文献综述（或调研报告）：
目前，就变形测量而言，常温环境下的测量手段已相对完善。传统测量方法有应变计、位移引伸计等。近几十年来发展较快的光测方法有云纹法、全息干涉法、电子散斑干涉法、云纹干涉法、迈克尔逊干涉和数字图像相关方法（DIC）[1]等。其中得益于采集设备和计算机性能的提高，数字图像相关方法因操作简单、实验结果优异等优势，拥有广阔的应用前景。相比于常温实验，在高温实验中，仅对采集到的图像，高温环境所产生的噪声极大影响着图像质量[2]，从而影响实验结果。因此，对使用DIC方法所采集到的图像进行去噪处理显得尤为重要。
图像去噪，实质上是通过设计相应的算法处理采集到的图像，去除图像中的噪声，从而使去噪后的图像尽可能接近原始图像。在过去的几十年中，大量的图像去噪方法被提出。从本质上来说，可将这些方法分为两类，一类是以图像为出发点的，也就是从噪声图像的本身出发，从噪声图像中提取出特征信息分布的规律，进而将噪声的像素值直接在空间域上去掉或者将像素值转换到变换域上进行处理；另一类是以噪声图像中的噪声为出发点，根据图像中的噪声分布建立对应的噪声模型，然后利用图像退化过程中的先验知识来复原干净图像。[3]
在这些年的发展中，有一些经典的图像去噪方法，比如均值滤波[4]、中值滤波[4,5]和小波变换[6]等。均值滤波是使用滑动窗口所确定的领域内所有像素的平均值代替滑动窗口中心点的像素值。虽然这样处理能够去除一些噪声，但是也使图像的边缘、细节变得模糊，而且可能会因为灰度级数量的不足造成伪轮廓效应。尽管后来有许多研究者对均值滤波进行了改进，但是由于均值滤波存在的固有特性，使得改进的方法很难彻底改善这些缺点。于是均值滤波很快就被中值滤波所替代。中值滤波是排序统计算法中的典型代表，它的原理与均值滤波很相似，只不过用滑动窗口所确定的领域内所有像素的中值代替滑动窗口中心点的像素值。中值滤波对一些随机噪声具有良好的去噪效果，尤其是对脉冲噪声去噪效果极佳，相比于均值滤波，图像质量得到明显的改善。但是中值滤波只是对随机噪声的去噪效果较好，适用范围有限，而且依然存在边缘细节模糊的现象。
近年来，基于非局部自相似性的图像去噪算法[7]受到国内外研究者的关注，基于非局部自相似性算法的基本思想是利用图像中不相邻部分之间具有一定的相似性进行图像去噪，其中代表性的算法有 NLM、BM3D和 WNNM等。基于非局部自相似的图像去噪算法使去噪效果得到明显提高，也得到了广泛的应用，但是基于非局部自相似的图像去噪算法更加倾向于去除规则纹理的噪声，并且该算法优化问题复杂，去噪过程的时间较长，只能通过降低去噪性能来提高去噪效率，同时该算法是非凸的，涉及到手动修改参数。
随着21世纪深度学习的发展，许多研究者认为深度学习技术可以恢复更深层次的体系结构，能够自主学习并且可以找到更合适的图像特征，且不需要手动设置参数，这有效地解决了上述传统方法的缺点。2008年，Jain[8]等人首先使用深度神经网络进行图像去噪，它能获得与马尔可夫随机场和小波变换方法相当甚至更加优越的去噪性能，在训练神经网络的过程中为了使网络更加快速和准确的收敛，采取了逐层训练的方法。2017年，Zhang等人[9]提出了DnCNN去噪模型，这是基于卷积神经网络的去噪模型，将深层次的网络体系结构、残差学习算法和批量归一化方法应用到图像去噪中，DnCNN模型并不对图像进行学习，而是以输出与噪声的12范数为损失函数来训练网络。之后，研究者们还着力于对DnCNN模型进行了改进。柴华荣等[7]提出了多尺度并行卷积神经网络去噪模型和多尺度并行特征提取卷积神经网络去噪模型，能保留图像更多的细节信息。李楠等[10]将卷积神经网络与普遍采用的去噪算法进行结合，借助于多特征等提取技术将优化之后的线性校正激活函数应用于去噪算法，能得到更好的去噪效果。鲍中运等[11]运用卷积神经网络算法结构并通过深度学习和四元小波变换相关技术对去噪图像进行联合建模，在图像去噪中的有效性，特别是在高噪声环境下的图像去噪效果要优于一些传统的经典去噪算法。
参考文献：
[1]林哲.基于图像子区的数字图像相关方法的原理与实验[J].沈阳大学学报(自然科学版),2019,31(05):400-403 409.
[2]柯洁.高温材料力学性能测试的图像处理算法研究[D].合肥工业大学,2019.
[3]管美静,珠杰,吴燕如.图像去噪方法研究进展[J].计算机时代,2020(02):29-32 35.
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
