摘 要

近年来，因为移动设别、计算机等技术的快速发展，照片、图片等图像信息与人们的日常生活联系越来越紧密，怎样获取高质量无噪的图像信息便是当今人们经常探讨的话题之一。学术界从2006年开始把眼光放在深度学习上，如今已经在语音识别、图像识别、计算机视觉、信息检索以及人工智能等各领域起着重要作用。深度学习是通过模拟人脑分层模型结构，让机器可以像人类一样采用相似的模式进行视觉、听觉、思考等活动，这给人工智能带来了新的希望。深入研究和发展深度学习，并不断改进，这对人类发展具有深远意义。

本文是研究基于Autoencoder的降噪算法实现。人工神经网络自身是一个分层结构的系统，若给定一个神经网络，假设它的输入和输出是相同的，然后通过训练调整它的参数，得到每层的权重，这种方法就是Autoencoder。它在解决视觉问题方面具有出色的鲁棒性和有效性。在本文中，基于这种深度学习算法，在MINIST字符库的图像中引入噪声，用于训练自动编码器。通过实验的结果来分析算法在图像噪声降低中的实际效果。

关键词：深度学习；Autoencoder；图像降噪

Abstract

In recent years, because of mobile design, the rapid development of computer technology, photos, pictures and other image information and people's daily life more and more closely linked, how to obtain high-quality noise-free image information is now people often discuss the topic of the one. Since its inception in 2006, he has played an important role in speech recognition, image recognition, computer vision, information retrieval, and artificial intelligence. In-depth learning is to simulate the human brain stratification model structure, so that the machine can be used as a human similar model for visual, auditory, thinking and other activities, which gives artificial intelligence has brought new hope. Depth study and development of deep learning, and continuous improvement, which has far-reaching significance for human development.

This paper is based on the implementation of Autoencoder noise reduction algorithm. Artificial neural network itself is a hierarchical system, given a neural network, assuming that its input and output are the same, and then adjust the parameters through training to get the weight of each layer, this method is Autoencoder. It has excellent robustness and effectiveness in solving visual problems. In this paper, based on this depth learning algorithm, noise is introduced into the image of the MINIST character library for training the automatic encoder. The experimental results are used to analyze the practical effect of the algorithm in image noise reduction.

Key words: deep learning； Autoencoder,；image noise reduction

目 录

第1章 绪论 1

1.1课题研究的必要性 1

1.2课题研究的现状 1

1.3课题研究的安排 2

第2章 图像去噪技术 3

2.1噪声的模型 3

2.2 常用图像去噪法 3

2.3 评价图像去噪效果 4

2.4 本章小结 5

第3章 自编码器及模型的构建 6

3.1人工神经网络 6

3.2 深度学习 8

3.2.1浅层学习与深度学习 9

3.2.2 基本思想与结构 10

3.2.3 训练过程 11

3.3 自编码器模型 11

3.4 本章小结 14

第4章 实验与结果分析 15

4.1 预训练 15

4.2 微调 15

4.3图像降噪实现 16

4.3.1 实验过程 16

4.3.2 实验结果分析 16

4.4本章小结 16

第5章 总结与展望 18

5.1 总结 18

5.2 展望 18

参考文献 19

致谢 21

第1章 绪论

1.1课题研究的必要性

在当今社会，人们在日常生活中对图像、音频等信息的依赖程度越来越大，而随着信息技术的飞速发展，人们对其质量的要求也越来越高。而图像、音频等信息在采集、传输的过程中，由于设备、技术、人工操作等各种原因，总会产生各种噪声，从而导致信息产生失真，影响其质量，也会在处理信息的过程中产生各种误差。所以降噪是在处理图像过程中必不可少的。而图像去噪有以下两个方面的重要意义。第一，在正确识别图像时可以有效的提高人类视觉识别图像信息的准确性。因为含有噪声的图像会影响人们对图像所含有信息的正确理解和认识，这会可能对人们的生活和工作产生不必要的麻烦，因此，对图像进行去噪有助于提高人们对图像解读的准确性。第二，可以有效提高图像的质量，为继续进行图像处理提供有效保障和良好基础。

在当前有许多图像去噪的方法，主要可分为两类。第一类是基于噪声，建立噪声模型然后从被污染的噪声图像中恢复原始图像；第二类是指从图像出发，在变换域上处理掉噪声的像素值从而得到高质量的图像。一直以来这些去噪技术都得到了飞速的发展。但仍然存在许多问题需要解决。许多去噪方法如基于变换域的去噪方法和基于统计信息的去噪方法等都采用了不同的理论基础，而其去噪效果也各有优劣。

自从深度学习提出以来，它在图像去噪方面有极大的应用。多层非线性运算单元组合起来形成了深度学习的架构，低层的输出作为高层的输入，然后从大量的数据中学习到有效的特征信息。深度学习与浅层学习相比具有许多的优点：第一深度神经网络结构可以较好的表示许多复杂的目标函数；第二深度网络结构可以增加网络结构计算的复杂度；第三深度网络结构对人类视觉系统等进行了最好的模拟；最后，有深度学习获取的特征信息可以在许多处理过程中重复利用，提高了信息的利用度。非监督预训练算法完成了以上深度学习具有的许多优势，而这些优势使得进一步深入研究深度学习在图像去噪方面的应用具有重要意义。