- 文献综述（或调研报告）：
深度学习，特别是卷积神经网络（CNN）在图像识别等领域取得了较好的成果。近年来，基于深度学习的图像去噪方法也被提出并得到了巨大发展。
2008年，Viren Jain等提出用CNN处理自然图像的去噪问题[1]，得到了与常规方法（如小波变换和马尔可夫随机场）相近或更优的结果。并说明了特定形式的CNN可以被视为图像去噪的马尔可夫模型推断的结果的一种近似[2]，但是神经网络模型可以避免马尔可夫模型在概率学习和推断过程中的计算困难，从而降低了计算的复杂度。在训练神经网络的过程中为了更加快速和准确的收敛，采取了逐层训练的方法。该方法网络结构如下图3.1所示：
图3.1 Viren Jain等的图像去噪卷积神经网络模型
2012年，Xie等利用栈式去噪自编码器（stacked denoising auto-encoder）进行图像去噪以及图像修复（image inpainting）[3]，其网络结构为多层的全连接网络，为了将稀疏编码的思想和深度神经网络结合[4]，作者提出了栈式稀疏去噪自编码器（stacked sparse denoising auto-encoder, SSDA），其网络模型如图3.2所示。
图3.2栈式稀疏去噪自编码器（SSDA）
Burger等人提出了用多层感知机（Multi Layer Perceptron，MLP）的方法实现神经网络去噪[5]，并说明如果训练集足够，MLP模型可以达到图像去噪的当前最优水平如BM3D[6]。MLP模型对噪声类型不敏感，对于不同类型的噪声，只要对带有该类噪声的图像进行处理，即可得到较好的结果。作者认为，MLP相对于CNN的优点在于，MLP可以近似所有函数，而CNN可以学习到的函数相对有限。为了使MLP网络达到最优水平，训练网络应足够大，分割图像得到的区块大小应足够大，以及训练集也应足够大。该方法的一个不足之处为它无法适应不同强度的噪声，若将不同水平的噪声图像作为输入进行训练则无法达到对特定噪声进行训练时的结果。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
