摘要：目的基于卷積神經網絡(CNN)在圖塊級上實現的隨機脈沖噪聲(RVIN)降噪算法在執行效率方面較經典的逐像素點開關型降噪算法有顯著優勢,但降噪效果如何取決于能否對降噪圖像受噪聲干擾程度(噪聲比例值)進行準確估計。為此,提出一種基于多層感知網絡的兩階段噪聲比例預測算法,達到自適應調用CNN預訓練降噪模型獲得最佳去噪效果的目的。方法首先,對大量無噪聲圖像添加不同噪聲比例的RVIN噪聲構成噪聲圖像集合;其次,基于視覺碼本(visualcodebook)采用軟分配(soft-assignment)編碼法提取并篩選若干能反映噪聲圖像受隨機脈沖噪聲干擾程度的特征值構成特征矢量;再次,將從噪聲圖像上提取的特征矢量及對應的噪聲比例分別作為多層感知網絡的輸入和輸出訓練噪聲比例預測模型,實現從特征矢量到噪聲比例值的映射(預測);最后,采用粗精相結合的兩階段實現策略進一步提高RVIN噪聲比例的預測準確性。結果針對不同RVIN噪聲比例的失真圖像,從預測準確性、實際降噪效果和執行效率3個方面驗證提出算法的性能和實用性。實驗數據表明,本文算法在大多數噪聲比例下的預測誤差小于2%,降噪效果(PSNR指標)較其他主流降噪算法高24dB,處理一幅大小為512×512像素的圖像僅需3s左右。結論本文提出的RVIN噪聲比例預測算法在各個噪聲比例下具有魯棒的預測準確性,在降噪效果和執行效率兩個方面較經典的開關型RVIN降噪算法有顯著提升,更具實用價值。