基于智能算法的圖像去噪方法研究與應(yīng)用.pdf

1、在數(shù)字圖像成像系統(tǒng)中，信號(hào)采集、傳輸及成像的過(guò)程會(huì)遇到各種干擾因素，造成圖像被噪聲污染，進(jìn)而導(dǎo)致圖像的降質(zhì)。在對(duì)圖像的進(jìn)一步高級(jí)處理過(guò)程中，如配準(zhǔn)、分割、識(shí)別等都需要清晰、高質(zhì)量、目標(biāo)明晰的圖像，因此去除噪聲影響獲得高質(zhì)量圖像已經(jīng)成為圖像處理領(lǐng)域一項(xiàng)不可缺少的基礎(chǔ)工作和重要分支，并且去噪效果的好壞直接影響后期相關(guān)工作的效果?；诳臻g數(shù)值、偏微分方程和多尺度幾何分析的圖像去噪處理方法是去噪研究工作的重要組成部分，本文基于以上三種方法展開(kāi)圖

2、像去噪研究工作。在對(duì)上述去噪方法的學(xué)習(xí)和研究中發(fā)現(xiàn)，現(xiàn)有的方法可以在一定程度上完成圖像的去噪工作，但是往往去噪過(guò)程中需要人工干預(yù)，對(duì)于不同類型的圖像算法需要進(jìn)行參數(shù)的調(diào)整以適應(yīng)圖像特點(diǎn)，才能獲得較好的去噪效果。因此，本文引入智能算法來(lái)提高去噪過(guò)程的自適應(yīng)性，同時(shí)對(duì)去噪算法進(jìn)行改進(jìn)創(chuàng)新以獲取更好的去噪結(jié)果。本文主要采用智能算法的兩種基本思想:分類和優(yōu)化。分類方面采用極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)作為

3、分類器，而優(yōu)化方面則采用遺傳算法(Genetic Algorithm，GA)和粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法作為優(yōu)化工具。基于以上研究背景，本文研究了如何將上述兩大學(xué)術(shù)背景進(jìn)行結(jié)合，以達(dá)到對(duì)圖像去噪的目的。本文的主要工作包括:基于智能算法本身的改進(jìn)，提高算法性能;將智能算法與傳統(tǒng)的去噪算法相結(jié)合，應(yīng)用到圖像去噪工作中，以達(dá)到理想去噪效果。下面將對(duì)本文的主要工作和研究成果進(jìn)行概述。

4、　　(1)針對(duì)數(shù)字圖像中常見(jiàn)的椒鹽噪聲的去噪方法進(jìn)行了研究，提出了一種以極限學(xué)習(xí)機(jī)(ELM)算法作為分類器的自適應(yīng)去噪算法。該去噪算法的基本思想是通過(guò)極限學(xué)習(xí)機(jī)算法的分類器作用將圖像中的像素點(diǎn)進(jìn)行區(qū)分，進(jìn)而對(duì)分出的噪聲點(diǎn)進(jìn)行有針對(duì)性的去噪。通過(guò)對(duì)噪聲點(diǎn)的檢測(cè)區(qū)分，可以在一定程度上避免在去除圖像噪聲過(guò)程中，將一些圖像細(xì)節(jié)點(diǎn)當(dāng)作噪聲去掉，從而在得到好的去噪效果的同時(shí)，可以最大限度的保留圖像中原有的細(xì)節(jié)。該算法選擇ELM-RBF算法作為分類器

5、，在研究過(guò)程中發(fā)現(xiàn)ELM-RBF雖然擁有極限學(xué)習(xí)機(jī)的各種優(yōu)點(diǎn)，但是也存在一定不足。由于ELM-RBF學(xué)習(xí)算法在選擇隱含層神經(jīng)元的中心位置和寬度上是隨機(jī)的，所以本文提出了基于遺傳算法的GA-ELM-RBF的改進(jìn)算法，通過(guò)遺傳算法來(lái)優(yōu)化神經(jīng)元的中心和寬度的選取，得到了更好地分類效果，提高了噪聲點(diǎn)的檢測(cè)效率。并將該改進(jìn)后的GA-ELM-RBF算法結(jié)合ROLD因子和自適應(yīng)窗口大小的加權(quán)均值濾波方法應(yīng)用到圖像去噪當(dāng)中，經(jīng)去噪仿真實(shí)驗(yàn)證明該方法得到

6、了較好的去噪效果。
　　(2)針對(duì)數(shù)字圖像中另一種常見(jiàn)的高斯噪聲的去噪方法進(jìn)行研究，提出了一種以遺傳算法作為優(yōu)化工具的偏微分方程的自適應(yīng)去噪算法。本文首先研究了偏微分方程去噪方法的整體狀況，詳細(xì)分析了總變分(Total Variation，TV)模型和四階偏微分方程(Forth-order PDE，4thPDE)的去噪過(guò)程，并分別討論了上述兩種方法各自的優(yōu)點(diǎn)及缺點(diǎn)。然后根據(jù)兩種算法的特點(diǎn)，建立了兩種去噪結(jié)果的權(quán)重方程，在使用遺傳算

7、法對(duì)這兩種偏微分方程的去噪結(jié)果進(jìn)行整體優(yōu)化后，融合出本文的GA-TV-4thPDE算法，經(jīng)試驗(yàn)證明算法有著較好的去噪效果。
　　(3)在上述對(duì)圖像高斯噪聲去噪研究工作的基礎(chǔ)上，提出了一種以粒子群優(yōu)化算法作為優(yōu)化工具的去噪算法。為了獲得更好的優(yōu)化效果，首先對(duì)粒子群優(yōu)化(PSO)算法進(jìn)行了改進(jìn)，針對(duì)PSO算法存在的不足，結(jié)合績(jī)效管理(Performance Management，PM)的思想，設(shè)計(jì)出“末位淘汰”和“同等數(shù)量更新”粒子概

8、念的PPSO算法，對(duì)經(jīng)典的PSO算法進(jìn)行了優(yōu)化，提高了PSO算法的尋優(yōu)速度和全局搜索能力。然后結(jié)合前面所提出的GA-TV-4thPDE算法，用改進(jìn)的PPSO算法替代GA作為優(yōu)化工具，對(duì)圖像中的高斯噪聲進(jìn)行去噪工作。經(jīng)過(guò)去噪仿真實(shí)驗(yàn)證明，該算法取得了較好的去噪效果。
　　(4)通過(guò)對(duì)多尺度幾何分析(Multiscale Geometric Analysis，MGA)方法的學(xué)習(xí)分析，提出了一種改進(jìn)的剪切波(Shearlet)變換的自適

9、應(yīng)去除圖像高斯噪聲算法。選用Shearlet變換作為去噪基本算法，結(jié)合PPSO算法，優(yōu)化Shearlet變換閾值去噪方法中的收縮閾值選取問(wèn)題。本文首先分析了Shearlet變換去噪的優(yōu)勢(shì)和不足，發(fā)現(xiàn)其分解多尺度、多方向，可以很好的表示圖像結(jié)構(gòu)，但同時(shí)對(duì)收縮后的系數(shù)選取帶來(lái)困難。針對(duì)這一特點(diǎn)，可以采用優(yōu)化策略，取得最優(yōu)收縮閾值?；谝陨涎芯抗ぷ?，提出了一種基于Shearlet變換的去噪算法，在去噪過(guò)程中，采用PPSO算法進(jìn)行整體優(yōu)化，得出