为提高快速灵活降噪网络( FFDNET)模型的降噪性能,建立一种噪声水平估计(NLE)模型,将其预测的噪声水平估计值输入 FFDNET模型中,并以NLE模型作为 FFDNET深度降噪模型的前置模块,使 FFDNET转换为盲降噪模型。采用浅层卷积神经网络模型将噪声信号从噪声图像中分离出以得到噪声映射图,将噪声映射图的标准差作为噪声水平的初估值。鉴于噪声水平初估值与真值之间具有强相关性的特性,应用BP神经网络模型对噪声水平初估值进行修正。实验结果表明,该NLE模型与 FFDNET降噪模型相结合后,降噪效果总体上与使用真实噪声水平值的 FEDNET降噪模型接近,在多数噪声水平值下,两者的PSNR值相差小于0.1dB,NLE模型的估计值可以达到与真实噪声水平值近似的效果,能够充分发挥 FFDNET I降噪模型的快速和灵活特性。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !