基本卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪算法研究.pdf

1、2006年，Hinton提出了一種深層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，再一次掀起了人工神經(jīng)網(wǎng)絡(luò)的熱潮。深度學(xué)習(xí)是一個(gè)較為復(fù)雜的機(jī)器學(xué)習(xí)算法，目前在圖像識(shí)別、語音識(shí)別等方面已經(jīng)獲得了很大的成功。深度學(xué)習(xí)使得機(jī)器能夠模擬人類的視覺、聽覺以及思考等活動(dòng)，解決了許多比較復(fù)雜的模式識(shí)別方面的難題，使得人工智能的相關(guān)技術(shù)獲得了非常大的進(jìn)步。在當(dāng)前的研究工作中，經(jīng)常將深度學(xué)習(xí)與各類的實(shí)際應(yīng)用結(jié)合起來，這是極其重要并且具有現(xiàn)實(shí)意義的。
　　本文在研究圖像去噪問

2、題的基礎(chǔ)上，給出了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的深度網(wǎng)絡(luò)。該網(wǎng)絡(luò)區(qū)別于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，由四個(gè)子網(wǎng)絡(luò)構(gòu)成，每個(gè)子網(wǎng)絡(luò)有不同的隱層數(shù)目。每個(gè)網(wǎng)絡(luò)中輸入圖像經(jīng)過數(shù)次卷積操作，對(duì)輸入圖像進(jìn)行不斷濾波得到特征映射圖，對(duì)這些特征映射圖進(jìn)行全連接得到輸出圖像。為了能夠更好的說明本文給出的深度網(wǎng)絡(luò)是如何對(duì)圖像進(jìn)行去噪的，將圖像的去噪問題轉(zhuǎn)換成一個(gè)學(xué)習(xí)問題，通過學(xué)習(xí)輸出圖像與標(biāo)簽圖像的誤差來修正網(wǎng)絡(luò)中每層的權(quán)重，使得該深度網(wǎng)絡(luò)能夠?qū)D像進(jìn)行去噪。另外對(duì)該深度網(wǎng)絡(luò)

3、中輸入的設(shè)置、網(wǎng)絡(luò)層數(shù)的選擇、訓(xùn)練迭代次數(shù)的設(shè)置、訓(xùn)練樣本的大小、卷積層的構(gòu)建以及構(gòu)建模型的時(shí)候參數(shù)的初始化和學(xué)習(xí)率的設(shè)置問題等對(duì)網(wǎng)絡(luò)的影響進(jìn)行了分析。對(duì)于給出的深度網(wǎng)絡(luò)的訓(xùn)練，當(dāng)前一個(gè)子網(wǎng)絡(luò)訓(xùn)練好之后，將其參數(shù)作為后一個(gè)網(wǎng)絡(luò)的初始化，再對(duì)后一個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練。卷積操作能夠使得圖像變小，而圖像去噪問題在保證去除圖像噪聲的同時(shí)，圖像的大小也不能變。在深度網(wǎng)絡(luò)訓(xùn)練的過程中，每次迭代對(duì)輸入圖像中隨機(jī)選一個(gè)點(diǎn)為中心，進(jìn)行卷積，得到的圖像來覆蓋輸