基于智能算法的圖像去噪方法研究與應用.pdf

1、在數(shù)字圖像成像系統(tǒng)中，信號采集、傳輸及成像的過程會遇到各種干擾因素，造成圖像被噪聲污染，進而導致圖像的降質(zhì)。在對圖像的進一步高級處理過程中，如配準、分割、識別等都需要清晰、高質(zhì)量、目標明晰的圖像，因此去除噪聲影響獲得高質(zhì)量圖像已經(jīng)成為圖像處理領域一項不可缺少的基礎工作和重要分支，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圖

2、像去噪研究工作。在對上述去噪方法的學習和研究中發(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，但是往往去噪過程中需要人工干預，對于不同類型的圖像算法需要進行參數(shù)的調(diào)整以適應圖像特點，才能獲得較好的去噪效果。因此，本文引入智能算法來提高去噪過程的自適應性，同時對去噪算法進行改進創(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習機(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術(shù)背景進行結(jié)合，以達到對圖像去噪的目的。本文的主要工作包括:基于智能算法本身的改進，提高算法性能;將智能算法與傳統(tǒng)的去噪算法相結(jié)合，應用到圖像去噪工作中，以達到理想去噪效果。下面將對本文的主要工作和研究成果進行概述。

4、　　(1)針對數(shù)字圖像中常見的椒鹽噪聲的去噪方法進行了研究，提出了一種以極限學習機(ELM)算法作為分類器的自適應去噪算法。該去噪算法的基本思想是通過極限學習機算法的分類器作用將圖像中的像素點進行區(qū)分，進而對分出的噪聲點進行有針對性的去噪。通過對噪聲點的檢測區(qū)分，可以在一定程度上避免在去除圖像噪聲過程中，將一些圖像細節(jié)點當作噪聲去掉，從而在得到好的去噪效果的同時，可以最大限度的保留圖像中原有的細節(jié)。該算法選擇ELM-RBF算法作為分類器

5、，在研究過程中發(fā)現(xiàn)ELM-RBF雖然擁有極限學習機的各種優(yōu)點，但是也存在一定不足。由于ELM-RBF學習算法在選擇隱含層神經(jīng)元的中心位置和寬度上是隨機的，所以本文提出了基于遺傳算法的GA-ELM-RBF的改進算法，通過遺傳算法來優(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，提高了噪聲點的檢測效率。并將該改進后的GA-ELM-RBF算法結(jié)合ROLD因子和自適應窗口大小的加權(quán)均值濾波方法應用到圖像去噪當中，經(jīng)去噪仿真實驗證明該方法得到

6、了較好的去噪效果。
　　(2)針對數(shù)字圖像中另一種常見的高斯噪聲的去噪方法進行研究，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)的去噪過程，并分別討論了上述兩種方法各自的優(yōu)點及缺點。然后根據(jù)兩種算法的特點，建立了兩種去噪結(jié)果的權(quán)重方程，在使用遺傳算

7、法對這兩種偏微分方程的去噪結(jié)果進行整體優(yōu)化后，融合出本文的GA-TV-4thPDE算法，經(jīng)試驗證明算法有著較好的去噪效果。
　　(3)在上述對圖像高斯噪聲去噪研究工作的基礎上，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，首先對粒子群優(yōu)化(PSO)算法進行了改進，針對PSO算法存在的不足，結(jié)合績效管理(Performance Management，PM)的思想，設計出“末位淘汰”和“同等數(shù)量更新”粒子概

8、念的PPSO算法，對經(jīng)典的PSO算法進行了優(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，用改進的PPSO算法替代GA作為優(yōu)化工具，對圖像中的高斯噪聲進行去噪工作。經(jīng)過去噪仿真實驗證明，該算法取得了較好的去噪效果。
　　(4)通過對多尺度幾何分析(Multiscale Geometric Analysis，MGA)方法的學習分析，提出了一種改進的剪切波(Shearlet)變換的自適

9、應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題。本文首先分析了Shearlet變換去噪的優(yōu)勢和不足，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)，但同時對收縮后的系數(shù)選取帶來困難。針對這一特點，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，在去噪過程中，采用PPSO算法進行整體優(yōu)化，得出