英语原文共 24 页，剩余内容已隐藏，支付完成后下载完整资料
基于元启发式的块选择滤波实现图像的噪声识别和去噪
摘要
图像去噪已经成为图像增强的主要方法之一，图像增强是图像处理的基础。由于机器产生这些信号的不一致性，医学图像往往需要这些技术。在实时图像中，它们不仅包含单个噪声，还包含分布在一些模糊区域的多类型噪声。本文提出了一种基于元启发式进行噪声识别的图像去噪方法。自适应块的选择用来识别和矫正这些块中包含的噪声。虽然系统使用了块选择的方案，但是对像素进行的修改是以像素为基础，而不是整个块，因此图像的准确性得到了保护。利用PSO算法识别噪声分布，并应用适当的噪声校正技术对图像进行去噪处理。使用盐和胡椒噪声，高斯噪声和同一图像中的两种噪声的组合来进行了实验。根据实验观察，所提出的方法在噪声水平高达0.5时也有效，并且在多数情况下能够产生20到30的峰值信噪比。在添加椒盐噪声的实验中观察到极佳的减少率并且在添加高斯噪声的实验中观察到了中等的较少率。实验结果表明，我们提出的系统在任何领域特定的图像去噪场景中都具有广泛的适用性，例如医学成像、乳房X线照片等。
关键词
自适应块选择、增强滤波、图像去噪、噪声识别、粒子群优化
- 介绍
图像处理已成为当今多媒体时代的主要领域之一。为了有效地处理图和
取信息，图像格式必须合适，并且图像可以被机器可以清晰地处理和解释。特别是在医学领域，由于信息的背景，上面一点非常重要。这就使得图像重建变得很重要。一般而言，图像重建是一个逆向问题，从老化、大气干扰、或其他物理损坏中获取原始图像。其中一个挑战是尽可能接近原始图像地重建图像。图像去噪是图像重建的一种形式，通过消除图像中的附加噪声成分来实现。图像中出现的噪声差异很大，通常在将图像从模拟转换成数字格式的过程中引入。
用于识别图像质量的基本测量单位是信噪比。它是成像系统灵敏度的物理尺度，通过应用20对数规则实现。
(1)
根据行业的标准，32.03dB的信噪比是指良好的图像质量，而20dB的信噪比是可接受的图像质量。相关的文献中存在几种去噪的方法，它们分别是：基于滤波的方法、基于小波的方法、基于主要成分分析的方法、独立分量分析方法和稀疏编码的方法。所有这些方法都适用与去噪过程。但是，它们都有其局限性。基于小波的方法是快速算法，但是，它们表现出的高性能依赖于图像组件。结果，这些方法不具有适应性。基于主要成分分析的方法和稀疏编码技术依赖于数据的统计特性。一种改进的稀疏编码算法在文献[1]中被提到。它利用最大夸特斯作为最大稀疏度量标准。稀疏系数的固定方差项提供固定容量的信息。决定性基函数用来提高收敛速度。一种条纹图案的去噪算法早文献[7]中介绍。减少边缘的处理是基于降维原理实现的。该技术适用于干涉的图像。已经提出了基于Krylov迭代求解器的降噪方法，并且通过更新基于不完全因式分解的预处理器来实现噪声降低，其表现出比图像像素的数量更高的全局计算成本。另一种基于分裂去模糊和去噪的快速图像恢复算法被提出。算法分为两个步骤，去模糊和去噪。傅立叶变换用于去图像模糊，并且该算法用于去噪。混合调节器基于去噪和去模糊算法，主要集中在消除阶梯效应以及促进保留边缘细节。还有一种基于局部和非局部循环相似度的图像去噪方法。这是一种基于补丁的去噪方法，在执行去噪操作时考虑图像的自相似性。文献[12]提出了一种专门用于灰度图像的类似方法。自相似性是通过称为循环相似性的循环移位获得的。已经提出了用于对数字图像进行去噪的曲波变换技术。有限脊波变换（FRIT）用于解决映射曲线的问题。 FRIT的适当应用是限制的，因此在图像中执行基于象限的划分。与常规图像相比，此方法在医学图像上效果最佳。基于剪切波域的图像去噪技术在文献[14]中提出。提出了一种有效的多尺度多方向分析方法，该方法也执行图像平滑处理。介绍了一种基于遗传编程的鲁棒噪声消除技术。这是基于两个阶段的去噪技术，即噪声检测阶段和噪声消除阶段。遗传编程用于噪声检测过程，噪声消除是通过图像平滑来完成的。基于变化的噪声去除方法在文献[16]中提出。该方法倾向于基于像素的频率差异来检测噪声。提出了基于统计模型的小波域图像噪声消除方法。在文献[18]中介绍了一种适用于曲线域的类似方法。
基于以上讨论，观察到大多数方法考虑单个特定噪声并且去噪相同。 在实时情况下，可能会有更多噪声影响图像，并且所提议的方法可以解决这个问题。 噪音的分布也是不规则的。 因此，必须确定受噪声影响的适当部分，然后对其进行去噪而不是对整个图像进行去噪。
所提出的方法识别噪声并且执行基于像素的校正而不是基于块的校正，因此多噪声分布和不规则噪声分布能被很好地处理。由于校正是基于被仔细研究的像素环境，因此对图像的不利影响在很大程度上减小。使用椒盐噪声，高斯噪声以及图像中分布的噪声的组合来进行实验。 据观察，所提出的技术有效地识别噪声成分。降噪模块在降低高PSNR值（最大30）的图像的噪声方面也表现出高效率。
2.基于元启发式的块选择滤波实现图像的噪声识别和去噪
去噪图像已成为主要要求，特别是在医疗领域。 目前的去噪技术存在的问题是它们在单个噪声下运行。 但是，实时，图像转换为数字格式时，它们倾向于包含噪声的组合。 基于局部的邻域滤波技术是一种有效的去噪图像技术，可以去除噪声。
输入图像最初转换为灰度（2维图像）。 为了识别系统的有效性，将噪声引入到输入图像中。 噪声的引入是以单独的网格来表示的，并且每个网格在不同的等级中包含不同的噪声。 对于目前的评估，我们已经使用了椒盐噪声以及高斯噪声。
所提出的方法分为两个阶段。 第一阶段是使用粒子群优化（PSO）识别噪声，下一阶段处理应用适当的技术来消除噪声。图1给出了降噪方法的体系结构。
传递给应用程序的灰度噪声图像最初分割为ntimes;n个块。 分割（n）的实际大小取决于图像的类型和图像中包含的噪声的粒度级别。这由用户通过试错法确定。 识别每个块中包含的强度变化。 这些数据作为PSO操作的搜索空间。包含椒盐噪声以及高斯噪声的图像被用作实验数据。 PSO应用于这个搜索空间来识别包含的噪声类型的块。 然后将该块传递到噪声消除阶段，在该阶段中执行自适应块选择。实时图像不具有均匀的噪声分布。因此，这种选择变为限制性的。对噪声分量进行滤波和平滑以获得最终的去噪图像。
图1.基于MH的去噪架构
2.1 基于PSO的噪声识别
噪声识别阶段使用恒定大小的块选择。 该块始终保持为大小的方阵。 图像的强度变化被认为是分类过程的基础数据。 这些样本图像以及来自当前图像的块被用作搜索空间。搜索空间中粒子的初始化是由PSO执行的初始过程。 这种分布是使用统一的随机分布模型进行的。粒子的初始速度用下式计算：Vi是速度; 和分别是搜索空间的上限和下限。
(2)
使用从方程（2）获得的初始速度触发粒子加速。确定粒子最佳（pbest）和全局最佳（gbest）值。使用最佳参数和全局最佳值来计算新的最大值和最小值；和是随机数；Xi,d是当前粒子位置和参数omega;的值。和的值由用户自己选择。
PSO在连续域上运行，因此粒子运动是连续的。 由于所提出方法的离散性质，这种连续运动被离散化如下，其中指的是与尺寸对应的粒子的当前位置;指的是第维节点。 这个过程帮助我们有效地识别图像块中包含的噪声类型。 然后可以将相应的去噪机制应用于该块上以消除噪音。
在原始图像中引入噪声以获得噪声图像。椒盐和高斯噪声被认为适用于这种方法。 图像以块的形式读取，并且对于每个块，应用两个噪声中的一个，并获得最终的噪声图像，如图2所示。
每个块中像素之间的差异被认为是PSO的基础，粒子分布在这一点上被执行。 样本空间由多个带有椒盐或高斯噪声的噪声图像的方差组成。 PSO识别包含在图像块的噪声成分，接着应用相应的去噪方案。
图2 （a）原始图像 （b）噪声图像（椒盐和高斯噪声）
该过程在噪声图像的每个块上执行，相应的去噪机制应用于任何类型噪声的图像。 图3（a） - （c）显示了对图像进行去噪的阶段，从图3中可以注意到，每个块都被独立处理，并获得最终的去噪图像（c）。
图3 去噪阶段 最初（a）,中期（b），最后（c）
2.2 去噪机制
本小节介绍了用于消除椒盐以及高斯噪声的两种去噪机制。 去噪过程分两个阶段完成。 滤波阶段和图像平滑阶段。滤波是修改图像以增强其特征或对其进行修改的过程。 过滤既可以增强图像的特定特征，也可以消除图像中的其他成分。
在这里，我们考虑一个常见的退化模型，如下所示。
其中K是模糊矩阵; y是观察图像; b是未知的噪声矢量，x是未知的实像。
我们知道，从观察到的模糊和噪声图像y估计x是一个非常不当的问题。其基本思想是最小化以下正则化模型以获得结果，其中代表欧几里得标准; Phi;通常称为正则化函数，lambda;是一个正向正则化参数，它提供了测量保真度和噪声灵敏度之间的折衷值。很明显，小lambda;有利于小解的残差范数，代价是大解的半范数，而大lambda;具有相反的效果。 正规化技术最常见的形式是正规化，在这种正规化中寻找解决方案。
其中代表成分的绝对值之和。
这是一个基于邻域的操作，它考虑恒定大小的块，分析它们并应用过滤过程。过滤的过程使用基于中值的过滤技术进行。基于中值的滤波技术基于空间2D滤波。每个像素都进行了分析和邻域细节被获得。一般来说，噪声不会以单个像素出现。它可以跨越多个块。现有的基于中值的过滤技术只考虑特定的块条目并替换该块中的所有像素。这会导致一个问题，即选择块只包含噪声数据。这导致噪声被解释为正常数据，因此它容易被忽略。由于自适应块选择方法，块以自适应方式识别而不与任何固定边界有关。块与其周围的背景成分一起被识别，这有助于识别要被替换的成分。这确保了过滤的过程在图像清晰度损失最小的情况下执行。
即使使用自适应块选择成分，也可以确定几个中等大的噪声成分被归类为原始图像。这种效果通过平滑技术得到纠正。平滑，也称为低通滤波，用于消除数字图像中的空间频率噪声。一般来说，如果有多张相同图像的副本可用，则可以有效地进行平滑处理。然而，在大多数情况下这是不可行的。因此，平滑通常使用基于重建的方法或增强方法对图像去噪。基于重建的方法学通常需要有关于图像的退化过程的先验知识。仅与某些特定应用有关的图像包含有关降解过程的信息。因此这种方法不适用于一般应用。增强型过滤是一项基于人类或机器可解释性而改进图像的技术。这种技术更具适应性，因此可用于一般应用。它们是启发式和问题导向的。
所提出的方法识别图像中像素的突然变化并减少它。 该方法专注于基于椒盐噪声降噪。 在这类噪声中，每个损坏的像素或者等于最大或最小灰度。 因此，如果像素表现出最大或最小强度，那就视为噪音，因此需要平滑。 否则，该像素被认为是属于原始图像的正常像素。 平滑规则如下
其中是最终的像素强度;和表示与被分析像素相比表现出最小方差的像素值的强度，并且表示单个块维度。
具有椒盐噪声的图像显示出以块的中心为基准的高波动。 基于它们与呈现方差的像素的强度对应来收集相邻元素。对所选像素执行基于块的平滑，并且这保证了即使在消除了噪声分量之后信噪比仍保持最大。
图4 (a)-(c) 显示图像去噪的各个阶段，并且噪声图像通过修正后的中值滤波器，该滤波器识别高变化并根据其相邻像素强度将它们转换为像素。其充当图4（b）中表示的阶段一的去噪机制。 即使在这个阶段之后，一些紧密分组的噪声像素仍倾向于保留在图像中。 图像平滑是在图像上执行来获得最终的去噪图像4（c）。
图4 带有椒盐噪声的图像去噪。（a）噪声图像 （b）去噪阶段一 （c）最终去噪图像
与椒盐噪声不同，高斯噪声散布在整个图像上，并且它集中于增加或减少像素的强度。 因此，噪声不能从图像中分离出来（图5（a））。相反，它只能从像素强度的巨大变化中观察到。 这种变化需要平滑来消除累积的噪音。将高斯滤波器应用于图像以使其平滑（图5（b）），并使用Weiner滤波器消除图像中的微小噪声成分。 图像然后锐化以获得最终的去噪图像（图5（c））。
图5带有高斯噪声的图像去噪。（a）噪声图像 （b）去噪阶段一 （c）最终去噪图像
3．结果与讨论
所提出的方法的性能，使用标准图像（Lena，狒狒和胡椒）.Lena图像含有具有平滑的过渡需要遮阳变化的标准的基准图像。 狒狒图像包含巨大而突然的图像强度变化。 这些存在很大的可能性错误归类为噪音。 因此，为了在高变化的图像中识别检测过程的效率，使用狒狒图像。 辣椒图像包含大小不等的大小相似的色调，这使得自适应分割过程成为一个复杂的过程。 引入辣椒图像来识别块选择机制的效率。 将噪声引入这些图像的各个级别，并且测量噪声和去噪图像的PSNR并将其用作评估参数。
图6-8通过用椒盐噪声，高斯噪声和两种噪声的组合对图像Lena进行去噪获得峰值SNR值。 从图6-8可以看出，该方法的表现令人鼓舞。 对于椒盐噪声，噪声和去噪图像的PSNR差异相当好，并且在组合噪声中观察到类似的结果。 当应用于高斯噪声时，所提出的方法表现出
全文共10750字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[9344]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
