64、基于去噪卷积神经网络的彩色图像去噪(matlab)

1、基于去噪卷积神经网络的彩色图像去噪的原理及流程

基于去噪卷积神经网络的彩色图像去噪是一种基于深度学习的图像处理技术，可以有效地去除图像中的噪声，提高图像的质量。下面是在Matlab中实现基于去噪卷积神经网络的彩色图像去噪的原理及流程：

数据准备：准备包含训练集和验证集的彩色图像数据，同时生成包含噪声的图像作为训练数据。
网络设计：设计一个去噪卷积神经网络模型，通常包括卷积层、池化层、激活函数以及去噪功能的损失函数。
网络训练：使用训练集数据对网络进行训练，优化网络参数以使网络能够学习去除图像中的噪声。
网络验证：使用验证集数据对训练好的网络进行验证，评估网络在未见过的数据上的去噪效果。
去噪处理：将待处理的彩色图像输入训练好的网络中，通过网络的预测结果去除图像中的噪声。

在Matlab中实现这一流程，可以使用深度学习工具箱（Deep Learning Toolbox）提供的函数和工具，例如designlayers函数来搭建网络模型、trainNetwork函数进行网络训练、以及predict函数对待处理图像进行去噪处理。同时，可以通过调整网络结构、数据准备和超参数等来优化去噪效果。

2、基于去噪卷积神经网络的彩色图像去噪说明

1)说明

使用去噪卷积神经网络从 RGB 图像中去除高斯噪声

3、输入数据

1）说明

将一个彩色图像读入工作区中，并将数据转换为数据类型 double。显示原始彩色图像。

2）代码

pristineRGB = imread("C:\Users\16023\Desktop\基于深度学习的彩色图片去噪\CT1.png");
pristineRGB = im2double(pristineRGB);
figure(1)
imshow(pristineRGB)
title("Pristine Image")

3）视图效果

4、添加噪声

1)说明

将方差为 0.01 的零均值高斯白噪声添加到图像中。imnoise 函数独立地向每个颜色通道添加噪声。

2代码

noisyRGB = imnoise(pristineRGB,"gaussian",0,0.01);
figure(2)
imshow(noisyRGB)
title("Noisy Image")

3）视图效果

5、训练神经网络

1）预训练去噪卷积神经网络 DnCNN

代码

[noisyR,noisyG,noisyB] = imsplit(noisyRGB);

2）加载预训练的 DnCNN 网络

代码

net = denoisingNetwork("dncnn");

3）使用 DnCNN 网络去除每个颜色通道的噪声

代码

denoisedR = denoiseImage(noisyR,net);
denoisedG = denoiseImage(noisyG,net);
denoisedB = denoiseImage(noisyB,net);

6、显示去噪后的彩色图像

1）说明

合并去噪的颜色通道以形成去噪后的 RGB 图像

2）代码

denoisedRGB = cat(3,denoisedR,denoisedG,denoisedB);
imshow(denoisedRGB)
title("Denoised Image")

3）视图效果

7、计算信噪比PSNR

1）说明

计算含噪图像和去噪图像的峰值信噪比 (PSNR)。PSNR 越大，噪声相对信号越小，说明图像质量越高。

2）代码

noisyPSNR = psnr(noisyRGB,pristineRGB);
fprintf("\n The PSNR value of the noisy image is %0.4f.",noisyPSNR);
denoisedPSNR = psnr(denoisedRGB,pristineRGB);
fprintf("\n The PSNR value of the denoised image is %0.4f.",denoisedPSNR);The PSNR value of the noisy image is 20.1077.The PSNR value of the denoised image is 35.1933.

8、计算结构相似性 (SSIM) 指数

1）说明

计算含噪图像和去噪图像的结构相似性 (SSIM) 指数。SSIM 指数接近 1 表示与参考图像相当一致，图像质量更高。

2）代码

noisySSIM = ssim(noisyRGB,pristineRGB);
fprintf("\n The SSIM value of the noisy image is %0.4f.",noisySSIM);
denoisedSSIM = ssim(denoisedRGB,pristineRGB);
fprintf("\n The SSIM value of the denoised image is %0.4f.",denoisedSSIM);The SSIM value of the noisy image is 0.3767.The SSIM value of the denoised image is 0.9280.

9、总结

基于去噪卷积神经网络的彩色图像去噪在Matlab中的实现流程包括数据准备、网络设计、网络训练、网络验证和去噪处理。以下是这一过程的总结：

数据准备：准备包含训练集和验证集的彩色图像数据，同时生成带有噪声的图像数据用于训练。Matlab提供了丰富的图像处理工具和函数，可用于数据加载、预处理等操作。
网络设计：设计一个包含卷积层、池化层、激活函数和损失函数的去噪卷积神经网络模型。Matlab的深度学习工具箱提供了丰富的函数和工具，可用于构建和调整网络结构。
网络训练：使用训练集数据对网络进行训练，通过优化算法（如随机梯度下降）来调整网络参数以最小化损失函数。Matlab提供了trainNetwork函数来进行网络训练。
网络验证：使用验证集数据对训练好的网络进行验证，评估网络的性能和泛化能力。可以使用Matlab的交叉验证等方法进行验证。
去噪处理：将待处理的彩色图像输入训练好的网络中，通过网络的预测结果去除图像中的噪声。Matlab提供了predict函数来对新数据进行预测处理。

通过以上流程，基于去噪卷积神经网络的彩色图像去噪可实现高效地去除图像中的噪声，提高图像质量，适用于图像处理、计算机视觉等领域。Matlab的丰富函数和工具为实现这一目标提供了便利和支持。

10、源代码

代码

%% 基于去噪卷积神经网络的彩色图像去噪
%使用去噪卷积神经网络从 RGB 图像中去除高斯噪声。%% 输入数据
%将一个彩色图像读入工作区中，并将数据转换为数据类型 double。显示原始彩色图像。
pristineRGB = imread("C:\Users\16023\Desktop\基于深度学习的彩色图片去噪\CT1.png");
pristineRGB = im2double(pristineRGB);
figure(1)
imshow(pristineRGB)
title("Pristine Image")%% 添加噪声
%将方差为 0.01 的零均值高斯白噪声添加到图像中。imnoise 函数独立地向每个颜色通道添加噪声。
noisyRGB = imnoise(pristineRGB,"gaussian",0,0.01);
figure(2)
imshow(noisyRGB)
title("Noisy Image")%% 训练神经网络
%预训练去噪卷积神经网络 DnCNN 对单通道图像进行运算。将含噪 RGB 图像分成三个单独的颜色通道。
[noisyR,noisyG,noisyB] = imsplit(noisyRGB);
%加载预训练的 DnCNN 网络。
net = denoisingNetwork("dncnn");
%使用 DnCNN 网络去除每个颜色通道的噪声。
denoisedR = denoiseImage(noisyR,net);
denoisedG = denoiseImage(noisyG,net);
denoisedB = denoiseImage(noisyB,net);%% 显示去噪后的彩色图像
%合并去噪的颜色通道以形成去噪后的 RGB 图像。
denoisedRGB = cat(3,denoisedR,denoisedG,denoisedB);
imshow(denoisedRGB)
title("Denoised Image")%% 计算信噪比PSNR
%计算含噪图像和去噪图像的峰值信噪比 (PSNR)。PSNR 越大，噪声相对信号越小，说明图像质量越高。
noisyPSNR = psnr(noisyRGB,pristineRGB);
fprintf("\n The PSNR value of the noisy image is %0.4f.",noisyPSNR);
denoisedPSNR = psnr(denoisedRGB,pristineRGB);
fprintf("\n The PSNR value of the denoised image is %0.4f.",denoisedPSNR);
%% 计算结构相似性 (SSIM) 指数
noisySSIM = ssim(noisyRGB,pristineRGB);
fprintf("\n The SSIM value of the noisy image is %0.4f.",noisySSIM);
denoisedSSIM = ssim(denoisedRGB,pristineRGB);
fprintf("\n The SSIM value of the denoised image is %0.4f.",denoisedSSIM);