主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第11期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
刘宇男,张姗姗,王春鹏,李广宇,杨健.基于级联密集型卷积神经网络的轮廓波变换域图像复原方法.软件学报,0,(0):0
基于级联密集型卷积神经网络的轮廓波变换域图像复原方法
Image Restoration Based on Cascading Dense Convolutional Nerual Network in Contourlet Transform Domain
投稿时间:2019-01-10  
DOI:10.13328/j.cnki.jos.005866
中文关键词:  图像去噪  超分辨率  JPEG解压缩  轮廓波变换  级联密集型卷积神经网络
英文关键词:Image denoising  super resolution  JPEG decompression  contourlet transform  cascading dense convolutional neural network
基金项目:国家自然科学基金(61702262,61861136011,61802212,U1713208);长江学者计划;江苏省自然科学基金(BK20181299);CCF-腾讯犀牛鸟基金(RAGR20180113);中央高校基本科研专项基金(30918011322);中国科学技术协会青年人才托举工程(2018QNRC001)
作者单位E-mail
刘宇男 南京理工大学 计算机科学与工程学院, 江苏 南京 210094  
张姗姗 南京理工大学 计算机科学与工程学院, 江苏 南京 210094 shanshan.zhang@njust.edu.cn 
王春鹏 齐鲁工业大学 计算机科学与技术学院, 山东 济南 250353  
李广宇 南京理工大学 计算机科学与工程学院, 江苏 南京 210094  
杨健 南京理工大学 计算机科学与工程学院, 江苏 南京 210094  
摘要点击次数: 150
全文下载次数: 134
中文摘要:
      近年来,卷积神经网络凭借极强的学习能力,在图像复原任务上实现了比传统学习方法更令人满意的结果.但是,由于丢失了重要的纹理细节,这些基于卷积神经网络的方法普遍存在着复原图像过度平滑的缺点.为解决该问题,本文提出了一种基于级联密集型卷积神经网络的轮廓波域图像复原方法,可以应用于单幅图像去噪,超分辨率及JPEG解压缩三个经典图像复原任务.首先,本文构建了一种紧凑的级联密集型网络结构,不但可以充分挖掘和利用不同层次的图像特征,而且解决了由于网络加深带来的长期依赖问题.接着,本文引入可以稀疏表示图像重要特征的轮廓波变换,分别将低质量图像和重建图像对应的轮廓波子带作为网络的输入和输出,可以更加有效地恢复出逼真的结构和纹理细节.在标准测试集的实验表明,提出的方法在三个图像复原任务上达到了当前最优的性能,不但获得了更高的峰值信噪比和结构相似度,而且在主观的重建图像中包含了更加真实的纹理细节.
英文摘要:
      In recent years, due to the powerful learning ability, convolutional neural networks (CNNs) have achieved more satisfactory results than conventional learning methods in image restoration tasks. However, these CNN-based methods generally have the disadvantage of producing over-smoothed restored image due to the fact that losing important textural details. In order to solve this problem, this paper proposes an image restoration method based on cascaded dense CNN (CDCNN) in contourlet transform, which can be used for three classical image restoration tasks, e.g. single image denoising, super resolution, and JPEG decompression. First, this paper constructs a compact cascading dense network structure, which not only fully exploit and utilize the different hierarchical features of images, but also solve the problem of the long-term dependency problem as growing the the network depth. Next, this paper introduces the Contourlet transform into CDCNN, which can sparsely represent the important image features. Here, the contourlet subbands of low-quality image and corresponding restored image are used as the input and output of the network respectively, which can recover realistic structure and texture detaile more effectively. Comprehensive experiments on the standard benchmarks show that the unanimous superiority of the proposed method on all three tasks over the state-of-the-art methods. The proposed method not only obtains higher Peak Signal to Noise Ratio (PSNR) and Structural Similarity Index (SSIM), but also contains more realistic textural details in the subjective reconstruct images.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利