基于深度学习的图像去噪算法
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 主要符号对照表 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 引言 | 第11页 |
| 1.2 噪声模型 | 第11-12页 |
| 1.3 常见去噪算法及其分类 | 第12-14页 |
| 1.4 高噪声环境的挑战 | 第14-16页 |
| 1.5 基于神经网络的图像去噪 | 第16-17页 |
| 1.6 本章小结及本文后续部分安排 | 第17-19页 |
| 第二章 深度学习回顾 | 第19-29页 |
| 2.1 神经网络简介 | 第19-21页 |
| 2.2 反向传导算法 | 第21-22页 |
| 2.3 激活函数 | 第22-23页 |
| 2.4 深层网络及S形函数的局限性 | 第23-25页 |
| 2.5 深度学习中的解决方案 | 第25-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 深层网络去噪模型及参数设定 | 第29-43页 |
| 3.1 从函数的角度看去噪 | 第29-34页 |
| 3.1.1 去噪前后图片块的大小 | 第30-32页 |
| 3.1.2 图片块大小的影响 | 第32页 |
| 3.1.3 分拆和重新聚合的过程 | 第32-34页 |
| 3.2 去噪框架 | 第34-35页 |
| 3.3 初始化参数及训练的技巧 | 第35-38页 |
| 3.3.1 数据预处理 | 第35-36页 |
| 3.3.2 网络权值初始化 | 第36页 |
| 3.3.3 训练方式 | 第36-37页 |
| 3.3.4 学习率及惯性参数 | 第37-38页 |
| 3.4 对于激活函数的改进 | 第38-41页 |
| 3.4.1 神经科学背景 | 第38-39页 |
| 3.4.2 使用线性整流函数进行图像去噪 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 实验设计与结果分析 | 第43-57页 |
| 4.1 去噪效果衡量 | 第43-45页 |
| 4.1.1 峰值信噪比 | 第43-44页 |
| 4.1.2 主观评判 | 第44-45页 |
| 4.2 数据库介绍 | 第45页 |
| 4.3 权重衰减项的影响 | 第45-48页 |
| 4.4 两种隐藏单元去噪性能的比较 | 第48-50页 |
| 4.4.1 误差随迭代周期数的变化 | 第48-49页 |
| 4.4.2 特征检测算子的比较 | 第49-50页 |
| 4.5 和其他模型的比较 | 第50-56页 |
| 4.6 本章总结 | 第56-57页 |
| 全文总结及展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67-69页 |
| 攻读学位期间参与的项目 | 第69-71页 |
