Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

11.02.2020 | Theoretical advances

Densely connected network for impulse noise removal

Zeitschrift:
Pattern Analysis and Applications
Autoren:
Guanyu Li, Xiaoling Xu, Minghui Zhang, Qiegen Liu
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Recently, a new convolutional neural network (CNN) architecture, dubbed as densely connected convolutional network (DenseNet), has shown excellent results on image classification tasks. The idea of DenseNet is based on the observation that if each layer is directly connected to every other layer in a feed-forward fashion, then the network will be more accurate and easier to train. In this study, we extend DenseNet to deal with the problem of impulse noise reduction. It aims to explore the densely connected network for impulse noise removal (DNINR), which utilizes CNN to learn pixel-distribution features from noisy images. Compared with the traditional median filter-based and variational regularization methods that utilize the spatial neighbor information around the pixels and optimize in an iterative manner, it is more efficient to capture multi-scale contextual information and directly tackles the original image. Additionally, DNINR turns to capture the pixel-level distribution information by means of wide and transformed network learning. In terms of edge preservation and noise suppression, the proposed DNINR consistently achieved significantly superior performance, which is better than current state-of-the-art methods, particularly at extremely high noise levels.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Premium Partner

    Bildnachweise