公开(公告)号：CN114881885A

公开(公告)日：2022-08-09

申请号：CN202210572476.7

申请日：2022-05-25

Applicant: 南京邮电大学

Inventor： 朱虎 ,  李宏博 ,  邓丽珍

IPC: G06T5/00 ,  G06T5/50 ,  G06V10/772 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于解耦深度字典学习的图像去噪方法，首先对图像数据进行预处理，将输入的图像分解为结构图像和纹理图像；所述结构图像和纹理图像分别遵循字典学习模型去学习一个自适应的字典，对解耦深度字典学习模型求解，利用模型驱动的网络对处理完后的图像不同成分做融合；然后将经过预处理的图像输入神经网络模型进行参数训练，得到去噪效果较好的网络模型；最后将需要测试的图像输入到上述经过参数训练的网络模型中，得到清晰图像。本方法所形成的解耦深度字典学习图像去噪模型克服了当前主流方法中存在的模型退化严重、网络收敛慢、字典不自适应等问题，有效的利用了DNN的学习能力，使之在严重噪声环境下也能很好的恢复图像的细微结构。

公开(公告)号：CN114881885B

公开(公告)日：2024-12-13

申请号：CN202210572476.7

申请日：2022-05-25

Applicant: 南京邮电大学

Inventor： 朱虎 ,  李宏博 ,  邓丽珍

IPC: G06T5/70 ,  G06T5/60 ,  G06V10/772 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种基于解耦深度字典学习的图像去噪方法，首先对图像数据进行预处理，将输入的图像分解为结构图像和纹理图像；所述结构图像和纹理图像分别遵循字典学习模型去学习一个自适应的字典，对解耦深度字典学习模型求解，利用模型驱动的网络对处理完后的图像不同成分做融合；然后将经过预处理的图像输入神经网络模型进行参数训练，得到去噪效果较好的网络模型；最后将需要测试的图像输入到上述经过参数训练的网络模型中，得到清晰图像。本方法所形成的解耦深度字典学习图像去噪模型克服了当前主流方法中存在的模型退化严重、网络收敛慢、字典不自适应等问题，有效的利用了DNN的学习能力，使之在严重噪声环境下也能很好的恢复图像的细微结构。