跳到主要內容

臺灣博碩士論文加值系統

(44.200.86.95) 您好!臺灣時間:2024/05/21 09:40
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳睿瀚
研究生(外文):CHEN,JUI-HAN
論文名稱:使用卷積類神經網路移除數位影像中的椒鹽雜訊
論文名稱(外文):Removal of Salt-and-Pepper Noise Using Convolutional Neural Network
指導教授:陸清達陸清達引用關係
指導教授(外文):LU, CHING-TA
口試委員:陸清達王玲玲陳松雄
口試委員(外文):LU, CHING-TAWang,Ling-LingChen, Song-Shyong
口試日期:2019-06-10
學位類別:碩士
校院名稱:亞洲大學
系所名稱:資訊傳播學系
學門:傳播學門
學類:一般大眾傳播學類
論文種類:學術論文
論文出版年:2019
畢業學年度:107
語文別:中文
論文頁數:78
中文關鍵詞:椒鹽雜訊影像濾波影像修復卷積類神經網路人工智慧
外文關鍵詞:Salt and pepperImage filteringImage restorationConvolutional neural networkArtificial wisdom
Facebook:jeff85010466@yahoo.com.tw
相關次數:
  • 被引用被引用:0
  • 點閱點閱:194
  • 評分評分:
  • 下載下載:13
  • 收藏至我的研究室書目清單書目收藏:0
在科技普及的現代,人人隨身都有具有拍攝功能的產品,但拍攝下來的影像可能在拍攝或傳送途中受到脈衝雜訊干擾,進而破壞拍攝影片的清析度。而現代對影像品質的需求也越來越高,所以影像的修復、增強能力也受到各界的重視,例如:醫學治療時,需要觀看人體X光的影像,但是常常會受到雜訊的干擾而導致觀看不易或是產生錯誤判讀,使用高效率的影像修復則可以解決以上的問題。為了使電腦能更準確的分析影像內容、機器能更精準的偵測影像中的物件,如何有效移除影像中的雜訊對現代科技極為重要。本文使用卷積類神經網路(Convolutional Neural Network, CNN)進行雜訊的移除,首先利用滑動視窗(sliding window)分析每一個雜訊像素,並且與原始圖片進行比對,找出最接近之鄰域像素(pixel),並將視窗加大擷取成微圖片,全部擷取後的微圖片便成為卷積類神經網路特徵的數據庫。最後使用卷積類神經網路進行微圖片的特徵學習,利用訓練後的卷積類神經網路,找出受雜訊干擾像素的臨域像素中最接近之像素做為替代,完成雜訊像素之修復。實驗結果顯示本文提出的卷積類神經網路確實可以有效的移除受雜訊干擾影像中的椒鹽雜訊,修復影像能看清輪廓、甚至影像的細節也能有效修復。
A captured image may be interfered with by impulse noise during acquisition or transmission, which will deteriorate the quality of the image. The demand of image quality is also increasing, so the enhancement of corrupted images is important, such as the X-ray and other medical images. This thesis presents a new method based on the Convolutional Neural Network (CNN) for noise removal. First, each noise pixel is analyzed by using a sliding window, and compared with the original image. The nearest neighbor pixel is selected to be the restored pixel. A larger window is employed to generate training features for the CNN, enabling a greater quantity of noise-free pixels to be adopted. In turn, the CNN is used to learn the mapping relationship between the noisy and noise-free images. The restored pixel is obtained by the selection of the trained CNN from the neighboring noise-free pixels. The experimental results show that the proposed CNN can effectively remove the salt and pepper noise in noisy images with various noise densities.
目錄
摘要 I
ABSTRACT II
誌謝 III
目錄 IV
圖目錄 VI
表目錄 IX
第一章 緒論 1
1.1 研究動機與目的 1
1.2 文獻探討 2
1.3 章節結構 5
第二章 雜訊影像移除方法 6
2.1數位影像之表示方式 6
2.2脈衝雜訊(IMPULSE NOISE)之介紹 7
2.3檢測影像中的極值像素與鏡射方法 7
2.3.1偵測極值像素 7
2.3.2鏡射 8
2.4常見雜訊影像之移除 9
2.4.1中值濾波器 9
2.4.2均值濾波器 10
2.4.3中間值權重中位數濾波器 11
2.4.4可變視窗與像素機率調適之方法 12
2.4.5方向權重中值濾波 13
2.4.6修正型非對稱截斷中值濾波器 14
第三章 使用卷積類神經網路移除雜訊方法 16
3.1 卷積類神經網路訓練 16
3.1.1 卷積類神經網路介紹 17
3.1.2 神經網路的訓練方法 19
3.2 卷積類神經網路修復雜訊像素 22
3.3 使用最接近N個像素平均重建 22
3.4雜訊影像移除方式 24
第四章 實驗結果 26
4.1影像結構相似度之品質量測 26
4.2峰值信噪比之品質量測 29
4.3 LENA影像遭受固定式脈衝雜訊干擾之實驗結果 32
4.4 BOAT影像遭受固定式脈衝雜訊干擾之實驗結果 42
4.5 ZELDA影像遭受固定式脈衝雜訊干擾之實驗結果 52
第五章 結論與未來發展方向 62
5.1結論 62
5.2未來發展方向 62
參考文獻 63
附錄 66
附錄一、縮寫對照表 (以英文順序排序) 66
附錄二、符號對照表 67
簡歷 68


圖目錄
圖2. 1動視窗示意圖。 8
圖2. 2 影像的鏡射示意圖。 9
圖2. 3中值濾波器之修復圖範例。 10
圖2. 4 均值濾波器之修復範例。 11
圖2. 5中間值權重中值濾波器之修復範例圖。 12
圖2. 6 方向權重中值濾波器的4種變動方向。 14
圖2. 7 修正型非對稱截斷中值濾波器之修復範例1。 15
圖2. 8 修正型非對稱截斷中值濾波器之修復範例2。 15
圖3. 1 3X3視窗中可替換的臨域像素示意圖。 16
圖3. 2 5X5視窗中可替換的臨域像素示意圖。 17
圖3. 3卷積類神經網路示意圖。 17
圖3. 4 卷積層示意圖。 18
圖3. 5 池化層的示意圖。 19
圖3. 6 全連結層示意圖。 19
圖3. 7 訓練集取得之流程圖。 20
圖3. 8 分視窗之像素位置代號。 21
圖3. 9 視窗圖片分類之示意圖。 21
圖3. 10 分析視窗的像素修復範例圖。 24
圖3. 11 本文修復影像之流程圖。 26
圖4. 1 LENA影像在10%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 34
圖4. 2 LENA影像在20%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 35
圖4. 3 LENA影像在30%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 36
圖4. 4 LENA影像在40%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 37
圖4. 5 LENA影像在50%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 38
圖4. 6 LENA影像在60%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 39
圖4. 7 LENA影像在70%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 40
圖4. 8 LENA影像在80%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 41
圖4. 9 BOAT影像在10%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 44
圖4. 10 BOAT影像在20%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 45
圖4. 11 BOAT影像在30%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 46
圖4. 12 BOAT影像在40%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 47
圖4. 13 BOAT影像在50%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 48
圖4. 14 BOAT影像在60%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 49
圖4. 15 BOAT影像在70%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 50
圖4. 16 BOAT影像在80%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 51
圖4. 17 ZELDA影像在10%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 54
圖4. 18 ZELDA影像在20%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 55
圖4. 19 ZELDA影像在30%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 56
圖4. 20 ZELDA影像在40%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 57
圖4. 21 ZELDA影像在50%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 58
圖4. 22 ZELDA影像在60%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 59
圖4. 23 ZELDA影像在70%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 60
圖4. 24 ZELDA影像在80%固定式脈衝雜訊干擾時,各演算法除雜訊的影像成果圖。 61


表目錄
表3. 1使用2層與3層卷積層移除LENA雜訊影像的PSNR效能比較表。 21
表3. 2 使用2層與3層卷積層移除LENA雜訊影像的PSNR比較表。 23
表4. 1以各演算法修復遭受密度10%至80%之固定式脈衝雜訊干擾的LENA影像,並以SSIM為評估標準之比較表。 27
表4. 2以各演算法修復遭受密度10%至80%之固定式脈衝雜訊干擾的BOAT影像,並以SSIM為評估標準之比較表。 27
表4. 3以各演算法修復遭受密度10%至80%之固定式脈衝雜訊干擾的ZELDA影像,並以SSIM為評估標準之比較表。 28
表4. 4以各演算法修復遭受密度10%至80%之固定式脈衝雜訊干擾的LENA影像,並以PSNR為評估標準之比較表。 30
表4. 5以各演算法修復遭受密度10%至80%之固定式脈衝雜訊干擾的BOAT影像,並以PSNR為評估標準之比較表。 31
表4. 6以各演算法修復遭受密度10%至80%之固定式脈衝雜訊干擾的ZELDA影像,並以PSNR為評估標準之比較表。 31



[1]Bovik, A. Handbook of Image and Video Processing. NewYork : Academic, 2000.
[2]R. C. Gonzalez, R. E. Woods and S. L. Eddins, Digital Image Processing, 2nd ed. New York: Prentice-Hall, 2002.
[3]S. -J. Ko and Y. -H. Lee, ”Center weighted filter and their applications to image enhancement,” IEEE Transactions on Circuits and Systerms, vol. 38, no. 9, pp. 984-993, Sep. 1991.
[4]P. -E. Ng and K. -K. Ma, “A switching median filter with boundary discriminative noise detection for extremely corrupted images,” IEEE Transactions on Image Processing, Vol. 15, No. 6, pp. 1506-1516, June 2006.
[5]Y. Dong and S. Xu, ”A new directional weighted median filter for removal of random-valued impulse noise,” IEEE Signal Processing Letters, vol. 14, no. 3, pp.193-196, Mar. 2017.
[6]周子雋,「使用最佳方向之開關權重中值濾波於脈衝影像雜訊移除之研究」,碩士論文,亞洲大學資訊傳播學系,台中,民99年。
[7]C. -T. Lu and T. -C. Chou, “Denoising of salt-and-pepper noise corrupted image using modified directional-weighted-median filter,” Pattern Recognition Letters, vol. 33, no. 10, pp. 1287-1295, July 2012.
[8]H. Hwang and R. A. Handdad, “Adaptive median filters: new algorithms and results,” IEEE Transactions on image processing, vol. 4, no. 4, pp. 499-502, Apr. 1995.
[9]W. Mu, J. Jin, H. Feng and Q. Wang, “Adaptive window multistage median filter for image salt-and-pepper denoising,” in Proceedings of IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Minneapolis, MN, USA, 2013, pp. 1535-1539.
[10]ZHANG, Xuming; XIONG, Youlun. Impulse noise removal using directional difference based noise detector and adaptive weighted mean filter. IEEE Signal processing letters, 2009, 16.4: 295-298.
[11]C. –T. Lu, M. –Y. Chen, J. –H. Shen, L. –L. Wang and C. –C. Hsu, “Removal of salt-and-pepper noise for X-ray bio-images using pixel-variation gain factors,” Computers & Electrical Engineering, vol. 71, pp. 862-876, Oct. 2018.
[12]張郡芳,「使用可變視窗與像素機率調適之影像椒鹽雜訊移除」,碩士論文,亞洲大學資訊傳播學系,台中,民103年。
[13]Lu, Ching-Ta, et al. "Removal of salt-and-pepper noise in corrupted image using three-values-weighted approach with variable-size window." Pattern Recognition Letters 80 (2016): 188-199.
[14]S. Esakkirajan,T. Veerakumar, A. N. Subramanyam, and C. H. PremChand, “Removal of high density salt and pepper noise through modified decision based unsymmeteric trimmed median filter,” IEEE Signal Processing Letters, vol. 18, no. 5, May 2011.
[15]A. Makandar and B. Halalli, ” Image enhancement techniques using highpass and lowpass filters,” International Journal of Computer Applications, vol. 109, no. 14, July 2015.
[16]S. Chauhan,V. Kameriya, A. Jagetiya, A. Sharma, and P. Lohar, ” Design of high pass and low pass filter using CMOS operational trans-conductance amplifier,” International Journal of Scientific and Research Publications, vol. 8, no. 5, pp.112-116, May 2018.
[17]Ko, S-J., and Yong Hoon Lee. "Center weighted median filters and their applications to image enhancement." IEEE transactions on circuits and systems 38.9 (1991): 984-993.
[18]T. Chen, K. -K. Ma and L. -H. Chen, “Tri-state median filter for image denoising”, IEEE Transactions on Image Processing, vol. 8, no. 12, pp. 1834-1838, Dec. 1999.
[19]K. K. V. Toh and N. A. M. Isa, “Noise adaptive fuzzy switching median filter for salt-and-pepper noise reduction,” IEEE Signal Processing Letters, vol. 17, no. 3, pp. 281–284, Mar. 2010.
[20]P. -Y. Chen and C. -Y. Lien, “An efficient edge-preserving algorithm for removal of salt-and-pepper noise,” IEEE Signal Processing Letters, vol. 15, pp. 833-836, Dec. 2008.
[21]陸清達、陳淇鈺,「使用邊緣保留與相鄰視窗變化調整法於受干擾影像中移除椒鹽雜訊」,資訊科技國際期刊,卷7,期2,頁34-42,民102年12月。
[22]王齊宇,「結合中值濾波與影像修補策略的一個適用於高密度脈衝雜訊影像之高效雜訊去除方法」,碩士論文,國立臺灣科技大學資訊工程系,台北,民102年。
[23]Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems. 2012.
[24]Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556 (2014). (VGG)
[25]K. Simonyan and A. Zisserman, ”Very deep convolutional networks for large-scale image recognition,” in Proceedings of International Conference on Internet Content Rating Association, 2015.
[26]K. He, X. Zhang, S. Ren, and J. Sun,” Deep residual learning for image recognition,” in Proceedings of International Conference on Conference on Computer Vision and Pattern Recognition, 2016.
[27]A. Krizhevsky , I. Sutskever , and G. E. Hinton, ”Imagenet classification with deep convolutional neural networks,” in Proceedings of International Conference on Internet Content Rating Association , 2012.
[28]C. M. Bishop, Neural networks for pattern recognition, Oxford university press, 1995.
[29]陳睿瀚、陸清達、王玲玲、林家安、沈俊宏,「使用卷積類神經網路移除數位影像中的椒鹽雜訊」,2019年離島資訊技術與應用研討會,頁590-597,南投,民108年5月。


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊