基于残差学习与卷积神经网络的图像去噪方法研究任务书

 2021-08-20 01:08

1. 毕业设计（论文）主要目标：

  1. 掌握数字图像处理的基本知识

  2. 了解BM3D算法、残差迭代和卷积神经网络CNN相关知识

  3. 针对去噪算法领域中效果较好的BM3D算法，分别利用残差迭代和卷积神经网络进行去噪处理。

  4. 将本课题中提出方案与传统的BM3D算法，残差迭代以及卷积神经网络CNN实现图像去噪的方案进行比较并总结。

    剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

    2. 毕业设计（论文）主要内容：

    数字图像在获取、传输等过程中不可避免地会受到噪声的影响，降低图像质量，于是，为了抑制噪声，改善图像质量，对图像进行去噪成为图像和视频处理的关键步骤之一。目前的图像去噪算法种类繁多，在传统的图像去噪算法中，NLM、BM3D应该是效果最佳的，但是NLM无法有效地保存图像的结构信息，BM3D主要通过协同过滤得到不同的权值加权平均，完成基础去噪，然后未保存更高层次的图像细节和边缘，进行二次去噪，得到更理想的图像，所以在传统去噪方法中，BM3D不仅有突出的PSNR和SSIM，而且视觉效果较好。同时，随着深度学习的发展，国内外很多学者利用卷积神经网络CNN完成图像去噪，其中MLP算法去噪性能已优于BM3D算法，除此以外，残差图像中包含明显的图像结构信息，若能有效提取这些信息，利用残差网络，会对去噪效果进行提高。本课题主要研究针对去噪算法领域中效果较好的BM3D算法，分别利用残差迭代和卷积神经网络，结合各自的优点进行去噪处理，并与传统方案进行比较总结。

    3. 主要参考文献

    [1]徐畅.基于Shearlet变换和深度CNN的图像去噪研究[D].南京信息工程大学, 2018

    [2]孙伟峰.采用多级残差滤波的非局部均值图像去噪方法[J].电子与信息学报, 2016

    [3]黄牧.基于BM3D图像去噪算法的参数研究[J].工业控制计算机,2014

    剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章