Page 307 - 《软件学报》2020年第12期

刘宇男 等:基于级联密集网络的轮廓波变换域图像复原 3973

3.1 模型简化测试
本节将对 CDCNN 结构设计和轮廓波变换的有效性进行验证.
• 网络深度选择实验
基于 CNN 的图像复原模型中,增加网络深度对提升性能起到了至关重要的作用,但同时也带来参数量的增
加,影响了模型的应用价值.这里,我们将给出 CDCNN 深度与图像复原性能的关系,从中选取出合理的结构设
计.表 1 中给出了 BSD100 数据集上不同深度 CDCNN 的去噪结果以及参数量,BSD 测试图像分别添加 0 均值
标准差为 50 的加性高斯噪声.这里,每个卷积层的卷积核为 3×3,滤波个数为 32,A 表示 CDCNN 中密集块的个数,
B 表示每个密集块中卷积层的个数.可以看出:虽然增加网络深度可以带来复原性能的不断提升,但当达到一定
深度时,性能的提升开始变慢,而参数量却仍在持续快速增加.为了使复原性能和网络参数量达到很好的平衡,
本文提出的 CDCNN中包含 7 个密集块,每个密集块中包含 6个卷积层,剩余实验部分均采用这种网络结构设计.

Table 1 Comparison results of different network depths on BSD100
表 1 BSD100 上不同网络深度对比结果
PSNR(dB)/Parameters(K) A=6 A=7 A=8
B=4 25.90/555 26.03/679 26.14/812
B=6 26.19/1063 26.35/1272 26.42/1490
B=8 26.45/1793 26.52/2123 26.60/2463
图 5 给出了浅层以及深层特征提取模块中每个密集块输出特征图的平均值,以及深层特征提取模块中每
个密集块输出特征图的平均值.可以看出:随着深度增加,深层特征图的高频细节越来越清晰.在 CDCNN 中,每
个密集块位于网络中的不同深度,可以很好地捕获到不同层次的图像特征,而且底层模块输出的特征将用于更
高层特征的挖掘,不但为高层特征的挖掘提供了更多线索,还有效地解决了长期依赖问题.

Fig.5 Average feature maps
图 5 平均特征图
• 轮廓波变换有效性证明
本文在 CDCNN 的基础上引入轮廓波变换,可以有效地提升纹理细节的恢复能力.这里,将对 BSD100 数据
集上退化图像的去噪、JPEG 解压缩和超分辨率进行测试.图 6 中给出了 3 种任务复原结果,选用包含 7 个 DB
的 CDCNN 结构作为基准,分别与小波变换和轮廓波变换结合,结合方式如图 4 所示.

Fig.6 Effectiveness of contourlet transform prediction
图 6 轮廓波变换预测的有效性
在 3 个图像复原任务中,高斯噪声为均值为 0 标准差为 50 的加性噪声,JPEG 压缩的质量因子为 10,超分辨
率的尺度因子为 4.结合 CDCNN 和轮廓波变换的模型在 3 种任务的性能明显优于其他两种模型,证明了轮廓波