一种基于极限学习机的改进自适应加权平均图像去噪方法技术

本发明专利技术涉及一种基于极限学习机的改进自适应加权平均图像去噪方法，包括如下步骤：1)输入训练图像集和待去噪处理的目标图像；2)利用极限学习机结合像素值和像素的位阶逻辑差对训练图像集进行训练得到极限学习机模型；3)通过极限学习机模型对目标图像进行检测，得到图像噪声位置；4)采用自适应加权平均算法进行图像去噪处理；5)输出去噪处理后的目标图像，并对去噪效果进行评估。本发明专利技术方法适用性强、可行性高、计算速度快、实效性高、实用价值高，同时能达到较好的图像去噪效果。

An improved adaptive weighted average image denoising method based on extreme learning machine

The invention relates to a method for denoising improved adaptive weighted average image based on extreme learning machine, which comprises the following steps: 1) enter the target image and the training image set to denoising; 2) order logic using extreme learning machine with pixel value and pixel difference of training image sets were trained by extreme learning machine model; 3) by extreme learning machine model was used to detect the target image, image noise position; 4) using adaptive weighted average algorithm for image denoising; 5) output to the target image noise after the treatment, and evaluate the denoising effect. The method of the invention has the advantages of high applicability, high feasibility, fast calculation, high practical effect, high practical value and good image denoising effect.

【技术实现步骤摘要】

本专利技术涉及图像处理和机器学习领域，尤其涉及一种基于极限学习机的改进自适应加权平均图像去噪方法。
技术介绍
随着各种数字仪器和数码产品的普及，数字图像成为人类生活中最常用的信息载体之一，广泛应用于交通、医疗、航空航天、海事等领域。在数字图像的形成、传输、存储、转换过程中，不可避免会受到各种噪声的影响，导致图像质量下降。图像去噪指改善图像质量，剔除或降低图像中的噪声影响，增大图像信噪比，保留图像完整性。作为数字图像处理中的重要环节和关键步骤，图像去噪结果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测、目标定位等。因此，为了获取高质量数字图像，对图像进行去噪处理是十分必要的。目前主要的图像去噪算法主要有以下三类：1)空间域滤波，直接在原图像上对图像灰度值进行处理，常见有邻域平均法、中值滤波法等。该类方法实现简单，但不适用于高密度噪声图像，且去掉图像细节较多容易引起图像模糊。2)变换域方法，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，最后反变换到空间域，常见有傅立叶变换、余弦变换、小波变换。该类方法一定程度上会降低图像平滑性或导致图像变模糊。3)偏微分方程，该类方法能较好保留图像细节信息，但不适用于高密度噪声图像，处理时间复杂性高。
技术实现思路
本专利技术为克服上述的不足之处，目的在于提供一种基于极限学习机的改进自适应加权平均图像去噪方法，本方法通过极限学习机训练噪声检测器对噪声位置进行检测，再根据基于中值滤波法改进的自适应加权平均法对图像进行去噪处理，得到恢复的图像，达到了较好的图像去噪效果。本专利技术是通过以下技术方案达到上述目的：一种基于极限学习机的改进自适应加权平均图像去噪方法，包括如下步骤：(1)输入训练图像集和待去噪处理的目标图像；(2)利用极限学习机结合像素值和像素的位阶逻辑差对训练图像集进行训练得到极限学习机模型；(3)通过极限学习机模型对目标图像进行检测，得到图像噪声位置；(4)采用自适应加权平均算法进行图像去噪处理：计算非噪声像素的邻域加权曲波变换作为噪声像素窗口的曲波变换，并通过曲波反变换得到重构像素，完成去噪；其中权重采用邻域重建偏差进行获取；(5)输出去噪处理后的目标图像，并对去噪效果进行评估。作为优选，所述的像素的位阶逻辑差定义及获取方法如下：(i)设图像I像素(x,y)的像素值为a(x,y)，以(x,y)为中心的(2s+1)*(2s+1)窗口为W，s为正整数，(x+x′，y+y′)为窗口W中不为(x,y)的像素，像素值为a(x+x′，y+y′)；(ii)a(x,y)与a(x+x′，y+y′)的逻辑差为：其中，dx′y′为逻辑差，t为控制逻辑函数形状的正整数，对t>1，dx′y′取值为(-∞，0]；(iii)采用如下线性变换公式将dx′y′值转换到[0,1]区间：dx′y′(x，y)＝1+max{logt|a(x+x′，y+y′)-a(x，y)|，-ε本文档来自技高网...

【技术保护点】
一种基于极限学习机的改进自适应加权平均图像去噪方法，其特征在于，包括如下步骤：(1)输入训练图像集和待去噪处理的目标图像；(2)利用极限学习机结合像素值和像素的位阶逻辑差对训练图像集进行训练得到极限学习机模型；(3)通过极限学习机模型对目标图像进行检测，得到图像噪声位置；(4)采用自适应加权平均算法进行图像去噪处理：计算非噪声像素的邻域加权曲波变换作为噪声像素窗口的曲波变换，并通过曲波反变换得到重构像素，完成去噪；其中权重采用邻域重建偏差进行获取；(5)输出去噪处理后的目标图像，并对去噪效果进行评估。

【技术特征摘要】
1.一种基于极限学习机的改进自适应加权平均图像去噪方法，其特征在于，包括如下步骤：(1)输入训练图像集和待去噪处理的目标图像；(2)利用极限学习机结合像素值和像素的位阶逻辑差对训练图像集进行训练得到极限学习机模型；(3)通过极限学习机模型对目标图像进行检测，得到图像噪声位置；(4)采用自适应加权平均算法进行图像去噪处理：计算非噪声像素的邻域加权曲波变换作为噪声像素窗口的曲波变换，并通过曲波反变换得到重构像素，完成去噪；其中权重采用邻域重建偏差进行获取；(5)输出去噪处理后的目标图像，并对去噪效果进行评估。2.根据权利要求1所述的一种基于极限学习机的改进自适应加权平均图像去噪方法，其特征在于：所述的像素的位阶逻辑差定义及获取方法如下：(i)设图像I像素(x,y)的像素值为a(x,y)，以(...

【专利技术属性】
技术研发人员：李丹，吴越，李建元，钱智刚，于海龙，刘兴田，刘飞黄，刘祥，
申请(专利权)人：银江股份有限公司，
类型：发明
国别省市：浙江;33