由于RAW图像中存在整体偏暗和对比度不足,以及亮度不一致等问题,导致RAW图像中的噪声复杂多样。提出了一种改进的降噪模型DnCNN-IID(denoising convolutional neural network with image inversion and down-sample,DnCNN-IID)抑制RAW...由于RAW图像中存在整体偏暗和对比度不足,以及亮度不一致等问题,导致RAW图像中的噪声复杂多样。提出了一种改进的降噪模型DnCNN-IID(denoising convolutional neural network with image inversion and down-sample,DnCNN-IID)抑制RAW图像中的复杂噪声,增强图像质量。该模型基于DnCNN网络,通过对图像进行反通道处理进行图像增强,增强图像对比度,突出图像中的细节和边缘,同时突出噪声的特征信息;通过加入图像下采样使网络处理效率提升的同时,扩大了网络感受野,提高模型对输入图像的全局信息的感知能力,更加有效的抑制噪声。为了验证算法的有效性,在BSD500数据集、Ex/600数据集与RAW数据集上与主流方法进行了比较,实验结果表明,所提模型在PSNR、SSIM、MSE多个评价指标上得到较好的提升。展开更多
文摘由于RAW图像中存在整体偏暗和对比度不足,以及亮度不一致等问题,导致RAW图像中的噪声复杂多样。提出了一种改进的降噪模型DnCNN-IID(denoising convolutional neural network with image inversion and down-sample,DnCNN-IID)抑制RAW图像中的复杂噪声,增强图像质量。该模型基于DnCNN网络,通过对图像进行反通道处理进行图像增强,增强图像对比度,突出图像中的细节和边缘,同时突出噪声的特征信息;通过加入图像下采样使网络处理效率提升的同时,扩大了网络感受野,提高模型对输入图像的全局信息的感知能力,更加有效的抑制噪声。为了验证算法的有效性,在BSD500数据集、Ex/600数据集与RAW数据集上与主流方法进行了比较,实验结果表明,所提模型在PSNR、SSIM、MSE多个评价指标上得到较好的提升。
