基于小波分析及智能优化的图像去噪研究

论文摘要

在图像的获取和传输过程中,经常会受到各种噪声的干扰。对图像去噪效果的好坏往往会直接影响到后续的图像处理工作。传统的去噪方法在去除噪声的同时往往会带来图像模糊等副作用,对图像的细节保留不够理想。近年来,包括小波分析思想和智能优化算法在内的诸多技术逐步应用到数字图像处理中,并取得了较好的去噪效果。小波分析由于具有时频分析、多分辨率等优点,易与人类视觉特性相结合等优势,被广泛应用于边缘检测、图像压缩、图像去噪等领域。智能优化算法是人们受自然界生物系统的启示,通过模拟自然界生物系统来构造优化过程的算法,本文采用的智能优化算法包括粒子群算法和脉冲耦合神经网络。粒子群算法基于群体迭代,群体在群空间中追随最优粒子进行搜索,从而达到全局寻优与快速搜索的结合,求得最优解或近似最优解。该算法由于具有算法简单、易于实现的特点,同时又有深刻的群体背景,成为应用最为广泛的智能优化算法之一。脉冲耦合神经网络是根据哺乳动物的大脑皮层上的同步脉冲发放现象提出的一种有连接域的网络模型。脉冲耦合神经网络的脉冲传播特性使其在图像处理领域中有着先天的优势,对脉冲噪声和强高斯噪声有着很好的定位和滤除效果。本文对图像去噪理论及研究现状进行了全面的综述,并对基于小波分析和智能优化的图像去噪思想及实现进行了深入地研究。本文对小波分解尺度、小波基、小波系数估计方法及阈值等的优选进行了讨论和比较,并将小波变换去噪与粒子群优化算法相结合,对小波变换中使用的参数进行优化,获得了较好的图像去噪效果。在图像受强高斯噪声或脉冲噪声干扰的情况下,小波变换去噪的应用出现较严重的局限。针对这一问题,本文分别提出了基于脉冲耦合神经网络的椒盐噪声自适应滤波算法及强高斯噪声自适应滤波算法。算法深入分析了脉冲耦合神经网络的运行机理,根据神经元的点火捕获特性,对受噪声污染的像素进行定位和滤除;并根据噪声强度的估计信息,对神经网络结构或滤波策略进行自组织,实现了图像的强自适应滤波。实验结果表明,与传统去噪方法相比,本方法噪声去除效果好,图像细节保持完整,而且系统具有一定的泛化能力。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要工作
• 第二章 图像去噪概述
• 2.1 图像去噪基础理论
• 2.1.1 图像去噪的意义
• 2.1.2 噪声的特征与分类
• 2.2 经典噪声滤波器
• 2.2.1 脉冲噪声滤波器
• 2.2.2 高斯噪声滤波器
• 2.3 图像去噪效果的评价标准
• 2.4 图像噪声强度的估计方法
• 2.4.1 高斯噪声标准差的估计
• 2.4.2 椒盐噪声强度的估计
• 2.5 本章小结
• 第三章 小波分析及智能优化基础理论
• 3.1 小波分析去噪基础理论
• 3.1.1 小波去噪综述
• 3.1.2 小波阈值去噪概述
• 3.2 群智能优化理论概述
• 3.2.1 蚂蚁算法
• 3.2.2 粒子群优化算法（PSO算法）概述
• 3.2.3 基本粒子群优化算法
• 3.3 脉冲耦合神经网络概述
• 3.3.1 PCNN 算法描述
• 3.3.2 PCNN 运行机理分析
• 3.3.3 脉冲耦合神经网络的主要特性
• 3.4 本章小结
• 第四章 基于小波智能优化的图像自适应去噪方法
• 4.1 小波变换阈值去噪原理
• 4.1.1 小波变换阈值去噪原理
• 4.1.2 最优小波基准则及选取
• 4.1.3 小波分解层数的确定
• 4.1.4 阈值的选取方法
• 4.1.5 小波系数阈值估计方法
• 4.1.6 小波系数阈值估计方法的改进综述
• 4.2 标准粒子群优化算法
• 4.3 适应度函数的确定
• 4.4 基于小波智能优化的自适应去噪算法流程
• 4.5 实验结果及分析
• 4.6 本章小结
• 第五章 基于脉冲耦合神经网络的图像自适应去噪方法
• 5.1 基于PCNN 神经网络的图像椒盐噪声去噪算法
• 5.1.1 简化脉冲耦合神经网络模型
• 5.1.2 PCNN 点火时刻矩阵
• 5.1.3 基本思想及实现
• 5.1.4 滤波次数和滤波窗口宽度的自适应选择
• 5.1.5 去噪算法实现流程
• 5.1.6 仿真实验结果及分析
• 5.1.7 结论
• 5.2 基于脉冲耦合神经网络的强高斯噪声自适应滤波
• 5.2.1 基本思想及算法设计
• 5.2.2 大幅度噪声点的定位与滤除
• 5.2.3 去噪策略的自适应选择
• 5.2.4 实验结果与讨论分析
• 5.2.5 结论
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文