计算机辅助设计与图形学学报

作者：沈卉卉, 李宏伟, 钱坤

关键词：受限Boltzmann机, 无监督学习, RBM模型, 图像去噪, 随机噪声

已有的受限Boltzmann机(restricted Boltzmann machine, RBM)模型去噪方法完全基于它是无向图模型, 多个RBM组合模型, 其低层的分布依赖于高层的分布, 会导致计算复杂, 去噪效果也一般, 应用难以推广.为解决这一问题, 提出基于RBM模型的深度信念网络(deep belief nets, DBN)的图像数据随机噪声去除的方法.将原始图像加入随机噪声, 把带噪声的图像分割若干小块, 将其一一拉成向量; 批量输入2个隐层的DBN模型中进行学习, 原始图像作为标签进行反向微调; 最后将其学习的特征输出, 还原成图像, 即达到消除随机噪声的目的.将DBN模型分别在自然图像数据、模拟的地震数据和真实的地震数据上进行随机噪声去除实验, 实验结果表明, 提出的基于RBM模型的DBN在自然图像数据和地震数据上去噪方法可行的.在噪声标准差为50 dB时, Set12数据集中图像去噪后峰值信噪比至少提高2.08 dB, 至少提高6.99%; 且在不同噪声标准差下, 该方法去除随机噪声效果均优于其他无监督学习算法和卷积神经网络等深度学习方法, 说明RBM模型在图像特征学习性能、本质特征提取上有很强的能力.也为工程领域中的图像去噪方法提供了一种新的研究思路和借鉴.

来源：2025年第1期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2025年第1期