椒盐噪声识别与滤波算法改进的研究.pdfVIP

摘 要 摘 要 数字图像在其形成与传输的各个环节过程中，往往会受到各种因素的影响和干扰从 而产生椒盐噪声，进而严重影响数字图像的准确性和质量。这些椒盐噪声可能会直接影 响到数字图像的分辨率与清晰度，使原本的图像结构或者图像边缘发生改变，从而给数 字图像的基本信息提取和后续处理等工作带来较大的干扰。因此，在对图像信息提取的 预处理过程中，为了抑制图像椒盐噪声，改善图像质量，必须对图像进行去噪预处理。 图像去噪也是目前数字图像信息预处理技术领域比较重要的研究课题之一。 作为图像处理领域的一个重要研究课题，目前国内外开展的去除椒盐噪点的很多研 究都是采用识别和滤波算法对图像中椒盐噪点进行识别与滤波，从而复原图像。目前就 识别算法而言，仍然面临着噪点识别精确度不高、参数误判率有较高百分比等问题。目 前就滤波算法而言，仍面临着诸如滤波后的图像不清晰不连续、均方误差和峰值信噪比 不理想等问题。因此，为了改进椒盐噪点的识别精确度和滤波质量，本文通过分析研究 常用的噪声识别算法（邻域识别法、连通域识别法）和滤波算法（均值滤波法、中值滤 波法、维纳滤波法及小波滤波法）的优缺点，设计了两种椒盐噪点识别算法BPNN_NI (BP Neural Network Noise Identification)和FM_N(Fuzzy Math Neighborhood)来解决精准识别 椒盐噪点的问题，设计了椒盐噪点滤波算法GAK （Genetic Algorithm Kalman ）来解决 椒盐噪点滤波质量问题。 针对有较多图片数据集且该数据集可供BPNN_NI 识别算法训练神经网络的情况， 本文通过研究分析BP 神经网络，结合图像点邻域信息判别法及图像点连通域信息判别 法的优势，设计出一种基于BP 神经网络的椒盐噪点识别算法——BPNN_NI 识别算法， 用于解决精准识别椒盐噪点的问题。本文首先利用邻域像素中值、邻域像素均值、连通 域像素中值和 ROAD 像素值，设计了 BPNN_NI 识别算法的输入值与网络结构；然后 根据梯度下降法原理，提出了 BPNN_NI 识别算法的训练方式与决策准则；最后运用 Matlab 软件对含椒盐噪声的图像进行仿真实验识别噪点。仿真结果表明：BPNN_NI 识 别算法针对所识别图像中椒盐噪点的漏检数和参数误判率较低，对椒盐噪声有着较好的 识别效果。 针对没有较大数据集以供BPNN_NI 识别算法训练神经网络的情况，本文通过研究 分析模糊数学，结合邻域识别法，设计出一种基于模糊数学和邻域识别的椒盐噪点识别 算法——FM_N 识别算法，用于解决精准识别椒盐噪点的问题。FM_N 识别算法利用 8 邻域识别法、24 邻域识别法和ROAD 像素值作为算法输入值，然后设定模糊集与隶属 度函数、评价指标及模糊规则形成模糊识别器，最后制定识别准则加入到模糊识别器中， 并输出椒盐噪点的识别结果。仿真结果表明：FM_N 识别算法对所识别图像中椒盐噪点 的漏检数和参数误判率同样较低，对椒盐噪声有着较好的识别效果，并且FM_N 识别算 法对图片数据集的大小是没有依赖性的。 I 摘 要 本文通过研究分析扩展卡尔曼滤波的初状态值选取，利用遗传算法来优化卡尔曼滤 波增益从而优化扩展卡尔曼滤波，进而设计出一种新的图像滤波算法 GAK ，用以高效 滤除椒盐噪点。本文首先分析了扩展卡尔曼滤波与遗传算法的原理；然后提出了 GAK 滤波算法原理，详细阐述了 GAK 滤波算法功能和核心编程，设计了 GAK 滤波算法求 解步骤；最后运用Matlab 软件来对GAK 滤波算法的参数值进行整定，并对椒盐噪声的 图像进行降噪仿真。仿真结果表明：经过GAK 滤波算法复原的图像清晰度较高，GAK 滤波算法对于处理椒盐噪点有着较好的适用性和抑制能力。 关键字：椒盐噪声；BP 神经网络；模糊数学；卡尔曼滤波；遗传算法；图像去噪。 II Abstra