專利名稱：一種基于自適應神經模糊推理系統(tǒng)的圖像噪聲檢測方法
技術領域：
本發(fā)明涉及一種基于自適應神經模糊推理系統(tǒng)的圖像噪聲檢測方法，屬于圖像處理技術領域，具體涉及一種檢測圖像中所包含的椒鹽脈沖噪聲的方法。
背景技術：
圖像在獲取或者傳輸過程中，經常會被加入大量的噪聲，嚴重影響了圖像的視覺效果，甚至妨礙了人們的正常識別。因此，圖像的噪聲濾除是圖像處理中的一項重要任務，噪聲濾除后的結果對圖像邊緣檢測、圖像分割、特征提取和圖像識別等后續(xù)處理均有直接的影響。圖像中一般既有較為平滑的區(qū)域，也有豐富的細節(jié)或邊緣，這些細節(jié)或邊緣通常包含重要的視覺感知信息。因此，圖像濾波的目的除了去除噪聲外，還要盡可能地保留細節(jié)或邊緣等信息。對于被椒鹽脈沖噪聲污染的圖像，非線性濾波器的濾波效果要比線性濾波器好，因為線性濾波器會造成圖像邊緣和細節(jié)模糊，影響圖像的視覺效果。作為一種非線性濾波器，中值濾波器(standard median filter, SMF)已成功運用于脈沖噪聲圖像的濾波中。在使用中值濾波器對圖像進行濾波時，是用以當前操作像素為中心的濾波操作窗口內所有像素灰度值的中值來代替當前操作像素的灰度值。在中值濾波器基礎上，0.Yl1-Harja等提出了加權中值濾波器(weighted median filter, WMF), S.J.Ko等提出了中心加權中值濾波器(center weighted median filter, CWMF),這兩類濾波器給予濾波操作窗口內特定的像素更多的權值，以進一步提高濾波性能。以上這三種濾波器對于噪聲圖像中所有的像素都采用相同的濾波處理，這就在濾波的同時不可避免地破壞未被噪聲污染的像素。在實際應用中，我們希望濾波算法僅對噪聲像素進行濾波，而對非噪聲像素則保持不變。因此，在濾波前，可采用一個脈沖噪聲檢測器，把圖像中的噪聲像素和非噪聲像素區(qū)分開來。如果一個像素被檢測出是噪聲像素，它將被中值濾波器的輸出替代；反之，該像素保持不變。對于這類開關型中值濾波器，脈沖噪聲檢測器的性能好壞是至關重要的。根據采用不同的脈沖噪聲檢測方法，Z.Shuqun等提出了 edge-detecting median filter(EDMF)方法，C.Tao 等提出了 mult1-state medianfilter (MSMF)方法，Z.Wang 等提出了 progressive switching median filter (PSMF)方法，E.Abreu 等提出了 signal-dependent rand-ordered mean filter (SDROMF)方法。在噪聲圖像中，細節(jié)或邊緣與噪聲之間的區(qū)別并不明顯。這種信息的不確定性和不完整性給濾波操作帶來了困難，而模糊理論正好能適應這些非確定性，因此在圖像濾波過程中應用模糊理論可以取得較好的噪聲去除效果。F.Russo等正是利用了模糊系統(tǒng)理論，提出了 fuzzy filter(FF)方法,應用在圖像濾波中。人工神經網絡算法與傳統(tǒng)算法相比表現出很大的優(yōu)越性，人工神經網絡具有高度并行處理能力，具有自學習、自組織能力，能夠根據學習樣本找出輸入與輸出數據之間的內在聯(lián)系，具有非線性映射功能，特別適合圖像處理中許多非線性問題。近年來，神經模糊理論綜合了模糊理論模擬濾波過程中的不確定性的能力和人工神經網絡強大的學習能力，逐漸應用在灰度圖像的濾波中

發(fā)明內容
要解決的技術問題本發(fā)明所要解決的問題是，提出一種基于自適應神經模糊推理系統(tǒng)的圖像噪聲檢測方法，是一種能有效地檢測出圖像中的椒鹽脈沖噪聲的方法。技術方案本發(fā)明的技術特征在于，包括以下步驟:步驟一:構造一個包含兩個自適應神經模糊推理系統(tǒng)和一個后處理塊的網絡，在使用該網絡對圖像進行噪聲檢測前，人工構造一個訓練圖像，使用混合學習算法對兩個自適應神經模糊推理系統(tǒng)單獨進行訓練，確定系統(tǒng)中的參數；步驟二:當兩個自適應神經模糊推理系統(tǒng)都訓練完畢，就可以和一個后處理塊一起構成一個網絡，對含噪輸入圖像進行噪聲檢測，得到噪聲標志圖像。步驟三:將本發(fā)明方法與中值濾波器配合對含噪輸入圖像進行濾波。所述步驟一進一步包括以下步驟:步驟A:每個自適應神經模糊推理系統(tǒng)都有四個輸入，一個輸出，人工構造一訓練圖像，在該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為每個自適應神經模糊推理系統(tǒng)的輸入圖像，根據噪聲圖像和原始訓練圖像各像素點的灰度值的差值生成噪聲標志圖像，并以該噪聲標志圖像作為系統(tǒng)期望輸出的圖像；步驟B:以輸入的訓練圖像中每個像素為中心的3X3操作窗口從圖像左上角的像素(該像素即為當前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入的訓練圖像中所有像素；步驟C:以當前操作像素為中心得到一個3 X 3操作窗口，在操作窗口內，兩個數據提取塊分別以兩種不同的拓樸結構方式提取像素灰度值，由此得到與兩個數據提取塊相對應的自適應神經模糊推理系統(tǒng)的四個輸入，由系統(tǒng)的四個輸入可得到系統(tǒng)的實際輸出；步驟D:選取輸入的訓練圖像中下一個像素作為當前操作像素，重復步驟C，通過這樣的方式可得到輸入的訓練圖像中所有像素對應的系統(tǒng)實際輸出；步驟E:根據輸入的訓練圖像中所有像素對應的系統(tǒng)實際輸出和由期望輸出的訓練圖像得到的期望輸出的差值，得到代價函數值，使用混合學習算法對系統(tǒng)中的參數進行優(yōu)化更新；步驟F:當代價函數值小于預先設定的閾值或者迭代次數達到預先設定的上限時，則系統(tǒng)訓練結束；否則，重復步驟B到E，進行下一次迭代訓練。所述步驟二進一步包括以下步驟:步驟A:將需進行噪聲檢測的測試圖像作為網絡的輸入圖像，以輸入圖像中每個像素為中心的3X3操作窗口從圖像左上角的像素(該像素即為當前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入圖像中所有像素；步驟B:以當前操作像素為中心得到一個3 X 3操作窗口，對于每個自適應神經模糊推理系統(tǒng)，在操作窗口內，兩個數據提取塊分別以與每個系統(tǒng)訓練時相同的拓樸結構方式提取像素灰度值，由此得到每個系統(tǒng)的四個輸入；步驟C:每個自適應神經模糊推理系統(tǒng)都會得到一個輸出，這些輸出即為后處理塊的輸入，后處理塊對這兩個輸入取平均值，若該平均值大于0.5，則網絡的最終輸出值為1，表示當前操作像素是噪聲點，若該平均值小于等于0.5，則網絡的最終輸出值為0，表示當前操作像素不是噪聲點；步驟D:選取輸入圖像中下一個像素作為當前操作像素，重復步驟(B)和(C)，當輸入圖像中所有像素經過網絡都得到輸出后，就能得到一個輸出圖像，該輸出圖像即為輸入圖像對應的噪聲標志圖像。有益效果本發(fā)明的脈沖噪聲檢測方法能有效地檢測到圖像中的椒鹽脈沖噪聲。對于被脈沖噪聲污染的圖像，本發(fā)明所提出的噪聲檢測方法，綜合利用了模糊理論模擬噪聲檢測過程中的不確定性的能力和人工神經網絡強大的學習能力，能有效檢測出圖像出的脈沖噪聲，從而提高后續(xù)的噪聲濾除能力，使圖像邊緣檢測、圖像分割、特征提取和圖像識別等任務更能有效地進行。


圖1是自適應神經模糊推理系統(tǒng)網絡結構2是單個自適應神經模糊推理系統(tǒng)訓練優(yōu)化過程3是人工訓練圖像圖4是兩個數據提取塊所對應的拓撲結構圖5是中值提取操作窗口大小的選擇圖6是8張測試圖像圖7是用不同方法對受不同強度椒鹽脈沖噪聲污染的圖像進行噪聲檢測所得漏檢率、錯檢率及總誤檢率的比較曲線圖8是圖像濾波過程9是用不同方法對受不同強度椒鹽脈沖噪聲污染的圖像去噪后的平均峰值信噪比(PSNR)比較曲線圖10是對被30%椒鹽脈沖噪聲污染的Baboon圖像使用不同方法濾波后得到的結果圖
具體實施例方式下面結合圖1至圖10對本發(fā)明作進一步的詳細描述。步驟一:構造一個包含兩個自適應神經模糊推理系統(tǒng)和一個后處理塊的網絡，在使用該網絡對圖像進行噪聲檢測前，人工構造一個訓練圖像，使用混合學習算法對兩個自適應神經模糊推理系統(tǒng)單獨進行訓練，確定系統(tǒng)中的參數；具體步驟如下:步驟A:每個自適應神經模糊推理系統(tǒng)都有四個輸入，一個輸出，人工構造一訓練圖像，在該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為每個自適應神經模糊推理系統(tǒng)的輸入圖像，根據噪聲圖像和原始訓練圖像各像素點的灰度值的差值生成噪聲標志圖像，并以該噪聲標志圖像作為系統(tǒng)期望輸出的圖像；圖1是一個包含兩個自適應神經模糊推理系統(tǒng)和一個后處理塊的網絡結構圖，在使用該網絡對圖像進行噪聲檢測前，每個自適應神經模糊推理系統(tǒng)都需單獨進行訓練，圖2是單個自適應神經模糊推理系統(tǒng)訓練優(yōu)化過程圖。訓練圖像可通過計算機人工構造得到，圖3(a)是每個自適應神經模糊推理系統(tǒng)的原始訓練圖像，該圖像大小為64X64，是由256個4X4色塊組成，每個色塊中的16個像素具有相同的灰度值，不同色塊的灰度值各不相同，256個色塊的灰度值遍取O到255中的所有值，不同灰度值的色塊在圖片中的位置是隨機的，圖3(b)是系統(tǒng)的輸入的訓練圖像，是在圖3(a)上添加30%的椒鹽脈沖噪聲得到的噪聲圖像，圖3(c)是系統(tǒng)期望輸出的訓練圖像。若圖3(a)中像素點與圖3(b)中對應位置像素點的灰度值的差為0，則圖3(c)中相應像素點的值為0，顯示為黑色，表示圖3(b)中該點不是噪聲點；若圖3(a)中像素點與圖3(b)中對應位置像素點的灰度值的差不為0，則圖3(c)中相應像素點的值為1，顯示為白色，表示圖3(b)中該點是噪聲點。步驟B:以輸入的訓練圖像中每個像素為中心的3X3操作窗口從圖像左上角的像素(該像素即為當前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入的訓練圖像中所有像素；步驟C:以當前操作像素為中心得到一個3 X 3操作窗口，在操作窗口內，兩個數據提取塊分別以兩種不同的拓樸結構方式提取像素灰度值，由此得到與兩個數據提取塊相對應的自適應神經模糊推理系統(tǒng)的四個輸入，由系統(tǒng)的四個輸入可得到系統(tǒng)的實際輸出；每個自適應神經模糊推理系統(tǒng)對應一個數據提取塊。每個數據提取塊為相應的自適應神經模糊推理系統(tǒng)提供四個輸入。具體步驟如下:(I)如圖4所示，以當前操作像素P2為中心，得到一個3 X 3操作窗口，依照水平和垂直這兩種不同的拓撲結構得到像素灰度值PpP2和P3 ;
(2)仍以當前操作像素P2為中心，另外得到一個預先定義的中值提取操作窗口，由該窗口內所有像素點的灰度值，得到中值m ;(3)令每個自適應神經模糊推理系統(tǒng)四個輸入Xl、x2、X3和X4分別為:
權利要求
1.一種基于自適應神經模糊推理系統(tǒng)的圖像噪聲檢測方法，其特征在于，包括以下步驟: 步驟一:構造一個包含兩個自適應神經模糊推理系統(tǒng)和一個后處理塊的網絡，在使用該網絡對圖像進行噪聲檢測前，人工構造一個訓練圖像，使用混合學習算法對兩個自適應神經模糊推理系統(tǒng)單獨進行訓練，確定系統(tǒng)中的參數； 步驟二:當兩個自適應神經模糊推理系統(tǒng)都訓練完畢，就可以和一個后處理塊一起構成一個網絡，對含噪輸入圖像進行噪聲檢測，得到噪聲標志圖像。
步驟三:將本發(fā)明方法與中值濾波器配合對含噪輸入圖像進行濾波。
2.根據權利要求1所述的基于自適應神經模糊推理系統(tǒng)的圖像噪聲檢測方法，其特征在于，步驟一進一步包括以下步驟:.步驟A:每個自適應神經模糊推理系統(tǒng)都有四個輸入，一個輸出，人工構造一訓練圖像，在該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為每個自適應神經模糊推理系統(tǒng)的輸入圖像，根據噪聲圖像和原始訓練圖像各像素點的灰度值的差值生成噪聲標志圖像，并以該噪聲標志圖像作為系統(tǒng)期望輸出的圖像； 步驟B:以輸入的訓練圖像中每個像素為中心的3X3操作窗口從圖像左上角的像素(該像素即為當前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入的訓練圖像中所有像素； 步驟C:以當前操作像素為中心得到一個3 X 3操作窗口，在操作窗口內，兩個數據提取塊分別以兩種不同的拓樸結構方式提取像素灰度值，由此得到與兩個數據提取塊相對應的自適應神經模糊推理系統(tǒng)的四個輸入，由系統(tǒng)的四個輸入可得到系統(tǒng)的實際輸出； 步驟D:選取輸入的訓練圖像中下一個像素作為當前操作像素，重復步驟C，通過這樣的方式可得到輸入的訓練圖像中所有像素對應的系統(tǒng)實際輸出； 步驟E:根據輸入的訓練圖像中所有像素對應的系統(tǒng)實際輸出和由期望輸出的訓練圖像得到的期望輸出的差值，得到代價函數值，使用混合學習算法對系統(tǒng)中的參數進行優(yōu)化更新； 步驟F:當代價函數值小于預先設定的閾值或者迭代次數達到預先設定的上限時，則系統(tǒng)訓練結束；否則，重復步驟B到E，進 行下一次迭代訓練。
3.根據權利要求1所述的基于自適應神經模糊推理系統(tǒng)的圖像噪聲檢測方法，其特征在于，步驟二進一步包括以下步驟: 步驟A:將需進行噪聲檢測的測試圖像作為網絡的輸入圖像，以輸入圖像中每個像素為中心的3X3操作窗口從圖像左上角的像素(該像素即為當前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入圖像中所有像素； 步驟B:以當前操作像素為中心得到一個3 X 3操作窗口，對于每個自適應神經模糊推理系統(tǒng)，在操作窗口內，兩個數據提取塊分別以與每個系統(tǒng)訓練時相同的拓樸結構方式提取像素灰度值，由此得到每個系統(tǒng)的四個輸入； 步驟C:每個自適應神經模糊推理系統(tǒng)都會得到一個輸出，這些輸出即為后處理塊的輸入，后處理塊對這兩個輸入取平均值，若該平均值大于0.5，則網絡的最終輸出值為1，表示當前操作像素是噪聲點，若該平均值小于等于0.5，則網絡的最終輸出值為0，表示當前操作像素不是噪聲點；步驟D:選取輸入圖像中下一個像素作為當前操作像素，重復步驟(B)和(C)，當輸入圖像中所有像素經過網絡都得到輸出后，就能得到一個輸出圖像，該輸出圖像即為輸入圖像對應的噪聲標志圖像 。
全文摘要
本發(fā)明涉及一種基于自適應神經模糊推理系統(tǒng)的圖像脈沖噪聲檢測方法，對于被椒鹽脈沖噪聲污染的圖像，該方法構造一個包含兩個自適應神經模糊推理系統(tǒng)和一個后處理塊的網絡，在使用該網絡對圖像進行噪聲檢測前，首先人工構造一個訓練圖像，使用混合學習算法對兩個自適應神經模糊推理系統(tǒng)單獨進行訓練，確定系統(tǒng)中的參數；當兩個自適應神經模糊推理系統(tǒng)都訓練完畢，就可以和一個后處理塊一起構成一個網絡，對含噪輸入圖像進行噪聲檢測，得到的輸出圖像即為噪聲標志圖像；最后和中值濾波器配合對含噪輸入圖像進行濾波。本發(fā)明的脈沖噪聲檢測方法能有效地檢測圖像中的椒鹽脈沖噪聲，其噪聲檢測性能優(yōu)于一些傳統(tǒng)方法。
文檔編號G06T5/00GK103198457SQ201310109770
公開日2013年7月10日 申請日期2013年3月25日 優(yōu)先權日2013年3月25日
發(fā)明者李岳陽, 孫俊, 羅海馳 申請人:江南大學