基于小波变换与卷积神经网络的图像去噪算法 下载: 724次
1 引言
在图像传感过程中,噪声污染是不可避免的,它严重地降低了获取图像的视觉质量。从观察到的图像中去除噪声是各种图像处理和计算机视觉任务的一个重要步骤。图像去噪的目的是从遵循图像退化模型的噪声观测值中恢复出不含噪声的图像,因此研究优化图像去噪算法具有重要意义。小波变换具有低熵性、多分辨分析、去相关等优点,基于小波变换的去噪算法得到了大量研究。1995年Donoho等提出对小波系数进行阈值处理来进行图像去噪[1],此后小波阈值去噪算法开始发展[2-3]。小波阈值去噪算法面临的问题主要在于阈值的选取,如果选取的阈值过小,会将一部分噪声当成图像信息保留下来;如果选取的阈值过大,图像中的一些信息特征会被滤除,造成图像失真。Candes和Donoho在2000年提出了脊波变换,此后还出现了局部脊波变换和曲波变换,弥补了此前一些算法的不足之处[4-6]。2003年Portilla J等提出的使用混合高斯模型在小波域去噪[7],该算法在当时取得了良好的去噪效果,近年来小波变换在图像处理领域应用相对广泛[8-10]。基于小波变换的去噪算法往往会破坏小波系数之间的空间关系,甚至影响尺度间和尺度内小波系数的相关性,正交小波变换还会导致图像失真的伪吉布斯现象,这些都会影响算法的去噪性能。
近年来深度学习受到相关研究人员的广泛关注,并逐渐成为互联网大数据以及人工智能的一个热潮,卷积神经网络是人工神经网络与深度学习相结合,通过反向传播算法训练卷积神经网络中的权重,从而实现深度学习的方法。这为图像去噪提供了新思路。基于深度学习的去噪算法也在不断发展[11-17],Harmeling S等提出了基于MLP的去噪算法[12],Zhang K等提出了基于残差的去噪算法[13-15],基于深度学习的去噪算法凭借自身的优势取得了相对较好的去噪效果。但基于深度学习的去噪算法是从大量数据中提取特征和拟合非线性函数,因此往往面临着参数量巨大、网络层数过深、调参难度大、泛化能力差等问题,这些算法都是将整幅图像输入网络进行去噪,会造成相对较多的图像失真。基于小波变换图像去噪算法[18-20]则是将图像的分量输入网络,能有效减少图像的失真。本文基于小波变换和卷积神经网络的优势提出了一种性能优良、耗时少的算法。该算法不同于其他算法直接输入图像进行训练,而是将图像进行尺度为1的小波分解,得到高频分量和低频分量分别输入网络进行训练,使用平稳小波变换避免了空间信息损失,且在训练中使用残差网络,只学习残差信息,可以避免使用过深的网络结构,加快网络的收敛,使用尺寸和数量较小的卷积核来降低计算复杂度,减少参数个数。
1 相关理论
1.1 平稳小波变换
具有平移不变性的平稳小波变换能较好抑制正交小波变换导致图像失真的伪吉布斯现象,已广泛应用于红外图像去噪。基于平稳小波变换的去噪算法,通常是先进行平稳小波分解,得到与图像大小相同的高频和低频分量,其中对于高频分量可采用阈值法等估计小波系数,再通过平稳小波逆变换得到去噪后的图像。通常平稳小波分解得到的各小波系数在尺度内和尺度间具有很强的相关性,这些算法往往难以取得良好的去噪效果。本文算法对图像进行尺度为1的二维离散平稳小波分解,得到一个低频分量和3个不同方向上的高频分量:
式中:
式中
1.2 残差学习
CNN的残差学习[21]最初被提出来解决卷积神经性能下降的问题,即随着网络深度的增加,甚至训练精度也开始下降。残差网络学习了残差映射,利用这种残差学习策略,可以容易地训练极深CNN并提升网络的精度,优化算法性能。一般算法的输入是噪声观测图像
2 结合小波变换与残差网络的去噪算法
2.1 网络结构
本文提出的网络框架主要包括4个结构完全相同的残差网络,除最后一个卷积层外,每个卷积层后都有线性修正单元激活函数ReLU作为激活函数。完整的网络结构如
2.2 算法流程
本文提出的算法流程如
式中:
3 实验与结果分析
实验训练的数据集为BSDS68自然图像集,本文采用ADAM算法对损失函数进行优化,参数beta1为0.9,参数beta2为0.999。本文的实验结果皆为100 000次迭代,学习率为固定值0.001。实验仿真的计算机硬件配置为TntelCorei5-7300与Nvidia GeForceGTX1060,操作系统为Windows10,使用Caffe深度学习框架来训练神经网络,该框架支持GPU运算,用于测试的软件为Matlab R2017a。
常用的图像去噪的评测标准包括主观评价和客观量化。主观评价即人为观测图像,评定输出图像的质量。本文采用两项评价指标对实验结果进行量化:峰值信噪比(PSNR)和结构相似性(SSIM)。PSNR是一种全参考的图像质量评价指标,它是基于对应像素点间的误差,即基于误差敏感的图像质量评价指标。两幅图像间的PSNR值(单位:dB)越高,则去噪后的图像相对于原始图像的失真越少。PSNR的计算公式如(4)式和(5)式:
式中:
式中:
3.1 不同算法处理结果对比
本文选取的对比算法有中值滤波(median filter, MF),基于小波的软阈值去噪(soft thresholding, ST)[3],EPLL[18],NCSR[19],WNNM[20],用于测试的图像随机选取自set5,set14[13]和set12[14]。噪声水平为
图 3. Comparison of denoising performance with different algorithms
Fig. 3. Comparison of denoising performance with different algorithms
表 1. 不同算法实验结果的PSNR
Table 1. PSNR of experimental results with different algorithms
dB
|
表 2. 不同算法实验结果的SSIM
Table 2. SSIM of experimental results with different algorithms
|
表 3. 不同算法实验结果的平均耗时
Table 3. Average time of experimental results with different algorithms
|
当噪声水平为
图 4. Comparison of denoising performance with different algorithms
Fig. 4. Comparison of denoising performance with different algorithms
表 4. 不同算法实验结果的PSNR
Table 4. PSNR of experimental results with different algorithms
dB
|
表 5. 不同算法实验结果的SSIM
Table 5. SSIM of experimental results with different algorithms
|
3.2 对自然噪声的去噪
在实验中我们发现本文所提算法对未参加训练的自然噪声也有很好的降噪效果,
3.3 对遥感图像的去噪
随着航空航天通信技术的发展,人们的空间概念得到了极大的拓展,基于计算机技术、图像处理技术、对地观测技术而发展起来的遥感数字图像相关技术也随之得到了前所未有的关注与发展。但是在实际应用中,遥感图像的获取与传输非常容易受到外界噪声的干扰,从而使得整个图像所包含的噪声增大,质量降低,增大遥感图像的分析与处理难度,在遥感图像应用前对其进行去噪具有重要意义。本文选取UCMerced_LandUse遥感图像集中不同场景下的5幅图像进行去噪,实验结果如
图 5. Image denoising results of real noisy images based on proposed algorithm
Fig. 5. Image denoising results of real noisy images based on proposed algorithm
图 6. Image denoising results of remote sensing image based on proposed algorithm
Fig. 6. Image denoising results of remote sensing image based on proposed algorithm
4 结论
结合平稳小波变换和深度学习的优势,提出了一种泛化能力较强的去噪算法。其特点有:1) 利用平稳小波变换和残差学习的组合优势;2) 使用结构较为简单的卷积神经网络,计算复杂度低,参数数量较少,避免出现梯度爆炸;3) 所提算法相较于一般算法泛化能力较强,适用于自然噪声,以及遥感图像在成像或传输过程中产生的噪声。通过仿真实验对所提算法的去噪效果进行评估,与传统的中值滤波去噪算法以及软阈值小波去噪等算法相比,本文算法能达到较好去噪效果的同时,还较好地保持了图像的纹理细节信息,同时具有低耗时性的优良性能,在主观视觉效果和客观评价指标上均优于对比算法。本文算法可以为后续的图像处理工作提供有效的预处理,具有一定的实用价值。今后将对卷积神经网络进一步训练,提升算法的去噪性能。
[3] BIJALWAN A, GOYAL A, SETHI N. Wavelet transform based image denoise using threshold approaches[J]. International Journal of Engineering & Advanced Technology, 2012(5): 218-221.
[5] STARCK J L, CES E J, DONOHO D L. The curvelet transfm f image denoising[J]. IEEE Transactions on Image Processing, 2002, 11(6): 670684.
[6] YI Q, WENG Y, HE J. Image denoise based on curvelet transfm[C]. USA: IEEE Wkshop on Electronics, Computer & Applications, 2014: 14416899.
[11] JAIN V, SEUNG H S. Natural image denoising with convolutional wks[C]International Conference on Neural Infmation Processing Systems. NY: Curran Associates Inc., 2008: 769776.
[12] HARMELING S, SCHULER C J, BURGER H C. Image denoising: Can plain neural wks compete with BM3D[C]IEEE Conference on Computer Vision Pattern Recognition. USA: IEEE Computer Society, 2012: 23922399.
[13] ZHANG K, ZUO W, CHEN Y. Beyond a Gaussian denoiser: Residual learningof deep CNN for image denoising[J]. IEEE Transactions on Image Processing, 2016, 26(7): 3142-3155.
[14] ZHANG K, ZUO W, ZHANG L. FFDNet: Toward a fast and flexible solution for CNN based image denoising[J]. IEEE Transactions on Image Processing, 2017, 27(9): 4608-4622.
[15] 吴从中, WU Congzhong, 陈曦, CHEN Xi, JI Dong, 季栋. Image denoising via residual network based on perceptual loss[J]. Journal of Image and Graphics, 2018, 23(10): 1483-1491.
[16] 吕永标, LYU Yongbiao, ZHAO Jianwei, 赵建伟, 曹飞龙, CAO Feilong. Image denoising algorithm based on composite convolution neural network[J]. Pattern Recognition and Artificial Intelligence, 2017, 30(2): 97-105.
[17] 马红强, MA Hongqiang, MA Shiping, 马时平, 许悦雷, XU Yuelei. Adaptive image denoising based on improved stacked sparse denoising auto-encoder[J]. Acta Optica Sinica, 2018, 38(10): 128-135.
[18] ZORAN D, WEISS Y. From learning models of natural image patches to whole image restoration[J]. IEEE, 2011, 6669(5): 479-486.
[20] GU S, ZHANG L, ZUO W, et al. Weighted nuclear nm minimization with application to image denoising[C] Computer Vision & Pattern Recognition. USA: IEEE, 2014: 28622869.
[21] HE K, ZHANG X, REN S, et al. Deep residual learning f image recognition[C]IEEE Conference on Computer Vision Pattern Recognition. USA: IEEE, 2016: 770778.
[22] SCHT U, ROTH S. Shrinkage fields f effective image restation[C]IEEE Conference on Computer Vision Pattern Recognition. USA: IEEE, 2014: 27742781.
[23] DONG C, LOY C C, HE K. Image super-resolution using deep convolutional networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 38(2): 295-307.
[24] DO M N, VETTERLI M. Contourlets: A new directional multiresolution image representation[C]Conference Recd of the ThirtySixth Asilomar Conference on Signals, Systems Computers, 2002. USA: IEEE, 2002: 497501.
Article Outline
陈清江, 石小涵, 柴昱洲. 基于小波变换与卷积神经网络的图像去噪算法[J]. 应用光学, 2020, 41(2): 288. Qingjiang CHEN, Xiaohan SHI, Yuzhou CHAI. Image denoising algorithm based on wavelet transform and convolutional neural network[J]. Journal of Applied Optics, 2020, 41(2): 288.