基于神经模糊系统和边缘检测的图像滤波方法技术方案

本发明专利技术涉及基于神经模糊系统和边缘检测的图像滤波方法，对于被椒盐脉冲噪声污染的图像，该方法将中值滤波器，边缘检测器和一个自适应神经模糊推理系统相结合，在使用该系统对噪声图像进行滤波前，首先人工构造一个训练图像，使用混合学习算法对该系统进行训练，确定系统中的参数；然后用优化后的系统对被椒盐脉冲噪声污染的图像进行噪声滤波。本发明专利技术的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声，并能较好的保留原有图像中的边缘和细节，其滤波性能优于一些传统的图像滤波方法。

【技术实现步骤摘要】

本专利技术涉及，属于图像处理
，具体涉及一种椒盐脉冲噪声图像滤波方法。
技术介绍
数字图像在其获取、传输过程中因种种原因可能导致在正常的图像数据中混入噪声信号。这些噪声信号降低了数字图像的质量，也影响了后续应用的开发。为解决这一问题，相关领域研究人员已提出了许多图像去噪的方法。图像中一般既有较为平滑的区域，也有丰富的细节或边缘，这些细节或边缘通常包含重要的视觉感知信息。因此，图像滤波的目的除了去除噪声外，还要尽可能地保留细节或边缘等信息。在针对被脉冲噪声污染的图像滤波技术中，非线性滤波的效果要优于线性滤波，因为线性滤波会造成图像的细节和边缘模糊，影响图像的视觉效果。标准中值滤波器(standard median filter, SMF)方法是一种经典的非线性滤波方法,它用预先定义的滤波窗口中所有像素的灰度值的中值来替换该窗口中心点像素的灰度值。为进一步提高SMF的滤波性能，0.Yl1-Harja等提出了加权中值滤波器(weighted median filter, WMF), S.J.Ko等提出了中心加权中值滤波器(center weighted median filter, CWMF),这两类滤波器给予滤波操作窗口内特定的像素更多的权值。以上这三种滤波器对于噪声图像中所有的像素都采用相同的滤波处理，这就在滤波的同时不可避免地破坏未被噪声污染的像素。在实际应用中，我们希望滤波算法仅对噪声像素进行滤波，而对非噪声像素则保持不变。因此，在滤波前，可采用一个脉冲噪声检测器，把图像中的噪声像素和非噪声像素区分开来。如果一个像素被检测出是噪声像素，它将被中值滤波器的输出替代；反之，该像素保持不变。根据采用不同的脉冲噪声检测方法，Z.Shuqun 等提出了 edge-detecting median filter (EDMF)方法，C.Tao 等提出了 mult1-state median filter (MSMF)方法，E.Abreu 等提出了 signal-dependentrand-ordered mean filter (SDROMF)方法，Z.Wang 等提出 了 progressive switchingmedian filter(PSMF)方法。当图像被噪声污染后，使得滤波器很难精确地区分细节或边缘与噪声之间的区另O，并且在滤波过程中会不可避免地出现信息的不确定性和不完整性，而模糊理论正好能适应这些非确定性，因此在图像滤波过程中应用模糊理论可以取得较好的噪声去除效果。F.Russo等正是利用了模糊系统理论,提出了 fuzzy filter (FF)方法,应用在图像滤波中。人工神经网络算法与传统算法相比表现出很大的优越性，人工神经网络具有高度并行处理能力，具有自学习、自组织能力，能够根据学习样本找出输入与输出数据之间的内在联系，具有非线性映射功能，特别适合图像处理中许多非线性问题。近年来，神经模糊理论综合了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，逐渐应用在灰度图像的滤波中。
技术实现思路
要解决的技术问题本专利技术所要解决的问题是，提出，是一种能够去除椒盐脉冲噪声的图像滤波方法。技术方案本专利技术的技术特征在于，包括以下步骤:步骤一:将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数；步骤二:当滤波器训练完毕，就可对测试图像进行滤波。所述步骤一进一步包括以下步骤:步骤A:滤波器中的ANFIS有三个输入，一个输出，在使用滤波器对噪声图像进行滤波前，需对ANFIS进行训练，确定ANFIS中的参数。人工构造一个图像作为滤波器的期望输出图像，在该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为ANFIS的输入图像；步骤B:以输入的训练图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入的训练图像中所有像素；步骤C:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出；步骤D:选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素灰度值的系统实际输出；步骤E:根据输入的训练图像中所有像素灰度值的系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值；步骤F:当代价函数值小于预先设定的阈值时，则系统训练结束；否则，使用混合学习算法对系统中的参数进行优化，然后重复以上步骤，进行下一次迭代训练。所述步骤二进一步包括以下步骤:步骤A:将需滤波的测试图像作为滤波器的输入图像，以输入图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入图像中所有像素；步骤B:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出，该输出即为与输入图像当前操作像素相对应的滤波后图像像素的灰度值；步骤C:选取输入图像中下一个像素作为当前操作像素，重复步骤B，当输入图像中所有像素经过系统都得到输出后，就能得到一个输出图像，该输出图像即为滤波后图像。有益效果本专利技术的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声。对于被脉冲噪声污染的图像，本专利技术所提出的滤波方法，综合利用了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，将中值滤波、边缘检测和输入图像本身三方面的信息结合起来，在有效去除图像中椒盐脉冲噪声的同时，能够较好的保留原有图像中的边缘和细节，保留了原有图像中重要的视觉感知信息，从而使得后续的图像分割、特征提取和图像识别等任务更能有效地进行。【附图说明】图1是脉冲噪声滤波器结构图图2是用于噪声滤波的ANFIS训练优化过程图图3是用于噪声滤波的人工训练图像图4是操作窗口大小的选择图5是边缘检测器结构图图6是四个数据提取块所对应的拓扑结构图7是用于边缘检测的ANFIS训练优化过程图图8是用于边缘检测的人工训练图像图9是Baboon测试图像图10是用不同方法对受不同强度椒盐脉冲噪声污染的Baboon图去噪后的平均峰值信噪比(PSNR)比较曲线图11是对被40%椒盐脉冲噪声污染的Baboon图像使用不同方法滤波后得到的结果图【具体实施方式】下面结合图1至图11对本专利技术作进一步的详细描述。步骤一:将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数；具体步骤如下:步骤A:滤波器中的ANFIS有三个输入，一个输出，在使用滤波器对噪声图像进行滤波前，需对ANFIS进行训练，确定ANFIS中的参数。人工构造一个图像作为滤波器的期望输出图像，在该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为ANFIS的输入图像；图1是所提出的脉冲噪声滤波器结构图。新滤波器将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFI本文档来自技高网...

【技术保护点】
基于神经模糊系统和边缘检测的图像滤波方法，其特征在于，包括以下步骤：步骤一：将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数；步骤二：当滤波器训练完毕，就可对测试图像进行滤波。

【技术特征摘要】
1.基于神经模糊系统和边缘检测的图像滤波方法，其特征在于，包括以下步骤: 步骤一:将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数； 步骤二:当滤波器训练完毕，就可对测试图像进行滤波。2.根据权利要求1所述的基于边缘检测的图像滤波方法，其特征在于，步骤一进一步包括以下步骤: 步骤A:滤波器中的ANFIS有三个输入，一个输出，在使用滤波器对噪声图像进行滤波前，需对ANFIS进行训练，确定ANFIS中的参数。人工构造一个图像作为滤波器的期望输出图像，在该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为ANFIS的输入图像； 步骤B:以输入的训练图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入的训练图像中所有像素； 步骤C:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出； 步骤D:选取输入的训练图像...

【专利技术属性】
技术研发人员：费赓柢，李岳阳，罗海驰，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32