基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法技術

本發明專利技術公開了一種基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法，首先用遺傳算法優化BP神經網絡的初始權值和初始閾值；其次訓練GA-BP神經網絡；再用訓練好的GA-BP神經網絡對圖像進行噪聲檢測；最后對檢測出的圖像噪聲點進行自適應均值濾波。本發明專利技術明使用遺傳算法來優化BP神經網絡的初始權值和閾值，可以較好地解決BP算法易陷入局部極小、收斂速度慢等問題，并且可以有效提高神經網絡的泛化能力。

【技術實現步驟摘要】

本專利技術涉及一種圖像噪聲濾波方法，更具體地說是一基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法。
技術介紹
圖像在獲取和傳輸的過程中經常會受到椒鹽噪聲的影響，有效去除圖像中噪聲的同時保持它的特征是圖像處理中的一個基本問題。中值濾波是去除圖像椒鹽噪聲最常用的方法之一，運算簡單效率高，但是濾波效果受濾波窗口大小的影響，而且中值濾波對所有的像素進行統一處理，信號點和噪聲點都被改變了，造成了圖像邊緣細節的模糊。針對中值濾波的這種缺陷，先進行噪聲定位再濾波的思想應運而生。學者們據此提出了多種改進算法，如開關中值(SMF)濾波方法、遞進開關中值(PSM)濾波方法、極值中值(EM)濾波方法、自適應中值濾波(AMF)方法等。這些算法濾波質量和保護圖像細節能力有所提高，但在實際應用中都有各自的局限性，尤其是當噪聲密度較大時濾波效果不理想。BP神經網絡泛化能力強，結構簡單易于實現，適合解決判斷圖像像素為噪聲點還是信號點的分類問題，但是BP神經網絡的尋優不具有唯一性，會出現局部極小現象；另一方面，初始權值和閾值是隨機給的，導致了訓練的次數較多，收斂速度慢。遺傳算法是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應全局優化概率搜索算法，自適應能力強。該算法的搜索不依賴梯度信息，只需求解函數在約束條件下的可行解，具有全局搜索的特性，不易陷入局部極小，從而可以較好地解決BP神經網絡存在的問題，并且能夠有效提高神經網絡的泛化性能。
技術實現思路
本專利技術解決的技術問題是提供一種基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法。為解決
技術介紹
中存在的技術問題，本專利技術提供的一種基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法，包括以下步驟:步驟一、用遺傳算法優化BP神經網絡的初始權值和初始閾值；步驟二、訓練GA-BP神經網絡；步驟三、用訓練好的GA-BP神經網絡對圖像進行噪聲檢測；步驟四、對檢測出的圖像噪聲點進行自適應均值濾波。進一步地，本專利技術基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法中，用遺傳算法優化BP神經網絡的初始權值和初始閾值，具體為:首先用遺傳算法對初始權值和閾值進行快速的全局搜索，等達到一定要求后，再利用BP算法在局部進行最優搜索，直到達到要求的精度為止。遺傳算法的染色體就是BP網絡的一個連接權值或閾值，每個染色體用特定的方式編碼，遺傳算法滿意解就是BP神經網絡的權值和閾值的近似值。進一步地，本專利技術基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法中，訓練GA-BP神經網絡，具體為:用計算機生成初始棋盤格圖像作為訓練圖像，將圖像分為8塊分別加入不同密度的噪聲，然后用噪聲圖像減去原始圖像，當差值不為O時，噪聲分布矩陣標記該點為1，反之則標記該點為0，由此得到圖像噪聲位置映像，并將其作為神經網絡訓練的目標圖像。將圖像像素值、中值、ROAD值作為神經網絡的輸入；進一步地，本專利技術基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法中，對噪聲點進行自適應均值濾波，具體為:步驟A、設窗口大小為WXW，其中W為大于等于3的奇數，初始窗口為3*3，最大濾波窗口尺寸為Wd X Wd，若y (i，j )= O即非噪聲點則不進行濾波，按原值輸出，否則執行步驟B ；步驟B、根據步驟二中精確噪聲位置的檢測結果，使用窗口的總像素個數WXW減去窗口中噪聲點個數的方法，計算出窗口內非噪聲點的個數M，其中M為正整數，當W < Wd時，則執行步驟C，否則執行步驟D ；步驟C、判斷M是否大于3，若M > 3，取窗口內所有未被污染信號點灰度值的均值作為輸出，否則增加窗口大小，使W=W+2后執行步驟B ；步驟D、窗口停止擴張，判斷M是否大于3，當M彡3，以窗口中M個非噪聲點的灰度值的均值作為輸出，否則取窗口中所有像素灰度值的均值作為輸出。本專利技術與現有技術相比，具有以下顯著優點:(I)本專利技術使用遺傳算法來優化BP神經網絡的初始權值和閾值，可以較好地解決BP算法易陷入局部極小、收斂速度慢等問題，并且可以有效提高神經網絡的泛化能力；(2)本專利技術使用GA-BP神經網絡檢測噪聲時避免了迭代運算，整個濾波過程無人工干預，真正實現了自動濾噪；(3)本專利技術在對噪聲進行自適應均值濾波時，非噪聲點保持原`值不變，且只用窗口中非噪聲點的均值取代噪聲點，有效濾除圖像噪聲的同時保護了圖像的細節信息。附圖說明圖1為對同一圖像Lena(512X 512)在不同噪聲密度下，GA-BP神經網絡檢測椒鹽噪聲的自適應濾波方法與SMF、PSMF, EM、AMF四種傳統方法峰值信噪比PSNR比較。圖2 (a)為Iena原始圖片；圖2 (b)為對圖2 (a)加入60%椒鹽噪聲之后的含噪圖片圖2 (C)為采用窗口大小為3*3SMF方法對圖2 (b)濾波之后的效果圖；圖2 (d)為采用窗口大小為3*3PSM方法對圖2 (b)濾波之后的效果圖；圖2 Ce)為采用窗口大小為3*3EM方法對圖2 (b)濾波之后的效果圖；圖2 (f)為采用窗口大小為3*3AMF方法對圖2 (b)濾波之后的效果圖；圖2 (g)為采用本專利技術對圖2(b)濾波之后的效果圖；圖2 (h)為圖2 Cf)圖的部分細節放大圖；圖2 (i)為圖2 (g)圖的部分細節放大；圖3 Ca)為對原始圖片加入90%椒鹽噪聲之后的含噪圖片，圖3 (b)為采用窗口大小為3*3SMF方法對圖3 Ca)濾波之后的效果圖，圖3 (C)、圖3 (d)、圖3 (e)為分別采用PSM、EM和AMF方法對圖3 (a)圖濾波之后的效果圖，圖3 Cf)圖為采用本專利技術對圖3(a)濾波之后的效果圖。具體實施例方式本專利技術一種GA-BP神經網絡檢測椒鹽噪聲的自適應濾波方法，包括以下步驟:步驟一:使用遺傳算法優化BP神經網絡的初始權值和閾值。首先用遺傳算法對初始權值和閾值進行快速的全局搜索，等達到一定要求后，再利用BP算法在局部進行最優搜索，直到達到要求的精度為止。遺傳算法的染色體就是BP網絡的一個連接權值或閾值，每個染色體用特定的方式編碼，遺傳算法滿意解就是BP神經網絡的初始權值和初始閾值的近似值。 步驟二:訓練GA-BP神經網絡。具體為:用計算機生成初始棋盤格圖像作為訓練圖像，將圖像分為8塊分別加入不同密度的噪聲，然后用噪聲圖像減去原始圖像，當差值不為O時，噪聲分布矩陣標記該點為1，反之則標記該點為0，由此得到圖像噪聲位置映像，并將其作為神經網絡訓練的目標圖像。將圖像像素值、中值、ROAD值作為神經網絡的輸入。步驟三:用訓練好的GA-BP神經網絡對圖像進行精確的噪聲檢測。步驟四:使用步驟三得到的精確的噪聲位置映像對圖像進行自適應均值濾波。步驟A、設窗口大小為WXW，其中W為大于等于3的奇數，初始窗口為3*3，最大濾波窗口尺寸為WdXWD。根據檢測結果，若y(i，j)=0即非噪聲點則不進行濾波，按原值輸出，否則執行步驟B;步驟B、根據步驟二中精確噪聲位置的檢測結果，使用窗口的總像素個數WXW減去窗口中噪聲點個數的方法，計算出窗口內非噪聲點的個數M，其中M為正整數，當W < Wd時，則執行步驟C，否則執行步驟D ；步驟C、若M > 3，取窗口內所有未被污染信號點灰度值的均值作為輸出，否則增加窗口大小，使W=W+2后執行步驟B ；步驟D、若W&本文檔來自技高網...

【技術保護點】
一種基于GA?BP神經網絡的圖像椒鹽噪聲自適應濾波方法，其特征在于，包括以下幾個步驟：步驟一、用遺傳算法優化BP神經網絡的初始權值和初始閾值；步驟二、訓練GA?BP神經網絡；步驟三、用訓練好的GA?BP神經網絡對圖像進行噪聲檢測；步驟四、對檢測出的圖像噪聲點進行自適應均值濾波。

【技術特征摘要】
1.一種基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法，其特征在于，包括以下幾個步驟: 步驟一、用遺傳算法優化BP神經網絡的初始權值和初始閾值； 步驟二、訓練GA-BP神經網絡； 步驟三、用訓練好的GA-BP神經網絡對圖像進行噪聲檢測； 步驟四、對檢測出的圖像噪聲點進行自適應均值濾波。2.根據權利要求1所述基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法，其特征在于，所述步驟一中用遺傳算法優化BP神經網絡的初始權值和初始閾值，具體為:首先用遺傳算法對初始權值和初始閾值進行快速的全局搜索，再利用BP算法在局部進行最優搜索，獲得BP神經網絡的初始權值和初始閾值的最優值。3.根據權利要求1所述基于GA-BP神經網絡的圖像椒鹽噪聲自適應濾波方法，其特征在于，所述步驟二中訓練GA-BP神經網絡，具體為:用計算機生成初始棋盤格圖像作為訓練圖像，將圖像分為8塊并分別加入不同密度的噪聲，然后用噪聲圖像減去原始圖像，由此得到圖像噪聲位置映像，并將其作為神經網絡訓練的目標...

【專利技術屬性】
技術研發人員：葉小嶺，張穎超，張齊東，竇艷艷，胡凱，
申請(專利權)人：南京信息工程大學，
類型：發明
國別省市：