Применение нейросетей с Residial-архитектурой для фильтрации импульсных шумов изображений

   Нейросети представляют собой цепочки слоев над данными. В ходе процесса обучения каждый слой из цепочки «подбирает» необходимые коэффициенты для достижения необходимого результата. Метод обучения называют методом обратного распространения ошибки. На текущий момент обработка изображений – одна из наиболее быстро развивающихся областей обработки данных. Данные изображений подвергаются воздействию шумов на протяжении процедуры захвата и передачи данных по каналам связи. К сигналу применяется наиболее подходящий метод из имеющихся. Такой подход позволяет существенно повысить качество работы фильтра, но требует дополнительных вычислений для проведения детектирования и выбора фильтра. С каждым годом объем данных изображений увеличивается. Таким образом, задача удаления шумов с изображений становится все более актуальной. В последнее время набирают популярность нейросетевые подходы к решению задачи фильтрации шумов. Для обучения сложных архитектур нейросетей используют дополнительные блоки, существенно влияющие на показатели производительности. В данной работе предложена архитектура нейросети с residual-блоками, позволяющая осуществить фильтрацию с высокими показателями качества и времени.

1. D. Brownrigg. “The weighted median filter,” Commun. Assoc. Comput. Mach., vol. 27, pp. 807-818, Mar. 1984.

2. S. J. Ko and Y. H. Lee, “Center weighted median filters and their applications to image enhancement,” IEEE Trans. Circuits Syst., vol. 38, pp. 984-993, 1991.

3. Bellanger M. G. Adaptive digital filters. 2nd ed. Marcel Dekker, 2001.

4. Haykin S. Adaptive filter theory. 4th ed. Prentice Hall, 2001.

5. Sayed A. H. Fundamentals of adaptive filtering. John Wiley and Sons, 2003.

6. Adaptive signal processing: applications to real-world problems.J. Benesty, Y. Huang, Eds. Springer, 2003.

7. Poularikas A. D., Ramadan Z. M. Adaptive filtering premier with MATLAB. CRC Press, 2006.

8. Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising Kai Zhang, Wangmeng Zuo, Senior Member, IEEE, Yunjin Chen, Deyu Meng, Member, IEEE, and Lei Zhang Senior Member, IEEE.

9. Harold C. Burger, Christian J. Schuler, «Image denoising: Can plain Neural Networks compete with BM3D», IEEE International Conference on Computer Vision and Pattern Recognition 2012.

10. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift Sergey Ioffe, Christian Szegedy (Submitted on 11 Feb 2015 (v1), last revised 2 Mar 2015 (this version, v3)).

11. K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.