人类获取的外界信息约有75%来自于图像,图像作为重要的信息载体,在获取时会受到各种因素的影响,从而引入噪声。图像去噪的目的就是去除图像中的噪声,同时尽可能的保留图像中的原始信息。传统的图像去噪方法多涉及手工选择参数,无法获得图像的全局特征等问题。21世纪初,深度学习再一次掀起研究热潮,被广泛的应用到图像处理、自然语言处理等领域中。卷积神经网络(CNN)作为一种深度学习方法更适用于图像去噪,CNN架构中的卷积层和激活层能够建立输入与输出之间的非线性映射关系,有效学习噪声图像中特征信息。本文设计了多尺度并行卷积神经网络(MPCNN)和多尺度并行特征提取卷积神经网络(MPFE-CNN)两种方法用于图像去噪,主要工作如下:MPCNN主要由多尺度特征提取层和卷积神经网络并行结构组成。多尺度特征提取层采用4个大小不同的卷积核从原始图像中提取不同的特征,融合不同特征后送入并行结构。并行结构由深通道和浅通道两个前向传递网络组成,深通道主要负责提取高级特征,而浅通道负责提取低级特征。实验表明,在测试集BSD68下,噪声水平σ=15、25、50时,MPCNN比DnCNN-S的PSNR分别提高了0.05dB、0.07dB、0.10dB。MPFE-CNN是对MPCNN的改进结构,MPFE-CNN中用了5个多尺度并行特征提取模块,每个模块利用3×3,5×5两种不同的卷积核构造并行网络;同时在整个网络中加入了密集连接,可以不断地利用低级特征并加速网络收敛。实验表明,在测试集BSD68下,噪声水平σ=15、25、50时,MPFE-CNN比MPCNN和DnCNN-S的PSNR分别提高了0.03dB、0.03dB、0.05dB和0.08dB、0.10dB、0.15dB。图[42]表[8]参[90]。