Удаление шума из цветного изображения с помощью предварительно обученной нейронной сети

В этом примере показано, как удалить гауссовский шум из изображения RGB. Разбейте изображение на отдельные цветовые каналы, затем оскверните каждый канал с помощью предварительно обученной деноизирующей нейронной сети DnCNN.

Считывание цветного изображения в рабочую область и преобразование данных в double. Отображение нетронутого цветного изображения.

pristineRGB = imread('lighthouse.png');
pristineRGB = im2double(pristineRGB);
imshow(pristineRGB)
title('Pristine Image')

Добавьте нулевой средний гауссовский белый шум с дисперсией 0,01 к изображению. imnoise добавляет шум к каждому цветовому каналу независимо. Отображение шумного цветного изображения.

noisyRGB = imnoise(pristineRGB,'gaussian',0,0.01);
imshow(noisyRGB)
title('Noisy Image')

Разбейте шумное изображение RGB на отдельные цветовые каналы.

[noisyR,noisyG,noisyB] = imsplit(noisyRGB);

Загрузите предварительно обученную сеть DnCNN.

net = denoisingNetwork('dncnn');

Используйте сеть DnCNN для удаления шума из каждого цветового канала.

denoisedR = denoiseImage(noisyR,net);
denoisedG = denoiseImage(noisyG,net);
denoisedB = denoiseImage(noisyB,net);

Рекомбинировать деноизолированные цветовые каналы для формирования деноизолированного изображения RGB. Выведите на экран цветное изображение.

denoisedRGB = cat(3,denoisedR,denoisedG,denoisedB);
imshow(denoisedRGB)
title('Denoised Image')

Вычислите пиковое отношение сигнал/шум (PSNR) для шумных и деноизолированных изображений. Больший PSNR указывает, что шум имеет меньший относительный сигнал и связан с более высоким качеством изображения.

noisyPSNR = psnr(noisyRGB,pristineRGB);
fprintf('\n The PSNR value of the noisy image is %0.4f.',noisyPSNR);

 The PSNR value of the noisy image is 20.6395.

denoisedPSNR = psnr(denoisedRGB,pristineRGB);
fprintf('\n The PSNR value of the denoised image is %0.4f.',denoisedPSNR);

 The PSNR value of the denoised image is 29.6857.

Рассчитайте индекс структурного подобия (SSIM) для шумных и деноизолированных изображений. Индекс SSIM, близкий к 1, указывает на хорошее согласие с опорным изображением и более высокое качество изображения.

noisySSIM = ssim(noisyRGB,pristineRGB);
fprintf('\n The SSIM value of the noisy image is %0.4f.',noisySSIM);

 The SSIM value of the noisy image is 0.7393.

denoisedSSIM = ssim(denoisedRGB,pristineRGB);
fprintf('\n The SSIM value of the denoised image is %0.4f.',denoisedSSIM);

 The SSIM value of the denoised image is 0.9507.

На практике цветовые каналы изображения часто имеют коррелированный шум. Чтобы удалить коррелированный шум изображения, сначала преобразуйте изображение RGB в цветовое пространство с каналом яркости, таким как цветовое пространство L * a * b *. Удалите шум только в канале яркости, а затем преобразуйте обозначенное изображение обратно в цветовое пространство RGB.

См. также

denoiseImage | denoisingNetwork | imnoise | lab2rgb | psnr | rgb2lab | ssim

Связанные темы

• Обучение и применение деноизирующих нейронных сетей