第 1 章 绪论
1.1 图像去噪的背景和意义
采集图像过程中会由于光照、电磁干扰、传感器设备的缺陷等原因，导致生成的图像产生噪声。在医学成像领域，如光声成像[1,2]中，前向过程使用探测器接收声波信号，由于探测器在接收信号过程中的稀疏采样问题，导致生成的图像产生噪声。在逆向过程中将声波信号通过 FBP[3,4]、DAS[5]等成像算法将信号重建为图像。因为重建算法本身的缘故也将导致噪声的产生。此外，在 CT[6]和超声成像[7]应用中，噪声干扰会导致人体的组织结构如血管等无法被清晰的识别出来。在卫星图像领域，特别是卫星图像中的目标，噪声干扰导致人眼无法有效识别图中的目标，影响医生的判断。在光加密图像中，经过解密后的图像将受到严重的图像噪声干扰，原有的图像结构损坏。
实际的噪声通常表现为在叠加性质，即多种因素导致的噪声，这些噪声对图像的质量造成了严重的破坏，严重的噪声将破坏原图像的结构，直接影响人的视觉感受。低强度的噪声主要表现为其在图像中的细小的噪声点，对于低强度的噪声去除，现有的图像去噪[8]算法如基于空间域的滤波器，基于空间变换域的去噪算法如非局部均值去噪算法（NLM），稀疏矩阵去噪[9,10]，加权核范数最小化[11,12]等以及 BM3D 等能做到比较好的去除效果，此类传统的去噪算法通过学习相邻像素点或图像块的像素值达到去除噪声的目的。而对于高强度的噪声图像，噪声信号表现为图像中大部分的像素值，此时使用传统的去噪算法无法有效的去除噪
......................
1.2 图像去噪算法的现状和研究
1.2.1 基于图像空间域的去噪方法
基于空间域[13]的滤波器去噪方法，有中值滤波[14]，均值滤波[15]，高斯滤波[16]等滤波去噪算法。其中中值滤波和均值滤波分别通过对图像的一块区域像素点求中值和均值，中值滤波每次提取图像像素点周边区域内像素块的中间值替换中心像素点的值，而均值滤波每次对提取图像区域像素块的平均值进行替换。与前两者方法不同的是，高斯滤波器的卷积核通过高斯核函数计算得出，每次运算通过卷积核对图像中的一个像素点做卷积运算。
中值滤波对椒盐噪声去除效果好，每次运算后图像中的噪声像素点会被过滤掉，对图像的边缘信息保护比较好，但是对于成片的连通域噪声去除效果差，且会对图像中明亮区和暗区造成一定的破坏。均值滤波器计算方式简单，效率较高，但缺点是使用均值滤波器后会导致图像的趋于模糊，滤波后的图像的具有马赛克问题。
高斯滤波器具有旋转对称性的特点，对噪声的效果处理好，但是只限于处理高斯噪声。传统的滤波器都对图像会造成一定的平滑，导致图像清晰度的降低。滤波器会对图像的纹理信息和高频细节造成破坏，导致图像的信息丢失，且在实际的运用过程中，需要手动设置参数。
.........................
第 2 章 相关理论和方法介绍
2.1 图像噪声模型基础理论
图像噪声主要指的是对图像产生不必要或者是多余的干扰信息，噪声干扰影响着人对图像的判断。去噪任务通过算法手段将图像中的噪声信号去除，恢复出原图像。图像的噪声模型如图 2-1 所示。
图 2-1 图像的噪声模型
去噪的过程是通过算法获得一个接近于原始图像的近似分布,传统的去噪算法无需原始的图像分布，直接对 g ( x,y)进行去噪，而在深度学习算法中，需要学习到原始图像分布信息，并且估计出和原始图像分布近似的数值分布，达到去噪的目的。
...........................
2.2 图像去噪算法 BM3D
BM3D 是一种基于图像变换域的去噪算法，BM3D 主要分为两大步骤，分别是基础估计和最终估计。在 NLM 算法中处理当前像素点会寻找以当前像素点为中心的图像块，根据该图像块寻找与该图像块相似的图像块，并且对相应的图像中点加权作为去噪图像的像素值。在 BM3D 中G 表示当前操作的图像块，使用ijG,表示搜索到的当前图像块中的像素点，S 表示搜索到的图像块，使用ijS,表示对应匹配到的图像块中的像素点，设选择的图像块大小为 N N，以图像块G的左上角的像素点为中心在区域内 N N内进行搜索，将搜索到差异度最小的图像块拼接成一个三维的矩阵。两者之间的欧式距离可以表示为。
与使用手动设置参数提取特征的过程相比，卷积神经网络使用卷积核自动提取图像的特征信息，通过卷积核提出图像特征后，使用非线性激活函数增强网络的非线性表达能力。如图 2-2 所示是使用 VGG-19 使用卷积核提取图像特征的过程。VGG-19 为图像识别领域中的经典网络，其结构对输入的图像做 4 次尺度变换。每经过一个图像的下采样的后，图像的特征变得原来越抽象，不同的维度的特征图信息下，特征图包含的特征信息也不相同。
图 2-2 卷积和提取图像特征的过程
第 3 章 基于卷积神经网络的图像去噪方法........................................23
3.1 特征提取模块设计....................................23
3.2 卷积神经网络模型的设计.........................................27
第 4 章 基于生成对抗网络的图像去噪方法..............................29
4.1 生成对抗网络总体模型设计.....................................29
4.2 生成网络的结构设计...............................30
第 5 章 图像去噪实验结果分析...................................35
5.1 灰度图像去噪效果展示.....................................35
5.2 二维码去噪效果.............................37
第 5 章 图像去噪实验结果分析
5.1 灰度图像去噪效果展示
使用去噪算法对噪声图像进行去噪，结果如图 5-1 所示，测试结果中共 4 个图像类别，其中每个类别的第一张为原图，第二张为经过光学加密系统解密图，第三张为 BM3D 去噪结果图，第四张为 pix2pix 去噪结果图，第五张为 ID-CGAN去噪结果图，第六张为本文使用非对抗网络去噪结果图，第七张本文使用对抗方式训练后的去噪结果图。
图 5-1 灰度图像去噪结果图
............................
结论
图像在采集的过程中产生噪声信号，导致对原图造成破坏，当噪声强度很高时，图像结构被破坏，直接导致图像无效。在光学加密领域中，会产生高强度的噪声干扰。针对去除光学加密领域内产生的高强度噪声干扰。
本文根据图像数据的特点设计了一种基于密集网络和通道注意力机制的去噪网络。完成的工作如下：本文提出的去噪结果，对比以往的去噪算法，在生成图像的质量和指标上有明显的提高，同时算法的泛化能力先比以为的能力也有很大的提升。针对高强度噪声干扰导致的图像丢失的图像细节和纹理特征的情况，使用深层的密集块网络提取特征并且去除噪声，采用图像金字塔对图像进行尺度变换，提取出有用的特征信息，去除噪声的干扰。同时使用特征提取网络 VGG-19 有效恢复图像的纹理细节特征。将通道注意力机制引入生成网络结构，加强通道之间的联系性，提取有用的特征信息。恢复出高质量的去噪图像。设计了一种多尺度的判别网络，提升判别网络对真假样本的识别能力，同时提升了生成网络生成的图像的质量。
使用对抗网络的方式训练去噪算法，损失函数中，引入了对抗损失函数和非对抗损失函数两个部分。其中对抗损失用于指引对抗网络的训练。非对抗网络中包含了内容损失函数和感知损失函数，内容误差用于缩小图像之间的差异，完成去噪的目的，而感知损失函数恢复图像的纹理和高频细节部分，提升图像的质量。
参考文献（略）