为什么深度学习去噪都采用高斯白噪声？

技术选型 2021-12-16 12:59:13

为什么深度学习去噪都采用高斯白噪声？

...全文

1895 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_38498942 2021-12-16

打赏
举报

回复

相比于其他的synthetic noise distribution，高斯噪音确实有他的合理性。在真实噪音的噪音源特别复杂的时候，高斯噪音可能算是最好的对真实噪音的模拟。

基于python_字典学习_深层字典学习_图像去噪_高斯噪声_椒盐噪声

对处理的数据进行添加高斯噪声，预处理，进行去噪实验。

判别模型学习由于其良好的去噪性能，近年来引起了人们的广泛关注。在本文中，我们进一步研究了前馈去噪卷积神经网络(DnCNNs)的构造，将深度结构、学习算法和正则化方法融入到图像去噪中。采用残差学习和批归一化的方法加快了训练过程，提高了去噪性能。与现有的判别去噪模型不同的是，我们的DnCNN模型能够处理未知噪声水平下的高斯去噪(即盲高斯去噪)，而现有的判别去噪模型通常针对特定的加性高斯白噪声(AWGN)训练一个特定的模型。利用残差学习策略，DnCNN隐式地去除隐藏层中的潜在干净图像。这个特性促使我们训练一个单一的DnCNN模型来处理几个一般的图像去噪任务，如高斯去噪、单图像超分辨率和JPEG图像去块。我们的大量实验表明，我们的DnCNN模型不仅可以在几个通用的图像去噪任务中表现出很高的有效性，而且得益于GPU计算的有效实现。

基于MATLAB实现传统图像去噪算法和深度学习DnCNN模型图像去噪源码+项目说明（满分代码），该项目是为了研究基于深度卷积神经网络的图像去噪算法，是利用DnCNN模型，但是为了比较该算法的效果，另外实现了四种传统的图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM和三维块匹配滤波BM3D）作为对照组。 # 1.2 噪声强度和类型项目中实现五种算法对噪声强度为10,15,20...60,65,70的高斯白噪声进行处理。 # 1.3 评价指标图像去噪后，如何评估算法去噪效果的好坏呢？项目中采用峰值信噪比PSNR和结构相似性SSIM作为评价指标。一般来说，PSNR越大，去噪效果越好。SSIM取值为0到1，越接近1，表示效果越好。 2. 数据集介绍该项目中只是对Set12数据集进行处理，也就是项目中的Set12目录下的12张图片。如果觉得数据量不够充分，可以自行添加其他数据集，在代码中修改一下数据集的目录即可。 3. 代码介绍对于均值滤波、中值滤波、和NLM，MATLAB都已经实现了，所以我们直接调用MATLAB自带的函数就可以。 BM3D和DnCNN的代码都

于MATLAB实现传统图像去噪算法和深度学习DnCNN模型图像去噪源码+项目说明.zip 该资源内项目代码都是经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，或者实际项目借鉴参考！当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。如果基础还行，也可在此代码基础上进行修改，以实现其他功能。 1. 项目介绍 # 1.1 项目的背景该项目是为了研究基于深度卷积神经网络的图像去噪算法，是利用DnCNN模型，但是为了比较该算法的效果，另外实现了四种传统的图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM和三维块匹配滤波BM3D）作为对照组。 # 1.2 噪声强度和类型项目中实现五种算法对噪声强度为10,15,20...60,65,70的高斯白噪声进行处理。 # 1.3 评价指标图像去噪后，如何评估算法去噪效果的好坏呢？项目中采用峰值信噪比PSNR和结构相似性SSIM作为评价指标。一般来说，PSNR越大，去噪效果越好。

高通开发者论坛

2,852

社区成员

5,758

社区内容

发帖

与我相关

我的任务

人工智能物联网机器学习技术论坛（原bbs）北京·东城区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章