基于遗传算法和Shearlet小波的图像滤波算法制造技术

本发明专利技术涉及一种基于遗传算法和Shearlet小波的图像滤波算法。按以下步骤进行：1）对Shearlet变换域的不同尺度、不同方向的分布特征，设计一个各尺度和方向的变化阈值；2）采用信噪比(PSNR)、和均方误差(MSE)来衡量图像的质量，并将之作为多目标遗传算法的目标函数，其目标函数如下式：，其中为权值；3）采用多目标遗传算法来自适应地确定各尺度和方向的最优阈值，实现基于图像内容的自适应去噪。相比于原有的Shearlet小波，本发明专利技术考虑到了用于寻找在不同尺度、不同方向下的小波系数问题，采用自己设定的软阈值参数，图像更加平滑，柔和，适合于人眼的理解。采用了由于采用了优化算法，图像的还原去噪效果得到了很大的提高。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种。按以下步骤进行：1）对Shearlet变换域的不同尺度、不同方向的分布特征，设计一个各尺度和方向的变化阈值；2）采用信噪比(PSNR)、和均方误差(MSE)来衡量图像的质量，并将之作为多目标遗传算法的目标函数，其目标函数如下式：，其中为权值；3）采用多目标遗传算法来自适应地确定各尺度和方向的最优阈值，实现基于图像内容的自适应去噪。相比于原有的Shearlet小波，本专利技术考虑到了用于寻找在不同尺度、不同方向下的小波系数问题，采用自己设定的软阈值参数，图像更加平滑，柔和，适合于人眼的理解。采用了由于采用了优化算法，图像的还原去噪效果得到了很大的提高。【专利说明】基于遗传算法和Shear let小波的图像滤波算法
本专利技术属于一种图像滤波领域，具体来讲是针对Rician噪声的图像滤波算法
技术介绍
图像在采集、传输和处理过程中，会受到噪声的干扰，如果不加以滤波，会严重影响到后期的处理工作。人们对滤波的要求是滤除噪声像素，保留图像细节，而由于细节和噪声难以区分，这就成了 一个比较困难的问题。核磁共振成像给医疗诊断带来了相当大的便利，可以方便的检测出病人很多的病变。但不幸的是，大部分核磁共振成像的图像会被噪声所污染，其中含有的物体信息变得模糊，不充足，这给图像的进一步正确分析增添了困难。在核磁共振成像领域，比较常见的是Rician噪声。这是一种比较复杂的噪声，针对Rician噪声，科研人员提出许多很有价值的滤波算法。最近,Guo和Labate提出了一种很好的滤波方法一剪切波(Shearlet Transform)并得到了广泛认可，该方法通过特殊形式的具有合成膨胀的仿射系统构造了一种新的变换，并通过在还原过程中设置阈值去值，达到滤波的效果。Labate认为，由于Shearlet小波变换的多方向、多尺度、以及对图像的最优逼近性能的稀疏表达能力，所以采用简单的阈值去噪即可获得较好的去噪效果。但是，通过仔细分析，同时借鉴到别的论文，我们认为，该方法仍然有两个可以进一步提高的方面，一是可以考虑在不同尺度、不同方向下的Shearlet系数的能量分布的问题，我们可以采用优化算法针对不同情况调整系数，从而达到提高的目的；二是现有的硬阈值滤波的方法过于简单，没有完全考虑到细节和噪声的过渡问题，本文拟采用软阈值进行尝试。1969年，Holland等人提出了遗传算法，其优良的最优化性能立即得到广泛关注，DeJong、Goldberg等人后来在此基础上继续拓展,形成了一套模拟进化算法体系。它的核心思想来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，它模拟了自然界中生物进化的过程机制，是用于对极值求解问题的一类自组织、自适应方面的人工智能技术，其基本工作方式是基于对自然界遗传机制、生物进化论的模拟，形成的一种在计算过程搜索最优解的算法；它从智能生成过程观点出发，对生物智能的建模仿真，具有鲜明的生物学认知学特点；它适用于无表达或有表达的任何类函数，具有广泛的可实现的并行计算能力；它可以计算任何形式实际问题，应用价值非常广泛。所以，GA得到了广泛的认可，在自动控制、计算科学、模式识别、工程设计、智能故障诊断、管理科学和社会科学等领域都得到了应用，非常适用于解决复杂的非线性和多维空间寻优问题。它是目前公认的理想的优化算法之一。由此，我们拟采用其中多目标遗传作为本文的优化算法，用于寻找在不同尺度、不同方向下的小波系数问题。同时，拟采用软阈值的方法进行抑制的工作。
技术实现思路
本文研究了 Shearlet变换域图像去噪阈值选取的问题，有机的将Shearlet和遗传学算法结合在一起，提出了使用多目标遗传算法来对阈值进行优化设定的算法。其特点在于: 1.用多目标遗传算法来对Shearlet小波的阈值进行优化； 2.对Shearlet变换域的不同尺度、不同方向的分布特征,设计一个各尺度和方向的变化阈值，设置Shearlet尺度和方向的软阈值规则为:【权利要求】1.，其特征在于，按以下步骤进行: 1)对Shearlet变换域的不同尺度、不同方向的分布特征，设计一个各尺度和方向的变化阈值； 2)采用信噪比(PSNR)、和均方误差(MSE)来衡量图像的质量，并将之作为多目标遗传算法的目标函数，其目标函数如下式: 2.根据权利要求1所述的，其特征在于，所述1)步骤中，一种基于Shearlet尺度和方向的图像内容自适应的阈值选取规则为: 3.根据权利要求2所述的，其特征在于，其具体步骤如下: 1)初始化:随机产生多个包括Ν_个个体的初始种群，其个体作为Shearlet小波的权值Sw以及S函数的V。设置交换阈值、最大迭代次数、惯性权重、加速因子、分群粒子交换个数、各粒子初始位置和初始速度等； 2)评价:采用Shearlet变换方法，进行频率域变换、剪切以及还原，把还原的结果，对于每个个体计算目标函数值yi，评价各微粒的初始适应值、保存初始最好位置及初始最优适应值，更新临时Pareto解集； 3)选择:重复下面的步骤来选出(N_-NedJ对父代，计算适应值，计算被选择概率，选出一对合适的父代个体； 4)杂交:对于选出的每一对个体执行杂交操作产生后代； 5)变异:对杂交操作产生的每个个体执行变异操作: 6)最优化:从临时Pareto解集中随机选择Nedte个个体，将选出的Nralto各个体添加到前面步骤产生的(Nptjp-NedJ个个体中以构成N_个个体的种群； 7)达标检测:检查停滞条件: a)迭代次数超过最大允许迭代次数； b)当各分群前后两次迭代的最优适应值之差小于预先设定的阈值； 达到其中一个者，执行7);否则返回2)； 8)终止算法； 上述步骤中:每一代临时存储一组Pareto,并按代更新；对于带有q个目标的问题，Pareto解中存在个极限点，直接放入下一代种群，设N每一个最大化一个目标提出了精华保留策略，将η个解(包括极限点与一些随机选择的Pareto解)，Ν_表示种群规模，Nedte表示保存的精华解数量。4.根据权利要求3所述的，其特征在于，所述3)步骤中:在选出进行杂交的个体对之前，由式生成一组新的随机权重，根据式计算每个个体的适应值，第i个个体的被选择概率Pi，由下面的线性比例变换函数定义: 【文档编号】G06T5/00GK104036458SQ201310560885【公开日】2014年9月10日 申请日期:2013年11月13日 优先权日:2013年11月13日 【专利技术者】胡凯, 翁理国, 夏旻 申请人:扬州西岐自动化科技有限公司本文档来自技高网...

【技术保护点】
基于遗传算法和Shearlet小波的图像滤波算法，其特征在于，按以下步骤进行：1）对Shearlet 变换域的不同尺度、不同方向的分布特征，设计一个各尺度和方向的变化阈值；2）采用信噪比(PSNR)、和均方误差(MSE)来衡量图像的质量，并将之作为多目标遗传算法的目标函数，其目标函数如下式：，其中为权值；3）采用多目标遗传算法来自适应地确定各尺度和方向的最优阈值，实现基于图像内容的自适应去噪。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡凯，翁理国，夏旻，
申请(专利权)人：扬州西岐自动化科技有限公司，
类型：发明
国别省市：江苏;32