一种基于GWO和BEMD优化的自适应PCNN图像去噪方法技术

本发明专利技术公开了一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，使用BEMD将原始噪声图像分解，使用GWO对PCNN参数进行优化，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像。本发明专利技术有效确定了PCNN关键参数，解决了高强度噪声的抑制问题，与现有图像去噪方法相比不仅具有更快的收敛速度而且产生了更好的去噪效果。

【技术实现步骤摘要】
一种基于GWO和BEMD优化的自适应PCNN图像去噪方法
本专利技术涉及现代信息处理的图像和数据去噪技术，具体地说，是指一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。
技术介绍
随着数字技术和多媒体通信的蓬勃发展，关于非线性和不稳定数据的数字图像分析方法特别是数字图像处理在数据传输、图像匹配、目标检测、遥感等许多领域中得到广泛应用。然而，图像噪声的存在不可避免地会使图像质量下降，最终导致有效像素的毛刺和失真，因此对于数字图像，为了提高有效像素的识别精度，必须通过可靠有效的图像去噪方法保证视觉像素的质量。现有图像去噪算法都存在搜索机制复杂、容易陷入局部最优、泛化能力低等问题。
技术实现思路
专利技术目的：为了解决现有图像去噪方法存在的搜索机制复杂、局部最优、保留细节信息不完整等问题，本专利技术提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。技术方案：一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，包括以下步骤：输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数αT，影响图像恢复的突触间连接强度因子βT，决定在迭代计算中仅发布一次条件的固有电压常数VT；对于分解后的二维本征模函数分量和残差函数分量，用优化后的PCNN参数分别进行去噪处理，输出去噪后的多个频率不同的二维本征模分量和残差函数分量；根据去噪前后的二维本征模分量和残差函数分量计算灰狼函数适应度，更新搜索灰狼的位置向量，选取函数适应度最大时对应的参数αT、βT、VT作为最优化参数；将使用最优化参数去噪处理后的各分量进行重建得到去噪后图像。进一步地，所述去噪处理步骤包括：将分解后的二维本征模函数分量和残差函数分量作为输入信号，输入PCNN的输入区，通过伽玛变换增强分量对比度的操作得到信号强度Lij[n2]，计算3×3区域PCNN中每个神经元的信号强度Lij[n2]，并设置阈值Eij[n2]，计算神经元内部状态信息Uij[n2]：Uij＝Fij(1+βTLij)其中，Fij为输入信号，Uij为输入信号后神经元内部状态信息；将Uij[n2]与阈值Eij[n2]进行比较，若Uij[n2]大于Eij[n2]，便对该PCNN的神经元进行激活，激活频率为激活神经元后对神经元的信号强度Lij[n2]进行形态开运算处理，从而输出去噪后的多个频率不同的二维本征模分量和残差函数分量。进一步地，对原始噪声图像BEMD分解的方法为：二维经验模态分解将原始噪声图像通过满足终止约束条件：将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：其中hi(x，y)代表分解的第i个分量，rm(x，y)是残差函数。进一步地，在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：其中t表示当前迭代，和分别是猎物和灰狼的位置向量，D表示当前灰狼到猎物的距离；将指数衰减时间常数αT作为定义为猎物位置向量将影响图像恢复的突触间连接强度因子βT作为定义为灰狼参数向量将固有电压常数VT作为定义为灰狼到猎物的距离D。进一步地，函数适应度的计算公式为：其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数(p＝2)，M和N分别是原始噪声图像分量的大小和去噪后图像分量的大小。有益效果：本专利技术提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，相比较现有技术，该方法通过BEMD将原始噪声图像分解成多个二维固有模态函数(BIMFs)分量和一个残余分量r，使用GWO对PCNN参数进行优化后，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像，实现了更好的去噪效果；通过GWO连续层级筛选和多次迭代后准确地全局优化PCNN参数，这样不仅有效解决PCNN模型关键参数设置问题，而且大大加快了整个模型运算速度；通过BEMD将原始噪声图像自适应地分解成多个频率高低不同的BIMFs和一个残余分量r，用GWO优化后的PCNN针对不同频率的BIMFs和r分别进行去噪处理，最终消除了高强度噪声并使整个去噪过程更加有效，产生更好的去噪效果。附图说明图1是PCNN结构示意图；图2是基于GWO优化和BEMD分解的自适应PCNN复合图像去噪方法流程图；图3(a)是原始Pepper图像；图3(b)是含有椒盐噪声的Pepper图像；图3(c-e)是原始Pepper图像频率不同的二维本征模函数分量图4是GWO和其余两种方法的收敛曲线图；图5(a-c)是GWO优化的PCNN对Pepper图像分解的各个分量去噪效果图；图5(d-h)是BEMD-GWO-PCNN以及其他图像去噪方法去噪后重建的Pepper图像对比。具体实施方式下面结合附图和具体实施方式，对本专利技术作进一步说明。本实施例使用PCNN模型，如图1所示，PCNN模型结构完全不需要训练，但是其参数优化问题对图像去噪效果至关重要。本实施例中所有PCNN模型的神经元都采用相同连接方式，并将每个像素的亮度信息输入到相应的神经元。每个神经元将与3×3个相邻区域的神经元相连，每个神经元(i，j)的输入区Fij[n2]对应于像素点的高光，连接区Lij[n2]等于L通道中3×3个相邻神经元的输出响应之和，神经元内部状态Uij[n2]的阈值Eij[n2]代表通常设置为零的动态阈值，得到激活函数Yij[n2]，并作为神经元的反馈函数。如图2所示，一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，包括以下步骤：步骤一：输入原始噪声图像，为了更有利于提取源图像的各种细节和边缘，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量BIMF1分量、BIMF2分量和一个残差函数分量r，如图3(c)-(e)。二维经验模态分解将原始噪声图像通过满足终止约束条件：将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：其中hi(x，y)代表分解的第i个分量，rm(x，y)是残差函数。表1为各分量分别对应的αT、βT和VT。表1BEMD分解的含有椒盐噪声Lena和Pepper图像的各个分量由图3可以看出，由于噪声干扰无法清晰地区分图像的原始轮廓和细节，其中BIMF1和BIMF2还包含有不规则黑白点云的很本文档来自技高网...

【技术保护点】
1.一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，包括以下步骤：/n输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；/n利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数α

【技术特征摘要】
1.一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，包括以下步骤：
输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；
利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数αT，影响图像恢复的突触间连接强度因子βT，决定在迭代计算中仅发布一次条件的固有电压常数VT；
对于分解后的二维本征模函数分量和残差函数分量，用优化后的PCNN参数分别进行去噪处理，输出去噪后的多个频率不同的二维本征模分量和残差函数分量；根据去噪前后的二维本征模分量和残差函数分量计算灰狼函数适应度，更新搜索灰狼的位置向量，选取函数适应度最大时对应的参数αT、βT、VT作为最优化参数；将使用最优化参数去噪处理后的各分量进行重建得到去噪后图像。


2.根据权利要求1所述的基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，所述去噪处理步骤包括：将分解后的二维本征模函数分量和残差函数分量作为输入信号，输入PCNN的输入区，通过伽玛变换增强分量对比度的操作得到信号强度Lij[n2]，计算3×3区域PCNN中每个神经元的信号强度Lij[n2]，并设置阈值Eij[n2]，计算神经元内部状态信息Uij[n2]：
Uij＝Fij(1+βTLij)
其中，Fij为输入信号，Uij为输入信号后神经元内部状态信息；
将Uij[n2]与阈值Eij[n2]进行比较，若Uij[n2]大于Eij[n2]，便对该PCNN的神经元进行激活，激活频率为



激活神经元后对神经元的信号强度Lij[n2...

【专利技术属性】
技术研发人员：芦竹茂，杨虹，赵亚宁，韩钰，白洋，刘永鑫，孟晓凯，田赟，
申请(专利权)人：国网山西省电力公司电力科学研究院，
类型：发明
国别省市：山西;14