双通道四元数卷积网络去噪方法

基于深度学习的彩色图像去噪方法通常是在各个通道进行卷积操作后再进行合并得到最后的卷积结果。这种方式没有充分考虑色彩通道之间的光谱相关性,可能导致去噪结果的失真。四元数卷积将彩色像素当作一个整体来进行处理,可以很好地解决这一问题。但是单一的四元数卷积网络不能较好地还原图像细节信息。针对这一问题,提出一种用于去除彩色随机脉冲噪声的双通道四元数卷积网络(DQNet)。该网络首先基于结构通道和色彩通道融合的策略,采用基于扩张卷积的结构细节还原模块提取结构和边缘特征,采用四元数卷积网络提取色彩特征;然后针对卷积运算会导致部分全局信息丢失的问题,通过长线连接将含有丰富全局特征的输入噪声图像与卷积结果进行融合,设计基于注意力机制的特征增强模块来指导网络提取复杂背景中的潜在噪声特征;最后利用残差学习实现彩色随机脉冲噪声的复原。实验结果表明,所提算法具有较好的去噪性能,在中度噪声污染或高度噪声污染的情况下去噪效果更为突出。

加权密集扩张卷积网络的随机脉冲噪声去除

基于深度学习的图像去噪方法,大多没有充分利用不同层次的特征信息,通道合并时都是直接在通道维度上对特征图进行拼接,并没有考虑到浅层与深层卷积特征各自的重要性。为解决上述问题,提出一种加权密集扩张卷积连接网络模型,用于去除图像的随机脉冲噪声。通过使用不同扩张因子的扩张卷积来丰富浅层特征图的多尺度特征信息;考虑到浅层与深层卷积特征各自的重要性,将原始密集块进行改进,采用加权密集连接结构,并使用扩张卷积提高感受野;采用跳跃连接,将浅层的多尺度特征信息和不同加权密集扩张卷积块的特征信息进行融合,充分利用深层卷积特征和浅层卷积特征信息实现随机脉冲噪声的复原。实验结果表明,所提模型的去噪效果更加突出。

DnRFD:用于图像去噪的递进式残差融合密集网络

基于深度学习的去噪方法能够获得比传统方法更好的去噪效果,但是现有的深度学习去噪方法往往存在网络过深导致计算复杂度过大的问题。针对这个不足,提出一种用于去除高斯噪声的递进式残差融合密集网络(DnRFD)。该网络首先采用密集块来学习图像中的噪声分布,在充分提取图像局部特征的同时大幅降低网络参数;然后利用递进策略将浅层卷积特征依次与深层特征短线连接形成残差融合网络,提取出更多针对噪声的全局特征;最后将各密集块的输出特征图进行融合后输入给重建输出层,得到最后的输出结果。实验结果表明,在高斯白噪声等级为25和50时,该网络都能获得较高的峰值信噪比均值和结构相似性均值,并且去噪平均时间是DnCNN方法的一半,是FFDNet方法的1/3。总的来说,该网络整体去噪性能优于相关对比算法,可有效去除图像中的高斯白噪声和自然噪声,同时能更好地还原图像边缘与纹理细节。