基于深度神经网络的快速噪声水平估计算法的研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的引入 | 第9页 |
| 1.2 图像降噪算法的研究现状 | 第9-11页 |
| 1.3 图像噪声水平估计的研究现状 | 第11-13页 |
| 1.4 图像噪声估计算法目前存在的问题 | 第13页 |
| 1.5 课题研究内容 | 第13-14页 |
| 1.6 论文的组织结构 | 第14-15页 |
| 第2章 相关技术背景介绍 | 第15-27页 |
| 2.1 高斯噪声模型 | 第15-16页 |
| 2.2 小波变换 | 第16-19页 |
| 2.2.1 连续小波变换 | 第16-17页 |
| 2.2.2 小波族 | 第17-19页 |
| 2.3 非盲降噪算法简介 | 第19-21页 |
| 2.3.1 非盲降噪算法 | 第19-20页 |
| 2.3.2 存在问题 | 第20-21页 |
| 2.4 经典图像噪声水平估计算法 | 第21-26页 |
| 2.4.1 Immerk?r算法 | 第21-22页 |
| 2.4.2 Zoran算法 | 第22-24页 |
| 2.4.3 Yang算法 | 第24-25页 |
| 2.4.4 Chen算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 快速噪声水平估计 | 第27-38页 |
| 3.1 基本思想 | 第27-28页 |
| 3.2 基于小波变换的噪声感知特征提取 | 第28-32页 |
| 3.3 基于深度神经网络的快速噪声水平估计 | 第32-35页 |
| 3.3.1 深度神经网络的相关理论介绍 | 第32-33页 |
| 3.3.2 基于深度神经网络的预测模型 | 第33-35页 |
| 3.4 两阶预测模型 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 改进的快速噪声水平估计 | 第38-48页 |
| 4.1 基本思想 | 第38-39页 |
| 4.2 基于PCA的噪声感知特征提取 | 第39-44页 |
| 4.2.1 基于PCA的图像噪声估计原理 | 第39-40页 |
| 4.2.2 协方差矩阵特征值与噪声水平相关性分析 | 第40-44页 |
| 4.3 改进的I-FNLE算法 | 第44-47页 |
| 4.3.1 特征矢量维度的确定 | 第44-45页 |
| 4.3.2 两阶段下DNN模型预测 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实验与分析 | 第48-60页 |
| 5.1 实验的相关环境介绍及配置情况 | 第48-49页 |
| 5.2 噪声水平估计算法的实验结果 | 第49-54页 |
| 5.2.1 噪声水平估计算法的预测准确性 | 第49-53页 |
| 5.2.2 噪声水平估计算法的执行时间 | 第53-54页 |
| 5.3 实际应用效果评价 | 第54-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间的研究成果 | 第67页 |
