Knowledge Commons of Institute of Automation,CAS
采用多通道浅层CNN构建的多降噪器最优组合模型 | |
徐少平; 林珍玉; 陈孝国; 李芬; 杨晓辉 | |
发表期刊 | 自动化学报 |
ISSN | 0254-4156 |
2022 | |
卷号 | 48期号:11页码:2797-2811 |
摘要 | 现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像. |
关键词 | 多降噪器最优组合 一致性神经网络 多通道浅层卷积神经网络 降噪效果提升 执行效率 |
WOS标题词 | 现有的一致性神经网络(Consensus neural network, CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers, OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像. |
DOI | 10.16383/j.aas.c190736 |
引用统计 | |
文献类型 | 期刊论文 |
条目标识符 | http://ir.ia.ac.cn/handle/173211/56253 |
专题 | 学术期刊_自动化学报 |
推荐引用方式 GB/T 7714 | 徐少平,林珍玉,陈孝国,等. 采用多通道浅层CNN构建的多降噪器最优组合模型[J]. 自动化学报,2022,48(11):2797-2811. |
APA | 徐少平,林珍玉,陈孝国,李芬,&杨晓辉.(2022).采用多通道浅层CNN构建的多降噪器最优组合模型.自动化学报,48(11),2797-2811. |
MLA | 徐少平,et al."采用多通道浅层CNN构建的多降噪器最优组合模型".自动化学报 48.11(2022):2797-2811. |
条目包含的文件 | 下载所有文件 | |||||
文件名称/大小 | 文献类型 | 版本类型 | 开放类型 | 使用许可 | ||
AAS-CN-2019-0736.pdf(4079KB) | 期刊论文 | 出版稿 | 开放获取 | CC BY-NC-SA | 浏览 下载 |
个性服务 |
推荐该条目 |
保存到收藏夹 |
查看访问统计 |
导出为Endnote文件 |
谷歌学术 |
谷歌学术中相似的文章 |
[徐少平]的文章 |
[林珍玉]的文章 |
[陈孝国]的文章 |
百度学术 |
百度学术中相似的文章 |
[徐少平]的文章 |
[林珍玉]的文章 |
[陈孝国]的文章 |
必应学术 |
必应学术中相似的文章 |
[徐少平]的文章 |
[林珍玉]的文章 |
[陈孝国]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论