科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提高无监督深度图像先验(DIP)降噪模型的降噪性能，该文提出了一种基于内外混合图像先验与图像融合的DIP改进降噪模型(IDIP)，该模型由样本生成和样本融合两个相继执行的模块组成。在样本生成阶段，首先利用2个分别来自内部和外部先验且有代表性的降噪算法(模型)处理噪声图像以产生2张初始降噪图像。基于这2张初始降噪图像，使用空间随机混合器按照各自50%混合比例随机生成足够多的混合图像作为DIP降噪模型的第2目标图像并与第1目标图像(即噪声图像)构成双目标图像。然后，每次使用不同的随机输入和双目标图像，多次执行标准DIP降噪流程生成多张具有互补性的样本图像；在样本融合阶段，首先为了获得更好的随机性和稳定性，随机丢弃50%的样本图像。然后，采用无监督融合网络在样本图像上完成像素点级的自适应融合，获得的融合图像的图像质量相对参与融合的样本图像得到再次提升，作为最终降噪图像。在人工合成噪声图像上实验表明：IDIP降噪模型较原DIP降噪模型在峰值信噪比评价指标上有约2 dB的提升，且较大幅度超过了其他无监督降噪模型，逼近了有监督降噪模型。而在实际真实噪声图像上，其降噪性能较各对比方法更具鲁棒性。
-
单位南昌大学; 南昌大学附属感染病医院
