隨機(jī)共振優(yōu)化模型及其在圖像增強(qiáng)中的應(yīng)用研究.pdf

1、隨機(jī)共振機(jī)制在合適的系統(tǒng)參數(shù)和噪聲強(qiáng)度條件下，將驅(qū)使噪聲能量顯著轉(zhuǎn)移至弱信號上，改變了噪聲不利于弱信號檢測的觀點(diǎn)。但目前大多數(shù)的研究專注于不同非線性系統(tǒng)所表現(xiàn)出的隨機(jī)共振現(xiàn)象驗(yàn)證，另外面向弱信號增強(qiáng)的應(yīng)用研究也通常采取固定或半固定模型結(jié)構(gòu)和參數(shù)的策略，通過人工調(diào)節(jié)部分參數(shù)實(shí)現(xiàn)特定條件下的最優(yōu)隨機(jī)共振性能。因此，本文首先利用量子粒子群算法對模型參數(shù)進(jìn)行同步優(yōu)化，避免憑借經(jīng)驗(yàn)手動或者單獨(dú)調(diào)節(jié)系統(tǒng)中某個參數(shù)的弊端，對于有效提升弱信號增強(qiáng)的效率

2、和性能具有較好的意義。另外本文構(gòu)建了一種基于抑制性突觸神經(jīng)元互連的多層隨機(jī)共振模型，彌補(bǔ)了傳統(tǒng)方法對多對比度弱信號檢測的全局近似優(yōu)化問題，并應(yīng)用于生物菌落圖像的多層邊緣提取。最后本文提出了一種基于多尺度小波分解的分級隨機(jī)共振新方法，將混合弱信號的整體優(yōu)化問題轉(zhuǎn)換為在不同尺度上的分級優(yōu)化問題，顯著改善了隨機(jī)共振的增強(qiáng)性能。本文的主要工作和研究成果如下：
　　(1)傳統(tǒng)隨機(jī)共振在圖像處理中大都是憑借經(jīng)驗(yàn)手動調(diào)節(jié)參數(shù)，這樣會導(dǎo)致效率低下

3、，所以本文提出了一種將隨機(jī)共振與量子粒子群優(yōu)化算法相結(jié)合的方法。首先，構(gòu)建了雙級并聯(lián)隨機(jī)共振系統(tǒng)，提高了隨機(jī)共振系統(tǒng)在處理信號上的穩(wěn)定性以及低通濾波特性。然后，比較了量子粒子群算法與常見的自適應(yīng)粒子群算法與隨機(jī)共振相結(jié)合處理一維信號的效果。最后，將隨機(jī)共振自適應(yīng)參數(shù)優(yōu)化算法從一維信號延伸到二維醫(yī)學(xué)信號上進(jìn)行對比度增強(qiáng)研究。實(shí)驗(yàn)結(jié)果表明，利用本文方法能有效的增強(qiáng)低劑量CT圖像的對比度。
　　(2)針對圖像的多個對比度區(qū)域單層隨機(jī)共振

4、難以全面獲取圖像邊緣特征信息的缺陷，提出了多層抑制性突觸隨機(jī)共振的圖像弱信號邊緣檢測方法。首先，組建了串并聯(lián)FHN神經(jīng)元結(jié)構(gòu)模型，并采用量子粒子群算法作為參數(shù)優(yōu)化工具。然后，對一維突變信號的強(qiáng)弱對比區(qū)域進(jìn)行檢測，以檢測到的實(shí)際突變邊緣點(diǎn)與提取到的脈沖點(diǎn)之間的平均時間誤差A(yù)TD作為評價指標(biāo)。最后應(yīng)用到二維生物菌落圖像的多對比區(qū)域的邊緣檢測上，以最大香農(nóng)熵作為定量評價指標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文方法獲取的邊緣細(xì)節(jié)豐富，層次感較強(qiáng)。
　　(

5、3)傳統(tǒng)隨機(jī)共振方法主要在空間域上實(shí)現(xiàn)噪聲能量轉(zhuǎn)移，屬于一種全局意義上的隨機(jī)共振處理過程，沒有考慮到噪聲和圖像主要信號處于不同頻段的問題。因此，根據(jù)二維圖像信號和噪聲信號在頻域分布上所具有的特性，構(gòu)建了一種隨機(jī)共振和多尺度頻域分解相融合的方法。首先對圖像信號進(jìn)行小波多尺度分解，將圖像的主要灰度信息集中于低頻段，噪聲信息置于高頻段，從而獲得不同頻率層次的子信號。然后利用量子粒子群優(yōu)化雙穩(wěn)態(tài)隨機(jī)共振系統(tǒng)參數(shù)，對上述經(jīng)過分解后圖像的子信息分別