dncnn图像去噪_三种图像去噪方法的比较研究

齐艳丽

【摘 要】图像噪声会严重影响其视觉效果，采用适当的方法进行图像去噪是一项必不可少的预处理操作。本文对几种常用的图像去噪方法进行了分析，通过仿真高斯噪声和椒盐噪声，着重对基于均值滤波、中值滤波以及卷积神经网络的实际去噪效果进行了比较。实验结果表明三种方法的去噪效果各有优劣，均能实现一定程度上的图像去噪。

【关键词】图像噪声，均值滤波，中值滤波，卷积神经网络

中图分类号： TP391.41文献标识码： A文章编号： 2095-2457(2019)26-0024-002

DOI：10.19694/j.cnki.issn2095-2457.2019.26.010

【Abstract】Image noise affects its visual effects seriously.Appropriate method for image denoising is an essential pre-processing operation.Several common methods for  image denoising are analyzed in this paper.Comparing the actual denoising effects based on mean filtering，median filtering and convolutional neural network with simulating Gaussian noise and salt and pepper noise.The experimental results show that the denoising effects of the three methods have their own advantages and disadvantages， and can achieve a certain degree of image denoising.

【Key words】Image noise;On mean filtering;Median filtering;Convolutional neural network

0 引言

由于实际应用中图像不可避免地被噪声污染，这类噪声对于从图像中提取有效信息产生严重干扰[1]。因此，去除噪声是一项必不可少的图像预处理操作，而有效的去噪算法一直是图像处理领域的研究热点。

本文选取常见的三种图像去噪方法，即均值滤波、中值滤波以及卷积神經网络，进行研究。通过仿真高斯噪声和椒盐噪声，对这三种去噪方法的实际效果进行比较和分析。

1 去噪方法原理

中值滤波和均值滤波是经典的图像去噪方法，而基于卷积神经网络的图像去噪是一种随着人工智能以及机器学习发展而兴起的去噪方法[2]。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术[3]。其基本原理是以当前像素点(x，y，z)的邻域中各点灰度值的中值代替当前像素点的灰度值，让周围的像素值接近的真实值，从而消除孤立的噪声点，即：

不同于上述两种算法，基于卷积神经网络的图像去噪是随着深度学习特别是卷积神经网络(CNN)在图像识别等领域的研究和应用而被提出的[5]。通过对大量图像集的学习和训练，导出训练好并经验证的卷积神经网络来实现图像去噪。本文直接基于MATLAB所提供DnCNN进行去噪效果的分析和比较。

2 仿真结果分析

为了分析和比较三种去噪算法的效果，对原始图像分别加入噪声浓度为0.05的高斯噪声和椒盐噪声，如图1-3所示。可以看出，加入噪声后的图像对提取图像中的有效信息造成了严重的干扰，因此去噪显得尤为重要。

图4和图5为分别经过中值滤波和均值滤波处理后的含有噪声的图像。从图4中可以看出，使用中值滤波对高斯噪声图像进行去噪后图像颜色严重失真。另一方面，中值滤波对椒盐图像的去噪效果较好，基本还原了原图像。从图5可以看出，均值滤波可以实现对高斯噪声图像和椒盐噪声图像的较好的去噪效果。总体上来看，均值滤波好中值滤波对高斯噪声和椒盐噪声的去噪效果相当。

图6的结果中可以看出，本文所使用的DnCNN对于高斯白噪声图像的去噪效果较好，但是对于添加了椒盐噪声后的图像去噪效果一般。其主要原因可能是所使用的卷积神经网络主要针对高斯噪声图像进行的训练，所以并不完全适用于椒盐噪声图像的处理。因此，使用卷积神经网络进行图像去噪时需要进行有针对性的训练。

3 总结

本文对三种常用的图像去噪算法进行了比较和分析，结果表明，在三种方法中，基于卷积神经网络的图像去噪方法能够实现最好的高斯噪声去噪处理，而中值滤波和均值滤波可以对高斯噪声图像和椒盐噪声图像都能实现比较稳定均衡的去噪效果。值得注意的是，由于所使用的卷积神经网络主要针对高斯噪声训练，因此其对椒盐噪声图像的去噪效果在三种方法中表现最差，需要在下一步的工作中对椒盐噪声图像的处理进行有针对性的卷积神经网络训练。

【参考文献】

[1]刘祝华.图像去噪方法的研究[D].江西师范大学，2005.

[2]朱习军，隋思涟，张宾，刘尊年.MATLAB在信号与图像处理中的应用[M].电子工业出版社，2009.

[3]赵高长，张磊，武风波.改进的中值滤波算法在图像去噪中的应用[J].应用光学，2011，32(4)：678-682.

[4]张丽果.快速非局部均值滤波图像去噪[J].信号处理， 2013，29(8)：1043-1049.

[5]吕永标，赵建伟，曹飞龙.基于复合卷积神经网络的图像去噪算法[J].模式识别与人工智能，2017，30(2)：97-105.