基于深度学习的图像去噪算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究目的与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 主要贡献与创新 | 第15页 |
| 1.4 本文的主要工作及结构安排 | 第15-17页 |
| 第二章 图像去噪原理与神经网络简介 | 第17-33页 |
| 2.1 图像去噪原理 | 第17-20页 |
| 2.1.1 噪声模型 | 第17-18页 |
| 2.1.2 常用图像去噪算法 | 第18-19页 |
| 2.1.3 基于图片块的去噪原理 | 第19-20页 |
| 2.2 人工神经网络 | 第20-24页 |
| 2.2.1 神经元 | 第20-22页 |
| 2.2.2 激活函数 | 第22-23页 |
| 2.2.3 多层感知器 | 第23-24页 |
| 2.3 BP神经网络 | 第24-26页 |
| 2.4 卷积神经网络 | 第26-32页 |
| 2.4.1 卷积神经网络基本模型 | 第26-28页 |
| 2.4.2 稀疏连接 | 第28-30页 |
| 2.4.3 权值共享 | 第30-32页 |
| 2.4.4 池化采样 | 第32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 多特征提取图像去噪算法研究与仿真 | 第33-45页 |
| 3.1 DNCNN去噪框架及原理 | 第33-37页 |
| 3.1.1 DnCNN去噪框架 | 第33页 |
| 3.1.2 DnCNN算法原理 | 第33-37页 |
| 3.1.2.1 残差学习 | 第33-34页 |
| 3.1.2.2 批标准化 | 第34-37页 |
| 3.2 DMCNN去噪框架及原理 | 第37-42页 |
| 3.2.1 DMCNN去噪框架 | 第37-38页 |
| 3.2.2 DMCNN算法原理 | 第38-42页 |
| 3.2.2.1 多特征提取 | 第38-39页 |
| 3.2.2.2 含参线性整流激活函数 | 第39-42页 |
| 3.3 DMCNN参数设置 | 第42-43页 |
| 3.3.1 权重初始化参数 | 第42-43页 |
| 3.3.2 边界处理方法 | 第43页 |
| 3.3.3 批标准化处理参数设置 | 第43页 |
| 3.4 仿真结果及分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 实验结果分析与对比 | 第45-59页 |
| 4.1 去噪效果衡量标准 | 第45-47页 |
| 4.2 采用的数据库介绍 | 第47-48页 |
| 4.3 仿真及结果对比 | 第48-57页 |
| 4.4 实验条件及运行时间 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 全文总结与展望 | 第59-61页 |
| 5.1 全文总结 | 第59-60页 |
| 5.2 后续工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间取得的成果 | 第67页 |
