基于神經(jīng)模糊系統(tǒng)和邊緣檢測(cè)的圖像濾波方法
【專利摘要】本發(fā)明涉及基于神經(jīng)模糊系統(tǒng)和邊緣檢測(cè)的圖像濾波方法，對(duì)于被椒鹽脈沖噪聲污染的圖像，該方法將中值濾波器，邊緣檢測(cè)器和一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)相結(jié)合，在使用該系統(tǒng)對(duì)噪聲圖像進(jìn)行濾波前，首先人工構(gòu)造一個(gè)訓(xùn)練圖像，使用混合學(xué)習(xí)算法對(duì)該系統(tǒng)進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)；然后用優(yōu)化后的系統(tǒng)對(duì)被椒鹽脈沖噪聲污染的圖像進(jìn)行噪聲濾波。本發(fā)明的脈沖噪聲濾波方法能有效地濾除圖像中的椒鹽脈沖噪聲，并能較好的保留原有圖像中的邊緣和細(xì)節(jié)，其濾波性能優(yōu)于一些傳統(tǒng)的圖像濾波方法。
【專利說明】基于神經(jīng)模糊系統(tǒng)和邊緣檢測(cè)的圖像濾波方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及基于神經(jīng)模糊系統(tǒng)和邊緣檢測(cè)的圖像濾波方法，屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及一種椒鹽脈沖噪聲圖像濾波方法。
【背景技術(shù)】
[0002]數(shù)字圖像在其獲取、傳輸過程中因種種原因可能導(dǎo)致在正常的圖像數(shù)據(jù)中混入噪聲信號(hào)。這些噪聲信號(hào)降低了數(shù)字圖像的質(zhì)量，也影響了后續(xù)應(yīng)用的開發(fā)。為解決這一問題，相關(guān)領(lǐng)域研究人員已提出了許多圖像去噪的方法。
[0003]圖像中一般既有較為平滑的區(qū)域，也有豐富的細(xì)節(jié)或邊緣，這些細(xì)節(jié)或邊緣通常包含重要的視覺感知信息。因此，圖像濾波的目的除了去除噪聲外，還要盡可能地保留細(xì)節(jié)或邊緣等信息。在針對(duì)被脈沖噪聲污染的圖像濾波技術(shù)中，非線性濾波的效果要優(yōu)于線性濾波，因?yàn)榫€性濾波會(huì)造成圖像的細(xì)節(jié)和邊緣模糊，影響圖像的視覺效果。標(biāo)準(zhǔn)中值濾波器(standard median filter, SMF)方法是一種經(jīng)典的非線性濾波方法,它用預(yù)先定義的濾波窗口中所有像素的灰度值的中值來替換該窗口中心點(diǎn)像素的灰度值。為進(jìn)一步提高SMF的濾波性能，0.Yl1-Harja等提出了加權(quán)中值濾波器(weighted median filter, WMF), S.J.Ko等提出了中心加權(quán)中值濾波器(center weighted median filter, CWMF),這兩類濾波器給予濾波操作窗口內(nèi)特定的像素更多的權(quán)值。
[0004]以上這三種濾波器對(duì)于噪聲圖像中所有的像素都采用相同的濾波處理，這就在濾波的同時(shí)不可避免地破壞未被噪聲污染的像素。在實(shí)際應(yīng)用中，我們希望濾波算法僅對(duì)噪聲像素進(jìn)行濾波，而對(duì)非噪聲像素則保持不變。因此，在濾波前，可采用一個(gè)脈沖噪聲檢測(cè)器，把圖像中的噪聲像素和非噪聲像素區(qū)分開來。如果一個(gè)像素被檢測(cè)出是噪聲像素，它將被中值濾波器的輸出替代；反之，該像素保持不變。根據(jù)采用不同的脈沖噪聲檢測(cè)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。
[0005]當(dāng)圖像被噪聲污染后，使得濾波器很難精確地區(qū)分細(xì)節(jié)或邊緣與噪聲之間的區(qū)另O，并且在濾波過程中會(huì)不可避免地出現(xiàn)信息的不確定性和不完整性，而模糊理論正好能適應(yīng)這些非確定性，因此在圖像濾波過程中應(yīng)用模糊理論可以取得較好的噪聲去除效果。F.Russo等正是利用了模糊系統(tǒng)理論,提出了 fuzzy filter (FF)方法,應(yīng)用在圖像濾波中。人工神經(jīng)網(wǎng)絡(luò)算法與傳統(tǒng)算法相比表現(xiàn)出很大的優(yōu)越性，人工神經(jīng)網(wǎng)絡(luò)具有高度并行處理能力，具有自學(xué)習(xí)、自組織能力，能夠根據(jù)學(xué)習(xí)樣本找出輸入與輸出數(shù)據(jù)之間的內(nèi)在聯(lián)系，具有非線性映射功能，特別適合圖像處理中許多非線性問題。近年來，神經(jīng)模糊理論綜合了模糊理論模擬濾波過程中的不確定性的能力和人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，逐漸應(yīng)用在灰度圖像的濾波中。
【發(fā)明內(nèi)容】

[0006]要解決的技術(shù)問題
[0007]本發(fā)明所要解決的問題是，提出基于神經(jīng)模糊系統(tǒng)和邊緣檢測(cè)的圖像濾波方法，是一種能夠去除椒鹽脈沖噪聲的圖像濾波方法。
[0008]技術(shù)方案
[0009]本發(fā)明的技術(shù)特征在于，包括以下步驟:
[0010]步驟一:將中值濾波器，邊緣檢測(cè)器和一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)相結(jié)合構(gòu)成一個(gè)濾波器，在使用該濾波器對(duì)噪聲圖像進(jìn)行濾波前，人工構(gòu)造一個(gè)訓(xùn)練圖像，使用混合學(xué)習(xí)算法對(duì)該濾波器進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)；
[0011]步驟二:當(dāng)濾波器訓(xùn)練完畢，就可對(duì)測(cè)試圖像進(jìn)行濾波。
[0012]所述步驟一進(jìn)一步包括以下步驟:
[0013]步驟A:濾波器中的ANFIS有三個(gè)輸入，一個(gè)輸出，在使用濾波器對(duì)噪聲圖像進(jìn)行濾波前，需對(duì)ANFIS進(jìn)行訓(xùn)練，確定ANFIS中的參數(shù)。人工構(gòu)造一個(gè)圖像作為濾波器的期望輸出圖像，在該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為ANFIS的輸入圖像；
[0014]步驟B:以輸入的訓(xùn)練圖像中左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式，遍取輸入的訓(xùn)練圖像中所有像素；
[0015]步驟C:對(duì)于當(dāng)前操作像素，將中值濾波結(jié)果、邊緣檢測(cè)結(jié)果和當(dāng)前操作像素本身作為系統(tǒng)的三個(gè)輸入，由系統(tǒng)的三個(gè)輸入可得到系統(tǒng)的一個(gè)實(shí)際輸出；
[0016]步驟D:選取輸入的訓(xùn)練圖像中下一個(gè)像素作為當(dāng)前操作像素，重復(fù)步驟C，通過這樣的方式可得到輸入的訓(xùn)練圖像中所有像素灰度值的系統(tǒng)實(shí)際輸出；
[0017]步驟E:根據(jù)輸入的訓(xùn)練圖像中所有像素灰度值的系統(tǒng)實(shí)際輸出和由期望輸出的訓(xùn)練圖像得到的期望輸出的差值，得到代價(jià)函數(shù)值；
[0018]步驟F:當(dāng)代價(jià)函數(shù)值小于預(yù)先設(shè)定的閾值時(shí)，則系統(tǒng)訓(xùn)練結(jié)束；否則，使用混合學(xué)習(xí)算法對(duì)系統(tǒng)中的參數(shù)進(jìn)行優(yōu)化，然后重復(fù)以上步驟，進(jìn)行下一次迭代訓(xùn)練。
[0019]所述步驟二進(jìn)一步包括以下步驟:
[0020]步驟A:將需濾波的測(cè)試圖像作為濾波器的輸入圖像，以輸入圖像中左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式，遍取輸入圖像中所有像素；
[0021]步驟B:對(duì)于當(dāng)前操作像素，將中值濾波結(jié)果、邊緣檢測(cè)結(jié)果和當(dāng)前操作像素本身作為系統(tǒng)的三個(gè)輸入，由系統(tǒng)的三個(gè)輸入可得到系統(tǒng)的一個(gè)實(shí)際輸出，該輸出即為與輸入圖像當(dāng)前操作像素相對(duì)應(yīng)的濾波后圖像像素的灰度值；
[0022]步驟C:選取輸入圖像中下一個(gè)像素作為當(dāng)前操作像素，重復(fù)步驟B，當(dāng)輸入圖像中所有像素經(jīng)過系統(tǒng)都得到輸出后，就能得到一個(gè)輸出圖像，該輸出圖像即為濾波后圖像。
[0023]有益效果
[0024]本發(fā)明的脈沖噪聲濾波方法能有效地濾除圖像中的椒鹽脈沖噪聲。對(duì)于被脈沖噪聲污染的圖像，本發(fā)明所提出的濾波方法，綜合利用了模糊理論模擬濾波過程中的不確定性的能力和人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力，將中值濾波、邊緣檢測(cè)和輸入圖像本身三方面的信息結(jié)合起來，在有效去除圖像中椒鹽脈沖噪聲的同時(shí)，能夠較好的保留原有圖像中的邊緣和細(xì)節(jié)，保留了原有圖像中重要的視覺感知信息，從而使得后續(xù)的圖像分割、特征提取和圖像識(shí)別等任務(wù)更能有效地進(jìn)行。
【專利附圖】

【附圖說明】
[0025]圖1是脈沖噪聲濾波器結(jié)構(gòu)圖
[0026]圖2是用于噪聲濾波的ANFIS訓(xùn)練優(yōu)化過程圖
[0027]圖3是用于噪聲濾波的人工訓(xùn)練圖像
[0028]圖4是操作窗口大小的選擇
[0029]圖5是邊緣檢測(cè)器結(jié)構(gòu)圖
[0030]圖6是四個(gè)數(shù)據(jù)提取塊所對(duì)應(yīng)的拓?fù)浣Y(jié)構(gòu)
[0031]圖7是用于邊緣檢測(cè)的ANFIS訓(xùn)練優(yōu)化過程圖
[0032]圖8是用于邊緣檢測(cè)的人工訓(xùn)練圖像
[0033]圖9是Baboon測(cè)試圖像
[0034]圖10是用不同方法對(duì)受不同強(qiáng)度椒鹽脈沖噪聲污染的Baboon圖去噪后的平均峰值信噪比(PSNR)比較曲線
[0035]圖11是對(duì)被40%椒鹽脈沖噪聲污染的Baboon圖像使用不同方法濾波后得到的結(jié)果圖
【具體實(shí)施方式】
[0036]下面結(jié)合圖1至圖11對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。
[0037]步驟一:將中值濾波器，邊緣檢測(cè)器和一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)相結(jié)合構(gòu)成一個(gè)濾波器，在使用該濾波器對(duì)噪聲圖像進(jìn)行濾波前，人工構(gòu)造一個(gè)訓(xùn)練圖像，使用混合學(xué)習(xí)算法對(duì)該濾波器進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)；
[0038]具體步驟如下:
[0039]步驟A:濾波器中的ANFIS有三個(gè)輸入，一個(gè)輸出，在使用濾波器對(duì)噪聲圖像進(jìn)行濾波前，需對(duì)ANFIS進(jìn)行訓(xùn)練，確定ANFIS中的參數(shù)。人工構(gòu)造一個(gè)圖像作為濾波器的期望輸出圖像，在該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為ANFIS的輸入圖像；
[0040]圖1是所提出的脈沖噪聲濾波器結(jié)構(gòu)圖。新濾波器將中值濾波器，邊緣檢測(cè)器和一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)相結(jié)合。該ANFIS是一個(gè)三輸入單輸出一階Sugeno模糊推理系統(tǒng)。在使用濾波器對(duì)測(cè)試圖像進(jìn)行濾波前，需對(duì)ANFIS進(jìn)行訓(xùn)練，確定前提參數(shù)和結(jié)論參數(shù)的值。圖2是ANFIS訓(xùn)練優(yōu)化過程圖，其中的訓(xùn)練圖像可通過計(jì)算機(jī)人工構(gòu)造得到。圖3(a)是人工構(gòu)造的原始圖像，也是圖2中ANFIS的期望輸出的訓(xùn)練圖像。該圖像大小為128 X 128，是由1024個(gè)4X 4色塊組成，每個(gè)色塊中的16個(gè)像素具有相同的灰度值，不同色塊的灰度值各不相同，遍取O到255中的所有值，不同灰度值的色塊在圖像中的位置是隨機(jī)的。圖3(b)是圖2中的輸入的訓(xùn)練圖像，是在圖3(a)原始圖像上添加30%的椒鹽脈沖噪聲得到的噪聲圖像。
[0041]步驟B:以輸入的訓(xùn)練圖像中左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式，遍取輸入的訓(xùn)練圖像中所有像素；
[0042]步驟C:對(duì)于當(dāng)前操作像素，將中值濾波結(jié)果、邊緣檢測(cè)結(jié)果和當(dāng)前操作像素本身作為系統(tǒng)的三個(gè)輸入，由系統(tǒng)的三個(gè)輸入可得到系統(tǒng)的一個(gè)實(shí)際輸出；[0043]根據(jù)輸入圖像可得到相對(duì)應(yīng)的中值濾波圖像。以輸入圖像中每個(gè)像素依次作為當(dāng)前操作像素，以該像素為中心，確定中值濾波窗口，窗口內(nèi)所有像素灰度值的中值即為當(dāng)前操作像素濾波后的輸出。在中值濾波過程中，需確定濾波窗口的大小。通過對(duì)中值濾波器的性能分析可知，中值的選取受濾波窗口尺寸的影響較大，它在抑制圖像噪聲和保護(hù)細(xì)節(jié)兩方面存在一定的矛盾:若選取的濾波窗口較小，則有利于保護(hù)圖像中某些細(xì)節(jié)，但會(huì)限制濾噪能力；反之，若選取的濾波窗口較大，則可加強(qiáng)抑噪能力，但對(duì)細(xì)節(jié)的保護(hù)能力會(huì)減弱。這種矛盾在圖像中噪聲干擾較大時(shí)表現(xiàn)得尤為明顯。在本發(fā)明中，通過仿真實(shí)驗(yàn)證明，根據(jù)脈沖噪聲圖像噪聲強(qiáng)度的大小不同，采用圖4中方法確定操作窗口大小，實(shí)驗(yàn)結(jié)果為最好。
[0044]根據(jù)輸入圖像可得到相對(duì)應(yīng)的邊緣檢測(cè)圖像。近年來，學(xué)者們已經(jīng)提出了許多經(jīng)典的邊緣檢測(cè)算法，例如Robert算子、Prewitt算子、Sobel算子、Laplacian ofGaussian (LOG)算子和Canny算子等。這些經(jīng)典的算法在一定程度上能有效地提取出圖像中的邊緣，但邊緣檢測(cè)的結(jié)果受噪聲的影響比較大。因此，采用這些經(jīng)典算法進(jìn)行圖像邊緣檢測(cè)前，一般需進(jìn)行圖像濾波預(yù)處理。這樣，不可避免地提高了算法的復(fù)雜度，并且邊緣檢測(cè)的最終結(jié)果受濾波影響較大。本發(fā)明中要處理的是受脈沖噪聲污染的圖像，因此在濾波器的構(gòu)造中，這些容易受噪聲影響的算法不適合作為系統(tǒng)中的邊緣檢測(cè)器。
[0045]在本發(fā)明中，我們采用圖5所示的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的圖像邊緣檢測(cè)器。該檢測(cè)器包含四個(gè)ANFIS和一個(gè)后處理塊，每個(gè)ANFIS都是一個(gè)四輸入單輸出一階Sugeno模糊推理系統(tǒng)。 每個(gè)ANFIS對(duì)應(yīng)一個(gè)數(shù)據(jù)提取塊，每個(gè)數(shù)據(jù)提取塊為相應(yīng)的ANFIS提供四個(gè)輸入。對(duì)于輸入圖像中每個(gè)像素，操作數(shù)據(jù)提取的具體步驟如下:
[0046](I)如圖6所示，以當(dāng)前操作像素p2為中心，得到一個(gè)3X3濾波窗口，依照水平、垂直、左對(duì)角線和右對(duì)角線這四種不同的拓?fù)浣Y(jié)構(gòu)得到像素灰度值Pl、P2和P3 ;
[0047](2)仍以當(dāng)前操作像素P2為中心，另外得到一個(gè)預(yù)先定義的中值提取操作窗口，由該窗口內(nèi)所有像素點(diǎn)的灰度值，得到中值m，中值提取操作窗口大小的確定如圖4所示；
[0048](3)令每個(gè)ANFIS的四個(gè)輸入Xl、x2、X3和X4分別為:
[0049]
X1= P1-m
xi=P2—m
?(I)
X3= P3-mX4
[0050]圖5中四個(gè)ANFIS的內(nèi)部結(jié)構(gòu)都相同，都是一個(gè)四輸入單輸出一階Sugeno模糊推理系統(tǒng)。對(duì)于輸入圖像中的當(dāng)前操作像素，每個(gè)數(shù)據(jù)提取塊為相應(yīng)的ANFIS提供四個(gè)輸入χι、χ2、χ3和x4。對(duì)于每個(gè)輸入，分別定義三個(gè)廣義鐘型隸屬函數(shù)，則每個(gè)ANFIS包含81 (即34)條規(guī)則。每個(gè)ANFIS可得到一個(gè)輸出，四個(gè)ANFIS可得到四個(gè)輸出，記為Yk(k= 1,2,3,4)，這四個(gè)輸出即為后處理塊的輸入。后處理塊按式(2)對(duì)這四個(gè)輸入取平均值，記為YA。再按式(3)，將Ya與一個(gè)閾值相比較，求得邊緣檢測(cè)器的最終輸出YF。其中的閾值是像素灰度值的最小值與最大值之間的中間值，本文中，對(duì)于一個(gè)8位灰度圖像，該值設(shè)定為128。最終輸出Yf的值為O表示當(dāng)前操作像素是邊緣像素，顯示為黑色，Yf的值為255表示當(dāng)前操
作像素不是邊緣像素，顯示為白色。
[0051]
【權(quán)利要求】
1.基于神經(jīng)模糊系統(tǒng)和邊緣檢測(cè)的圖像濾波方法，其特征在于，包括以下步驟: 步驟一:將中值濾波器，邊緣檢測(cè)器和一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)相結(jié)合構(gòu)成一個(gè)濾波器，在使用該濾波器對(duì)噪聲圖像進(jìn)行濾波前，人工構(gòu)造一個(gè)訓(xùn)練圖像，使用混合學(xué)習(xí)算法對(duì)該濾波器進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)； 步驟二:當(dāng)濾波器訓(xùn)練完畢，就可對(duì)測(cè)試圖像進(jìn)行濾波。
2.根據(jù)權(quán)利要求1所述的基于邊緣檢測(cè)的圖像濾波方法，其特征在于，步驟一進(jìn)一步包括以下步驟: 步驟A:濾波器中的ANFIS有三個(gè)輸入，一個(gè)輸出，在使用濾波器對(duì)噪聲圖像進(jìn)行濾波前，需對(duì)ANFIS進(jìn)行訓(xùn)練，確定ANFIS中的參數(shù)。人工構(gòu)造一個(gè)圖像作為濾波器的期望輸出圖像，在該圖像上添加30%的椒鹽脈沖噪聲得到噪聲圖像，作為ANFIS的輸入圖像； 步驟B:以輸入的訓(xùn)練圖像中左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式，遍取輸入的訓(xùn)練圖像中所有像素； 步驟C:對(duì)于當(dāng)前操作像素，將中值濾波結(jié)果、邊緣檢測(cè)結(jié)果和當(dāng)前操作像素本身作為系統(tǒng)的三個(gè)輸入，由系統(tǒng)的三個(gè)輸入可得到系統(tǒng)的一個(gè)實(shí)際輸出； 步驟D:選取輸入的訓(xùn)練圖像中下一個(gè)像素作為當(dāng)前操作像素，重復(fù)步驟C，通過這樣的方式可得到輸入的訓(xùn)練圖像中所有像素灰度值的系統(tǒng)實(shí)際輸出； 步驟E:根據(jù)輸入的訓(xùn)練圖像中所有像素灰度值的系統(tǒng)實(shí)際輸出和由期望輸出的訓(xùn)練圖像得到的期望輸出的差值，得到代價(jià)函數(shù)值； 步驟F:當(dāng)代價(jià)函數(shù)值小于預(yù)先設(shè)定的閾值時(shí)，則系統(tǒng)訓(xùn)練結(jié)束；否則，使用混合學(xué)習(xí)算法對(duì)系統(tǒng)中的參數(shù)進(jìn)行優(yōu)化，然后重復(fù)以上步驟，進(jìn)行下一次迭代訓(xùn)練。
3.根據(jù)權(quán)利要求1所述的基于邊緣檢測(cè)的圖像濾波方法，其特征在于，步驟二進(jìn)一步包括以下步驟: 步驟A:將需濾波的測(cè)試圖像作為濾波器的輸入圖像，以輸入圖像中左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式，遍取輸入圖像中所有像素； 步驟B:對(duì)于當(dāng)前操作像素，將中值濾波結(jié)果、邊緣檢測(cè)結(jié)果和當(dāng)前操作像素本身作為系統(tǒng)的三個(gè)輸入，由系統(tǒng)的三個(gè)輸入可得到系統(tǒng)的一個(gè)實(shí)際輸出，該輸出即為與輸入圖像當(dāng)前操作像素相對(duì)應(yīng)的濾波后圖像像素的灰度值； 步驟C:選取輸入圖像中下一個(gè)像素作為當(dāng)前操作像素，重復(fù)步驟B，當(dāng)輸入圖像中所有像素經(jīng)過系統(tǒng)都得到輸出后，就能得到一個(gè)輸出圖像，該輸出圖像即為濾波后圖像。
【文檔編號(hào)】G06N3/08GK103927723SQ201410160748
【公開日】2014年7月16日 申請(qǐng)日期:2014年4月18日 優(yōu)先權(quán)日:2014年4月18日
【發(fā)明者】費(fèi)賡柢, 李岳陽, 羅海馳 申請(qǐng)人:江南大學(xué)