基于SVM與非局部均值濾波的圖像去噪算法研究.pdf

1、目前數(shù)字圖像是日常生活中大量信息的載體，然而數(shù)字圖像在獲取過(guò)程中，會(huì)受到噪聲等很多因素的影響，這樣可能會(huì)導(dǎo)致圖像的部分細(xì)節(jié)丟失，因此，圖像去噪就成為解決這一問(wèn)題的重要手段。
　　 本文提出了基于支持向量機(jī)的圖像去噪算法和基于非局部均值濾波的圖像去噪算法，其具體算法如下：
　　 (1)頻域小波矩的非局部均值圖像去噪算法
　　 為了很好地去除噪聲，提高圖像質(zhì)量，對(duì)原始的非局部均值濾波(NL-Means)進(jìn)行了改進(jìn)，采

2、用小波矩來(lái)代替?zhèn)鹘y(tǒng)的像素計(jì)算相似度方法，提出了頻域小波矩的非局部均值濾波圖像去噪算法。首先對(duì)圖像進(jìn)行非下采樣小波變換，得到低頻和高頻系數(shù)，其次以固定大小進(jìn)行分塊，然后利用小波矩計(jì)算像素間的相似度，最后利用權(quán)值對(duì)圖像進(jìn)行去噪并進(jìn)行非下采樣小波逆變換得到去噪圖像。
　　 (2)基于最小二乘支持向量機(jī)的非下采樣輪廓變換圖像去噪算法
　　 為了提高支持向量機(jī)的分類(lèi)性能，本文以最小二乘線性系統(tǒng)為損失函數(shù)的支持向量機(jī)為基礎(chǔ)，提出了基

3、于最小二乘支持向量機(jī)的非下采樣輪廓變換圖像去噪算法。首先對(duì)噪聲圖像進(jìn)行非下采樣輪廓變換(NSCT)，得到低頻和高頻系數(shù)，其次確定適當(dāng)?shù)拈撝祦?lái)構(gòu)造二元表，然后利用空間規(guī)則進(jìn)行特征向量的構(gòu)造并送入最小二乘支持向量機(jī)(LS-SVM)中訓(xùn)練，最后依據(jù)公式計(jì)算不同尺度、不同方向的閾值進(jìn)行去噪處理，然后對(duì)去噪后的系數(shù)進(jìn)行非下采樣輪廓逆變換從而得到去噪圖像。
　　 (3)基于模糊支持向量機(jī)的曲波變換圖像去噪算法
　　 由于支持向量的分