第３８卷第２期 计算机应用与软件
Ｖｏｌ ３８Ｎｏ．２２０２１年２月
ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｆｅｂ．２０２１
雷景生 闫晨阳 杨忠光
（上海电力大学计算机科学与技术学院 上海２０００８２）
收稿日期：
２０１９－０８－０９。国家自然科学基金项目（６１６７２３３７）。雷景生，教授，主研领域：大数据，机器学习，计算机视觉。闫晨阳，硕士生。杨忠光，硕士生。
摘 要 为了更有效地去除图像中存在的高斯噪声，提出一种结合Ｉｎｃｅｐｔｉｏｎ模块的卷积自编码器图像去噪模型。以完整图像作为输入和输出，利用Ｉｎｃｅｐｔｉｏｎ模块对噪声图像进行去噪， 使用改进Ｉｎｃｅｐｔｉｏｎ反卷积模块将去噪图像进行还原，提升模型去噪能力。同时在模型中引入批量归一化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，ＢＮ）和随机失活层（Ｄｒｏｐｏｕｔ）有效解决过拟合问题，引入ＲｅＬＵ函数避免模型梯度消失，加速网络训练。实验结果表明，与深度卷积神经网络方法相比，该模型获得了更高的峰值信噪比和结构相似度，其去噪能力更好，视觉效果更佳，具有更好的鲁棒性。 关键词 卷积自编码器 Ｉｎｃｅｐｔｉｏｎ模块 图像去噪 峰值信噪比 结构相似度
中图分类号 ＴＰ３ 文献标志码 Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２１．０２．０３６
ＣＯＮＶＯＬＵＴＩＯＮＡＬＡＵＴＯ ＥＮＣＯＤＥＲＦＯＲＩＭＡＧＥＤＥＮＯＩＳＩＮＧ
ＢＡＳＥＤＯＮＩＮＣＥＰＴＩＯＮＭＯＤＥＬ
ＬｅｉＪｉｎｇｓｈｅｎｇ ＹａｎＣｈｅｎｙａｎｇ ＹａｎｇＺｈｏｎｇｇｕａｎｇ
（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ，Ｓｈａｎｇｈａｉ２０００８２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏ ｅｎｃｏｄｅｒｉｍａｇｅｄｅｎｏｉｓｉｎｇｍｏｄｅｌｃｏｍｂｉｎｅｄｗｉｔｈｉｎｃｅｐｔｉｏｎｍｏｄｕｌｅｉｎｏｒｄｅｒｔｏｒｅｍｏｖｅｔｈｅＧｇａｕｓｓｎｏｉｓｅｉｎｔｈｅｉｍａｇｅｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙ．Ｔａｋｅｔｈｅｗｈｏｌｅｉｍａｇｅａｓｔｈｅｉｎｐｕｔａｎｄｏｕｔｐｕｔ，ｉｔｕｓｅｄＩｎｃｅｐｔｉｏｎｍｏｄｕｌｅｔｏｄｅｎｏｉｓｅｔｈｅｎｏｉｓｅｉｍａｇｅ，ａｎｄｔｈｅｉｍｐｒｏｖｅｄＩｎｃｅｐｔｉｏｎｄｅｃｏｎｖｏｌｕｔｉｏｎｍｏｄｕｌｅｗａｓｕｓｅｄｔｏｒｅｓｔｏｒｅｔｈｅｄｅｎｏｉｓｅｄｉｍａｇｅｔｏｉｍｐｒｏｖｅｔｈｅｄｅｎｏｉｓｉｎｇａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ．ＷｅａｌｓｏｉｎｔｒｏｄｕｃｅｄＢＮａｎｄＤｒｏｐｏｕｔｔｏｐｒｅｖｅｎｔｏｖｅｒ ｆｉｔｔｉｎｇａｎｄｕｓｅｄＲｅＬＵｆｕｎｃｔｉｏｎｔｏａｖｏｉｄｇｒａｄｉｅｎｔｄｉｓａｐｐｅａｒａｎｃｅａｎｄｓｐｅｅｄｕｐｎｅｔｗｏｒｋｔｒａｉｎｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｍｅｔｈｏｄ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｒｅｍｏｖｅｔｈｅＧａｕｓｓｎｏｉｓｅｍｏｒｅｅｆｆｅｃｔｉｖｅｌｙ，ｏｂｔａｉｎｈｉｇｈｅｒｐｅａｋｓｉｇｎａｌ ｔｏ ｎｏｉｓｅｒａｔｉｏａｎｄｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙ，ａｎｄｈａｓｂｅｔｔｅｒｖｉｓｕａｌｅｆｆｅｃｔａｎｄｒｏｂｕｓｔｎｅｓｓ．Ｋｅｙｗｏｒｄｓ Ｃｏｎｖｏｌｕｔｉｏｎａｌａｕｔｏ ｅｎｃｏｄｅｒ Ｉｎｃｅｐｔｉｏｎｍｏｄｕｌｅ Ｉｍａ
ｇｅｄｅｎｏｉｓｉｎｇ Ｐｅａｋｓｉｇｎａｌｔｏｎｏｉｓｅｒａｔｉｏ Ｓｔｒｕｃｔｕｒａｌｓｉｍｉｌａｒｉｔｙ
０ 引 言
随着计算机技术和互联网技术的飞速发展，人们的日常生活充满着各种各样的信息。调查研究发现，在人类所有获取的外界信息中，视觉系统获取的占
７０％以上［１］，因此对图像信息的获取、处理和使用显得
尤为重要。图像去噪是一个图像处理领域的重要研究课题，是在去除噪声的同时尽量把图像中的重要信息
保留下来。数字图像处理一般可分为基于空间域的处
理与基于变换域的处理［
２］
。基于空间域的去噪方法是在原始图像的像素灰度空间上作运算，对像素的灰度值直接进行处理。常
用的方法有均值滤波、中值滤波、基于偏微分的图像去噪等。中值滤波可以有效地滤除椒盐噪声；均值滤波适用于滤除高斯噪声；基于变换域的去噪方法是先对源图像作图像变换，如傅里叶变换、小波变换等。
目前，国内外学者已经提出了很多图像去噪的方
２２２
计算机应用与软件
２０２１年
法。去噪效果较好的ＢＭ３Ｄ（ＢｌｏｃｋＭａｔｃｈｉｎｇａｎｄ３Ｄ）［２］算法是将图像分为一定大小的块，将具有相似特征的块合并为三维数组，采用三维滤波的方法处理三维数
组，进行逆变换后获得降噪后的图像。Ｂｕｒｇｅｒ等［３］
提
出ＭＬＰ（Ｍｕｌｔｉｌａｙｅｒｐｅｒｃｅｐｔｒｏｎ）模型，其将图像预处理
与多层感知器神经网络学习模型结合。Ｓ
ｃｈｕｌｅｒ等［４］
提出的算法将多层感知机ＭＬＰ（ＭｕｌｔｉｌａｙｅｒＰｅｒｃｅｐｔｒｏｎ）
运用于图像去噪。Ｃ
ｈｅｎ等［５］
提出了ＴＮＲＤ（ＴｒａｉｎａｂｌｅＮｏｎｌｉｎｅａｒＲｅａｃｔｉｏｎＤｉｆｆｕｓｉｏｎ）模型，对稀疏编码和迭代方法进行展开成为前向反馈网络，取得了很好的图像去噪效果。
近年来的研究表明，自编码器（Ａｕｔｏ Ｅｎｃｏｄｅｒ，ＡＥ）作为深度学习中一个典型代表，通过无监督学习，主要用来学习给定数据集的压缩、分布式特征表达，从而重
构输入数据［６］
。在自编码器的基础上，衍生出多种自编码器。Ｈ
ｉｎｔｏｎ等［７］
改进原有浅层结构，提出深度学习神经网络的概念和训练策略，继而产生了去噪自编
码器（ＤｅｎｏｉｓｉｎｇＡｕｔｏ Ｅｎｃｏｄｅｒ，ＤＡＥ）。Ｂｅｎｇｉｏ等［８］
提
出稀疏自编码器（ＳｐａｒｓｅＡｕｔｏ Ｅｎｃｏｄｅｒ，ＳＡＥ）的概念。除此之外还有边缘化去
噪自编码器（
ＭａｒｇｉｎａｌｉｚｅｄＤｅ ｎｏｉｓｉｎｇＡｕｔｏ Ｅｎｃｏｄｅｒ，ＭＤＡ）和栈式稀疏去噪自编码
器［
９］
卷积编码（ＳｔａｃｋｅｄＳｐａｒｓｅＤｅｎｏｉｓｉｎｇＡｕｔｏ Ｅｎｃｏｄｅｒ，ＳＳＤＡ）。本文采用了基于卷积自编码器的神经网络去噪模型，加快了网络的运算速度。
１ 卷积自编码器网络结构
图像去噪是将含噪图像进行处理并还原图像的过程，本文使用轻量级的网络结构达到优秀的去噪效果，采用四层卷积自编码器的深度学习网络结构，为了加快网络训练速度，将数据集中的数据分割成２０×２０的大小，加入噪声后按原图像内容分别存入不同的Ｈ５文件，以加快文件读取速度，更好地完成网络训练。
１．１ 生成噪声图像
高斯噪声是一种符合正态分布的随机噪声，也是最常见的噪声分布，其公式如下：
Ｘ（ｈ，ｗ，ｃ）＝０ Ｔ（ｈ，ｗ，ｃ）＜
０２
５５Ｔ（ｈ，ｗ，ｃ）＞
２５５Ｔ（ｈ，ｗ，ｃ）{
其他
（１）
Ｔ（ｈ，ｗ，ｃ）＝Ｘ（ｈ，ｗ，ｃ）＋
ｋ·ＺＺ～Ｎ（μ，σ
）式中：
Ｚ是噪声数据，符合期望为μ和方差为σ的正态分布；ｋ是噪声强度；Ｘ（ｈ，ｗ，ｃ）是图像的像素。最后对加
噪声后的图像像素取值进行限制，避免数据溢出［
１０］
。本文采用噪声等级为２５的高斯噪声数据集，对数据进行去噪实验。原图与噪声图的比较如图１所示，本文在噪声等级为２
５
的基础上对图像噪声进行去除。（ａ）原图（ｂ）噪声图
图１
原图与噪声图的比较１．２ 多特征提取Ｉｎｃｅｐｔｉｏｎ模块
受ＶＧＧＮｅｔ和ＧｏｏｇＬｅＮｅｔ等图像处理算法的启发，将ＩｎｃｅｐｔｉｏｎＶ３模块用于提取图像特征和图像还原，并取得了良好的效果。Ｉｎｃｅｐｔｉｏｎ模块主要改进了网络中的传统卷积层，在增加网络深度和宽度的同时减少参数。Ｉ
ｎｃｅｐｔｉｏｎ模块对同一输入映射上的多个不同变换结果进行并行计算，将它们的结果连接成为
一个输出。使用Ｉｎｃｅｐｔｉｏｎ模块有利于含噪图像尽可能多地从不同大小卷积核提取特征信息，为模型网络提供更好的泛化能力。因此本文在Ｉｎｃｅｐｔｉｏｎ基础上进行了改进，将原有的卷积层修改为反卷积层作上采样操作，使用小卷积核分别为１×１、３×３、５×５的组合降低特征图像的通道维度，更好地还原特征图像，使其更接近原图。
与上采样操作不同的是，本文使用两层Ｉｎｃｅｐｔｉｏｎ模块进行噪声图像去噪。但是这使得每一层特征映射的数量增加，计算成本大大增加。因此本文对Ｉｎｃｅｐ ｔｉｏｎ模块做如下设置：
１）将Ｉｎｃｅｐｔｉｏｎ每一个卷积层加入ＲｅＬＵ激活函数，简化了计算过程，活跃度的分散性使得Ｉｎｃｅｐｔｉｏｎ模块计算成本下降。
２）加入批量归一化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，ＢＮ）和随机失活层（Ｄｒｏｐｏｕｔ）。ＢＮ层可以让Ｉｎｃｅｐｔｉｏｎ网络的训练速度加快很多倍，提高网络的泛化能力，使输出规范化到Ｎ（０，１）的正态分布，减少了内部神经元的分布，产生更稳定的非线性输出。实验过程中，发现只有
ＢＮ层的操作时，训练的ＰＳＮＲ不稳定，考虑非数据集和非验证集的问题后，使用Ｄｒｏｐｏｕｔ层来解决模型训练过程中出现的过拟合现象，结果发现使用Ｄｒｏｐｏｕｔ层可以减少ＰＳＮＲ不稳定的现象。Ｄｒｏｐｏｕｔ在学习过程中将隐含层部分权重或输出随机归零，降低了节点间的相互依
赖性。
第２期
雷景生，等：基于Ｉｎｃｅｐｔｉｏｎ模块的卷积自编码器图像去噪
２２３
１．３ 卷积自编码器网络设计
为了使去噪网络模型能够处理自然图像，本文将每幅图像的数据转化为三维矩阵。将卷积自编码器分成解码器和编码器，共有４层。基于Ｉｎｃｅｐｔｉｏｎ模块的卷积自编码器去噪网络结构如图２所示。该网络的优
点是利用自编码器结构，在编码层Ｅｎｃｏｄｅｒ使用Ｉｎｃｅｐ ｔｉｏｎＶ３经典结构前两层，在解码层Ｄｅｃｏｄｅｒ使用反卷积构成Ｉ
ｎｃｅｐｔｉｏｎ反卷积模块，能更大程度地将编码层提取的噪声图像特征进行深层次的还原，相较于一层反
卷积能更好地还原原图的特征。
图２ 卷积自编码器去噪网络结构图
１）编码层Ｅｎｃｏｄｅｒ。
（１）第一层：由五个不同尺度卷积层和一个平均池化层构成Ｉｎｃｅｐｔｉｏｎ模块，扩大卷积自编码器的宽度，使用多个卷积核提取图像不同尺寸的信息进行融合，可以得到图像更好的表征。卷积层第一层为５×５×３２、１×１×６４，图片输出通道为６４；第二层为３×３×６４，图片输出通道为
６４；第三层为１×１×６４，图片输出通道为６４；第四层为平均池化层，步长为１，池化层为３×３，后接一个１×１×３２的卷积层，图片输出通道为３２。每层输入加入标准化，Ｐａｄｄｉｎｇ均为ＳＡＭＥ使用ＲｅＬＵ函数防止梯度消失，最后由Ｃｏｎｃａｔ层进行连接，加入标准化Ｂ
Ｎ层，使用Ｄｒｏｐｏｕｔ防止过拟合。此时图片输出的通道数为６４＋６４＋６４＋３２＝２２４。
（２）第二层：使用ＩｎｃｅｐｔｉｏｎＶ３中第二个模块的结构。Ｃｏｎｖ第一层为１×１×６４；第二层为１×１×４８、５×５×６４；第三层为１×１×６４、３×３×９６，３×３×９６；第四层为平均池化层，池化层大小为３×３，步长为１，后接一层卷积层，卷积核大小为１×１，通道数为３２。最后由Ｃｏｎｃａｔ层进行连接，加入标准化ＢＮ层，使用Ｄｒｏｐ ｏｕｔ防止过拟合。经过该层Ｉｎｃｅｐｔｉｏｎ模块，输出的图片通道为６４＋６４＋９６＋３２＝２５６。
２）解码层：Ｄｅｃｏｄｅｒ。
（
１）第一层：由改进Ｉｎｃｅｐｔｉｏｎ模块使用反卷积实现上采样层。由不同尺寸的反卷积层组成，分别为３×３×１６、５×５×１６、１×１×１６，步长设置为２，使用Ｃｏｎｃａｔ层连接。使用
改进Ｉｎｃｅｐｔｉｏｎ模块进行反卷积可以使特征更好地融合，此时图片的形状为２０×２０×６４，加入Ｂ
Ｎ层进行标准化操作。（２）第二层：使用反卷积实现上采样层，使用上采样层将解码层的图像进行还原，为了得到原图一样的大小，通过１层的上采样进行实现，将图像恢复到原来的大小，此时图片形状为２０×２０×１。
综上所述，为了增强图像去噪的鲁棒性，引入Ｉｎｃｅｐｔｉｏｎ模块进行卷积操作，改进Ｉｎｃｅｐｔｉｏｎ模块内的卷积进行反卷积操作，更好地对噪声图像特征进行提取，使用ＲｅＬＵ函数防止梯度消失，引入ＢＮ和Ｄｒｏｐｏｕｔ操作防止网络过拟合，提升模型整体去噪性能，缩短训练时间。
使用该网络进行图像去噪的流程如图３所示。随着训练次数的增加，使用验证集来评估模型是否过拟合，具体操作为：将节点数设置为５００，通过训练集训练出相应的参数后，由验证集去检测该模型的误差，接着改变节点数。如果模型的误差大于１００％或者小于０％，则立即停止网络并进行相应的修改。
２２４
计算机应用与软件
２０２１
年
图３ 卷积自编码器去噪网络的训练流程
２ 实 验
２．１ 实验数据
基于卷积自编码器的图像去噪实验采用ＶＯＣ２０１２数据集，由于该数据集非常庞大，因此从中随机选取１０００幅图像作为数据集，其中７００幅为训练集，３００幅为测试集。同时使用图像去噪领域常用的１０幅标准图像作为对比实验的参考图像。ＶＯＣ２０１２中的所有图像均为彩图像，而本文用到的是灰度图像，因此需要将彩图像转换为灰度图并添加噪声等级为２５的高斯噪声。为了便于训练，将输入图片裁剪为２０×２０的子图像块，
将裁剪好的图片按原图每５幅存入一个Ｈ５文件中，以便于模型读取和训练。
２．２ 实验环境与评估准则
实验环境系统配置为Ｗｉｎｄｏｗｓ１０操作系统，处理器为ＩｎｔｅｌＣｏｒｅｉ７ ３３７０ＣＰＵ，内存为８ＧＢ。
使用峰值信噪比（ＰｅａｋＳｉｇｎａｌｔｏＮｏｉｓｅＲａｔｉｏ，ＰＳＮＲ）和结构相似度（ＳｔｒｕｃｔｕｒａｌＳｉｍｉｌａｒｉｔｙ，ＳＳＩＭ）作为去噪评价指标，计算公式如下：
１）均方误差（ＭＳＥ）：
ＭＳＥ＝１Ｍ×Ｎ∑Ｍ
ｉ＝１∑Ｎ
ｊ＝１
（ｆ＾（ｉ，ｊ）－ｆ（ｉ，ｊ））２
（４）
式中：
ＭＳＥ表示当前图像ｆ＾
（ｉ，ｊ）和参考图像ｆ（ｉ，ｊ）的均方误差；
Ｍ、Ｎ分别为图像的高度和宽度。２）峰值信噪比（ＰＳＮＲ）：
ＰＳＮＲ＝１０ｌｏｇ１０
（２ｎ－１）
２
()
ＭＳＥ
（５）
式中：ｎ为每像素的比特数，一般取８，即像素灰阶数为２５６，单位为ｄＢ。ＰＳＮＲ值越大，代表失真越少。
３）结构相似度（ＳＳＩＭ）：
ＳＳＩＭ（ｘ，ｙ）＝（２μｘ＋Ｃ１）（２σｘｙ＋Ｃ２
）（μ２ｘ＋μ２ｙ＋Ｃ１）（σ２ｘ＋σ２
ｙ＋Ｃ２
）（６）式中：μｘ是ｘ的平均值；μｙ是ｙ的平均值；σ２
ｘ是ｘ的方差；σ２ｙ是ｙ的方差；σｘｙ是ｘ和ｙ的协方差；ｃ１＝（ｋ１Ｌ）２
、ｃ２＝（ｋ２
Ｌ）２是用来维持稳定的常数；Ｌ是像素值的动态范围；ｋ１＝０．０１，ｋ２＝０．０３。相似结构角的范围为０～１，该值越大，两幅图像越接近。
２．３ 网络模型对去噪性能的影响
２．３．１ Ｉｎｃｅｐｔｉｏｎ模块对去噪性能影响
本文网络大量使用Ｉｎｃｅｐｔｉｏｎ模块对图片进行特征提取，为了表现本文多个Ｉｎｃｅｐｔｉｏｎ结构的特征提取能力，使用普通卷积自编码器、一层Ｉｎｃｅｐｔｉｏｎ模块和
本文多个Ｉｎｃｅｐｔｉｏｎ模块进行ＰＳＮＲ对比，实验结果如图４所示。对比实验设置相同的解
码层，
分别为３×３×３２和３×３×１的反卷积层。编码层采用两层卷积层的结构，普通自编码器使用两个３×３的卷积层作为编码层；一层Ｉｎｃｅｐｔｉｏｎ模块使用本文中第一个Ｉｎｃｅｐ ｔｉｏｎ模块，第二层使用３×３的卷积层；两层Ｉｎｃｅｐｔｉｏｎ模块则使用本文用到的模块。使用相同的实验环境和训练集，训练过程输出训练ＰＳＮＲ。可以看出，经过５００次训练，本文算法在训练过程中的ＰＳＮＲ值不断上升，最高可达２５ｄＢ，而普通卷积自编码器初始阶段较差，前期骤升后期缓慢下降，最终在１９ｄＢ左右达到平缓；一层Ｉｎｃｅｐｔｉｏｎ前期波动后平缓上升，最终在２１ｄＢ左右达到平缓。而本文用到的两层Ｉｎｃｅｐｔｉｏｎ模块从一开始就优于其他两种方法，最终在２３ｄＢ左右达到平缓。综上，训练次数越多，本文算法的稳定性和鲁棒性越好，
因此展现出较优的去噪结果。
图４ 不同编码层对模型影响对比
２．３．２ Ｉｎｃｅｐｔｉｏｎ反卷积模块对去噪性能的影响
本文使用Ｉｎｃｅｐｔｉｏｎ反卷积对已提取的特征进行反馈，对比一层反卷积和Ｉｎｃｅｐｔｉｏｎ反卷积模块对图像去噪的影响。编码层与本文编码层一致，解码层使用一
第２期
雷景生，等：基于Ｉｎｃｅｐｔｉｏｎ模块的卷积自编码器图像去噪
２２５
层卷积核为３×３的反卷积层和本文Ｉｎｃｅｐｔｉｏｎ反卷积模块进行对比实验，实验结果如图５所示。可以看出，前期训练普通一层反卷积比较稳定，而Ｉｎｃｅｐｔｉｏｎ反卷积模块则出现短暂波动，在后期的训练中使用Ｉｎｃｅｐｔｉｏｎ模块比普通一层反卷积效果好，最终稳定在２４ｄＢ左右。总体而言，使用Ｉ
ｎｃｅｐｔｉｏｎ
反卷积模块效果更好。图５ 使用一层反卷积和Ｉｎｃｅｐｔｉｏｎ反卷积模块对比２．４ 对比实验分析
为了验证本文方法的鲁棒性，选用１０幅经典测试图像，与文献［１１］、文献［１２］和文献［１３］分别做对比实验，ＰＳＮＲ与ＳＳＩＭ对比结果分别如表１和表２所示。文献［１１］和文献［１２］均使用深度卷积神经网络进行图像去噪。可以看出，本文算法表现出了较好的去噪效果，相比原图，其ＰＳＮＲ平均提高１１．０８８，ＳＳＩＭ平均提高０．４５１。文献［１１］和文献［１２］均使用５层深度卷积神经网络，不同的是，文献［１１］前三层为卷积层，后两层为反卷积层，而文献［１２］则使用５个卷积层进行去噪，本文相比于文献［１１］和文献［１２］，ＰＳＮＲ分别提高４．８１３和１．３６１，ＳＳＩＭ分别提高０．０５０和０．０１９。文献［
１３］使用一层Ｉｎｃｅｐｔｉｏｎ模块和五层卷积层，在相同实验环境下发现ＰＳＮＲ平均提高２．６２６，ＳＳＩＭ平均提
高０．０１１。
表１ １０幅图像各方法峰值信噪比（ＰＳＮＲ）
ＰＳＮＲＨｏｕｓｅ１Ｗｏｍａｎ１Ｗｏｍａｎ２ｍａｎｃａｍｅｒａｌｅｎａｂａｒｂａｒａｂｏａｔＨｏｕｓｅ２ｇｉｒｌ原图２０．１８２０．２１２０．３４２０．２２２０．５８２０．２３２０．３１２０．３０２０．３５２０．６３文献［１１］２８．１３２８．３６３０．３８２８．０１２７．９９２９．１９２６．５８２７．６８３０．０８２９．７０文献［１２］２９．１９２
９．３２３０．８５３０．１１３０．２８３０．２１２９．５８３０．２２３０．７７３０．０９文献［１３］２９．４６２９．１５２９．２２２８．８４２８．１５２８．８６２９．０３２８．２６２８．６９２８．３１本文
３０．１２
３１．５５
３２．０８
３１．６９
３０．５９
３２．５４
３０．０４
３２．１３
３１．８２
３１
．６７
表２
１０幅图像各方法结构相似度（ＳＳＩＭ）
ＳＳＩＭＨｏｕｓｅ１Ｗｏｍａｎ１Ｗｏｍａｎ２ｍａｎｃａｍｅｒａｌｅｎａｂａｒｂａｒａｂｏａｔＨｏｕｓｅ２ｇｉｒｌ原图０．４３０．４９０．４２０．５３０．４９０．４９０．５７０．５３０．４２０．４７文献［１１］０．９００．８９０．９２０．８７０．８９０．９１０．８５０．８７０．８５０．９０文献［１２］０．９２０．９００．９２０．９３０．９２０．９２０．９４０．９２０．８９０．９０文献［１３］０．９３０．９２０．９３０．９３０．９３０．９２０．９３０．９４０．９１０．９０本文
０．９４
０．９３
０．９３
０．９４
０．９２
０．９３
０．９５
０．９６
０．９３
０．９２
选取其中５幅图像进行输出对比，如图６所示。可以看出，本文图像视觉效果较好，边缘较为清晰，通过细节可见本文去噪算法效果明显，细节处理比较到位，更加清晰地展示了去噪后的图像。
原图噪声图文献［１１］文献［１２］
文献［１３］本文
（
ａ）Ｈｏｕｓｅ１原图噪声图文献［１１］
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议