首页|期刊简介|投稿指南|分类索引|刊文选读|订阅指南|资料|样刊邮寄查询|常见问题解答|联系我们
白瑞君,李众,张启尧,等. 一种改进的深度卷积神经网络图像去噪算法[J]. 科学技术与工程, 2019, 19(36): 247-252.
bairuijun,zhangqiyao,et al.Research on an Improved Deep Convolution Neural Network Image Denoising Algorithm[J].Science Technology and Engineering,2019,19(36):247-252.
一种改进的深度卷积神经网络图像去噪算法
Research on an Improved Deep Convolution Neural Network Image Denoising Algorithm
投稿时间:2019-06-12  修订日期:2019-11-06
DOI:
中文关键词:  图像去噪  网络参数  低级语义信息  高级语义信息  特征融合
英文关键词:image denoising  network parameters  low-level semantic information  high-level semantic information  feature fusion
基金项目:
           
作者单位
白瑞君 中北大学
李众 中北大学软件学院
张启尧 中北大学软件学院
刘方涛 中北大学软件学院
摘要点击次数: 141
全文下载次数: 69
中文摘要:
      为了更好地去除图像中的噪声,提出了一种改进的深度卷积神经网络(Dncnn)图像去噪算法。针对现有的Dncnn网络参数量大,对Dncnn网络的第2~16层进行了改进,使网络参数量降低1/3后,仍能保持和Dncnn一样的训练效果。在此基础上,对网络底层的低级语义信息和高层的高级语义信息进行了特征融合,使得网络训练更平稳,并能达到更好的训练效果。实验结果表明无论与图像去噪领域公认最好的去噪算法BM3D相比,还是与深度学习领域先进的图像去噪算法Dncnn相比,改进的Dncnn都有更好的表现。
英文摘要:
      In order to better remove the noise in the image, an improved deep convolution neural network (Dncnn) image denoising algorithm was proposed. In view of the large amount of existing Dncnn network parameters, the 2nd~16th layers of the Dncnn network had been improved, and the network parameters were reduced by one-third, and the same training effect as Dncnn can be maintained. On this basis, the low-level semantic information of the underlying network and the high-level semantic information of the upper layer are combined to make the network training more stable and achieve better training results. The experimental results show that the improved Dncnn has better performance than the best denoising algorithm BM3D in the field of image denoising and the advanced image denoising algorithm Dncnn in the depth learning field.
查看全文  查看/发表评论  下载PDF阅读器
关闭
你是第28815327位访问者
版权所有:科学技术与工程编辑部
主管:中国科学技术协会    主办:中国技术经济学会
Tel:(010)62118920 E-mail:stae@vip.163.com
京ICP备05035734号-4
技术支持:本系统由北京勤云科技发展有限公司设计

京公网安备 11010802029091号