结合Inception模型的卷积神经网络图像去噪方法
【摘要】 为更有效地去除图像中的噪声，提出一种结合Inception模型的深度卷积神经网络（ConvolutionalNeuralNetwork，CNN）图像去噪方法，以完整图像作为输入和输出，利用Inception结构密集提取原始图像和噪声多个不同空间尺度的特征，并采用多种调优策略，增强网络的整体学习能力。为避免梯度消失，使用线性修正单元（RectifiedLinearUnit，ReLU）激活函数;为加速网络的训练，增加批量规范化（BatchNormalization，BN）操作;加入跳跃结构进行残差学习（ResidualLearning，RL），提升网络的去噪性能。基于公共数据集BSDS300的三种高斯噪声等级实验结果表明，与其他图像去噪方法相比，模型在降低计算复杂度、提高收敛速度的同时，视觉效果更好，平均峰值信噪比（PeakSignaltoNoiseRatio，PSNR）提升了约1.28dB。
