用粗精相结合的两阶段实现策略进一步提高RVIN噪声比例的预测准确性。结果针对不同RVIN噪声比例的失真图像,从预测准确性、实际降噪效果和执行效率3个方面验证提出算法的性能和实用性。实验数据表明,本文算法在大多数噪声比例下的预测误差小于2%,降噪效果(PSNR指标)较其他主流降噪算法高24dB,处理一幅大小为512×512像素的图像仅需3s左右。结论本文提出的RVIN噪声比例预测算法在各个噪声比例下具有鲁棒的预测准确性,在降噪效果和执行效率两个方面较经典的开关型RVIN降噪算法有显著提升,更具实用价值。 展开更多
关键词 降噪 随机脉冲噪声 噪声比例预测 噪声比例感知特征 多层感知网络 计算效率
原文传递
基于CNN噪声分离模型的噪声水平估计算法 被引量：2
3
作者 徐少平 刘婷云 +2 位作者 李崇禧 唐祎玲 胡凌燕 《计算机研究与发展》 EI CSCD 北大核心 2019年第5期1060-1070,共11页
现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了... 现有的噪声水平估计(noise level estimation, NLE)算法通常采取先将图像内容信号与噪声信号分离,然后基于分离出的噪声信号估计出图像噪声水平值的实现策略.由于仅有噪声图像本身的信息可以利用,这些算法为保证噪声分离的准确性设计了各种复杂的处理过程,导致其执行效率偏低.为此,提出一种新的基于卷积神经网络噪声分离模型的NLE算法.首先,对大量原始无失真图像施加不同噪声水平的高斯噪声获得噪声图像集合,然后利用卷积神经网络构建一个专门从噪声图像中分离噪声信号获得噪声映射图(noise mapping)的预测模型.考虑到噪声映射图的系数值具有类高斯分布特性,利用广义高斯分布(generalized Gaussian distribution, GGD)模型对噪声映射图建模并以模型参数值作为反映图像噪声水平高低的特征值.最后,利用改进的BP神经网络将该特征值映射为最终的噪声水平预测值.大量实验数据表明:所提出的NLE算法在预测准确度和执行效率2个方面的综合性能优于现有的NLE算法,更具实用价值. 展开更多
关键词 噪声水平估计 噪声分离 卷积神经网络 广义高斯模型 噪声水平感知特征 噪声水平值映射
下载PDF
基于多图像先验知识的噪声水平评估算法 被引量：2
4
作者 徐少平 曾小霞 +1 位作者 唐祎玲 江顺亮 《计算机研究与发展》 EI CSCD 北大核心 2018年第12期2741-2752,共12页
为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本... 为解决基于单图像噪声水平评估算法抗干扰能力低和执行效率不高的问题,提出一种基于多图像先验知识的噪声水平评估算法.首先,在具有广泛代表性且未受噪声干扰图像集合上添加已知噪声水平的高斯噪声构建失真样本图像集合,并提取每幅样本图像中的若干统计特征值构成描述他们噪声水平值高低的噪声水平感知特征矢量.然后,利用样本图像上所提取的特征矢量及对其所施加的噪声水平值构成样本库.在评估时,先提取待评价噪声图像的特征矢量并在样本库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,之后基于这些样本信息以加权均值法估算待评价图像的噪声水平值.实验数据表明:较现有的噪声水平评估算法,新算法不仅在高、中、低噪声水平下都具有稳定的预测准确度,而且评估速度快.尤其是对于高斯噪声中伴有脉冲或者泊松噪声情况,具有较好的抗干扰能力. 展开更多
关键词 图像降噪 噪声水平估计 噪声水平感知特征 加权均值估计 执行效率 鲁棒性
下载PDF
采用训练策略实现的快速噪声水平估计 被引量：1
5
作者 徐少平 林珍玉 +2 位作者 李崇禧 刘婷云 杨晓辉 《中国图象图形学报》 CSCD 北大核心 2019年第11期1882-1892,共11页
目的大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计(NLE)算法在噪声水平感知特征(NLAF)提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和... 目的大多数图像降噪算法都属于非盲降噪算法,其获得良好降噪性能的前提是能够准确地获知图像的噪声水平值。然而,现有的噪声水平估计(NLE)算法在噪声水平感知特征(NLAF)提取和噪声水平值映射两个核心模块中分别存在特征描述能力不足和预测准确性有待提高的问题。为此,提出了一种基于卷积神经网络(CNN)自动提取NLAF特征,并利用增强BP(back propagation)神经网络将其映射为相应噪声水平值的改进算法。方法在训练阶段,首先通过训练卷积神经网络模型并以全连接层中若干与噪声水平值相关系数较高的输出值构成NLAF特征矢量;然后,在Ada Boost技术的支撑下,利用多个映射能力相对较弱的BP神经网络构建一个非线性映射能力更强的增强BP神经网络预测模型,将NLAF特征矢量直接映射为噪声水平值。在预测阶段,首先从给定噪声图像中随机选取若干个图块输入到卷积神经网络模型中,提取每个图块的若干维NLAF特征值后,利用预先训练的BP网络模型将其映射为对应的噪声水平值,然后以估计值的中值作为图像噪声水平值的最终估计结果。结果对于具有不同噪声水平和内容结构的噪声图像,利用所提算法估计出的噪声水平值与真实值之间的估计误差小于0. 5,均方根误差小于0. 9,表现出良好的预测准确性和稳定性。此外,所提算法具有较高的执行效率,估计一幅512×512像素的图像的噪声水平值仅需约13. 9 ms。结论实验数据表明,所提算法在高、中、低各个噪声水平下都具有稳定的预测准确性和较高的执行效率,与现有的主流噪声水平估计算法相比综合性能更佳,可以很好地应用于要求噪声水平作为关键参数的实际应用中。 展开更多
关键词 噪声水平估计 基于训练策略 图块级 噪声水平值感知特征 噪声水平值映射 中值估计
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部