带参考图像通道的卷积神经网络随机脉冲噪声降噪算法

现有开关型随机脉冲噪声(random-value impulse noise,RVIN)降噪算法的降噪效果很大程度上受其内置噪声检测器的性能制约,而将在高斯降噪领域获得极大成功的深度卷积神经网络(deep convolutional neural netw orks,DCNN)技术引入到RVIN降噪领域,构建非开关型的RVIN降噪算法在降噪效果上具有显著优势。尽管如此,现有的各类DCNN降噪模型通常仅以给定的噪声图像作为模型的输人,只利用了降噪图像本身所蕴含的信息,其降噪效果仍然有进一步提高的空间。受开关型RVIN降噪算法通常采用参考图像提高降噪效果的启发,提出了一种带参考图像通道的深度卷积神经网络随机脉冲噪声降噪算法。在训练阶段,该算法首先利用经典的RVIN降噪算法对给定的噪声图像进行初步降噪,将所获得的降噪后图像作为参考图像。重复上述过程,获得大量噪声图像和相应参考图像作为训练图像集合。然后,将训练图像集中的噪声图像与相应参考图像联结(concatenate)后输入到DCNN降噪模型中在残差学习(residual learning)技术的框架下完成模型训练(DCNN降噪模型的输出为参考图像与无失真图像之间的残差图像)。在降噪阶段,首先将给定噪声图像及其参考图像(用训练阶段所用的RVIN降噪算法获得)联结后输人到预训练的DCNN降噪模型完成残差图像的预测,之后将给定的参考图像减去降噪模型所预测的残差图像即可获得最终的复原图像。实验结果表明:所提出改进算法比不带参考通道的DCNN降噪算法在峰值信噪比指标上提高了0.4dB〜1dB左右。这种优势主要得益于参考图像的使用,可以让DCNN网络降噪模型中网络参数值更容易配置,训练的收敛速度及降噪性能亦同步提高。