一種圖像去噪方法及裝置的制造方法
【專利摘要】本發(fā)明涉及一種圖像去噪方法及裝置。該圖像去噪方法包括步驟a：根據(jù)給定的原始圖像加噪聲之后的圖像In，提取圖像像素特征，根據(jù)圖像像素特征構建特征向量；步驟b：根據(jù)給定的原始圖像I0，提取像素值I(i,j)作為相對In在給定位置提取的特征向量的目標值；步驟c：根據(jù)提取特征向量以及特征向量的目標值得到輸入樣本，將輸入樣本帶入極限學習機，求得輸出權重值，并確定極限學習機去噪的數(shù)學模型；步驟d：根據(jù)極限學習機去噪數(shù)學模型對其他含噪圖像進行去噪操作，完成圖像去噪。本發(fā)明實施例的圖像去噪方法及裝置能夠有效的濾除圖像中的噪聲，提高圖像質量，并且該方法的均方誤差小，峰值信噪比大，對多種噪聲的去噪效果明顯。
【專利說明】
一種圖像去噪方法及裝置
技術領域
[0001] 本申請涉及圖像處理技術領域，特別涉及一種圖像去噪方法及裝置。
【背景技術】
[0002] 當今社會已經(jīng)進入了數(shù)字化的信息時代，而包含信息量最大的一種存儲形式是圖 像。據(jù)統(tǒng)計，人類接受外界的信息中有70%來自于圖像，圖像成為人類獲取信息的重要手 段，并且隨著信息化的發(fā)展圖像在信息傳播過程中所起的作用越來越大。然而圖像在獲取 或傳輸過程中不可避免地受到外部和內(nèi)部的干擾，常常被加入很多噪聲。圖像噪聲是多種 多樣的，根據(jù)噪聲的概率密度函數(shù)服從的分布可以分為以下幾類:高斯噪聲、椒鹽噪聲、泊 松噪聲以及斑點噪聲等。噪聲是影響圖像質量和視覺效果的最主要的原因之一，它使得圖 像變得非常模糊，掩蓋了圖像的原始特征，直接影響了圖像后續(xù)的處理工作，比如：圖像分 害J、壓縮、融合和識別等。因此，必須對圖像進行去噪處理，提高圖像的質量，增大圖像的信 噪比，更好的體現(xiàn)原始圖像所攜帶的信息，為圖像的后續(xù)處理奠定良好的基礎。所以，使用 適當?shù)姆椒▽υ肼晥D像進行去噪，是圖像處理領域中一個非常重要的步驟。
[0003] 目前最常用的圖像去噪方法主要為空間域濾波方法。圖像空間域濾波方法是對原 始圖像上的像素灰度值直接進行數(shù)據(jù)運算處理。經(jīng)典的空間域濾波方法有鄰域平均法、中 值濾波法和維納濾波法等。鄰域平均法是對圖像中的每一個像素，設定一個局部鄰域，一般 為方形鄰域，也可以是圓形或十字形等，記錄該鄰域內(nèi)的所有像素的灰度值和像素個數(shù)，然 后對這些像素灰度值取平均值賦值給中心像素；中值濾波法是一種基于排序統(tǒng)計理論的有 效抑制噪聲的非線性平滑濾波信號處理技術，其原理類似于鄰域平均法，不同的是中值濾 波法是對鄰域內(nèi)的所有像素灰度值先進行排序，然后取其中值賦值給中心像素。維納濾波 法是使原始圖像和去噪后圖像之間的均方誤差最小的一種恢復原圖像方法，維納濾波是一 種自適應濾波器，根據(jù)局部方差來調整濾波器效果。
[0004] 以上提出的幾種空間域濾波方法:鄰域平均法、中值濾波法和維納濾波法等，它們 在濾除圖像噪聲時存在一些局限性，例如鄰域平均法對高斯噪聲和斑點噪聲的濾除效果較 好，但對椒鹽噪聲的濾除效果不明顯；中值濾波法對椒鹽噪聲的濾除效果最好，但對其它噪 聲的濾除效果不如椒鹽噪聲;維納濾波法對斑點噪聲的濾除效果最好，但對高斯噪聲和椒 鹽噪聲的濾除效果一般。因此這些常見的空間域去噪方法，它們的使用范圍有一定的局限， 通用性不高，不能很好的用于各種噪聲的濾除。

【發(fā)明內(nèi)容】

[0005] 本申請?zhí)峁┝艘环N圖像去噪方法及裝置，以解決現(xiàn)有技術空間域去噪方法通用性 不高、不能很好的濾除各種噪聲的技術問題。
[0006] 為了解決上述問題，本發(fā)明提供了如下技術方案：
[0007] 本發(fā)明實施例提供了一種圖像去噪方法，包括：
[0008] 步驟a:根據(jù)給定的原始圖像加噪聲之后的圖像In，提取圖像像素特征，根據(jù)圖像 像素特征構建特征向量；
[0009]步驟b:根據(jù)給定的原始圖像1〇,提取像素值1(1』作為相對In在給定位置提取的特 征向量的目標值；
[0010]步驟c:根據(jù)提取特征向量以及特征向量的目標值得到輸入樣本，將輸入樣本帶入 極限學習機，求得輸出權重值，并確定極限學習機去噪的數(shù)學模型；
[0011]步驟d:根據(jù)極限學習機去噪數(shù)學模型對其他含噪圖像進行去噪操作，完成圖像去 噪。
[0012] 本發(fā)明實施例采取的技術方案還包括:所述步驟a具體包括:根據(jù)給定的原始圖像 加噪聲之后的圖像In，提取局部圖像塊中的像素值和像素一階、二階微分倒數(shù)，根據(jù)局部圖 像塊中的像素值和像素一階、二階微分倒數(shù)構建特征向量。
[0013] 本發(fā)明實施例采取的技術方案還包括:在所述步驟a中，根據(jù)局部圖像塊中的像素 值和像素一階、二階微分倒數(shù)構建特征向量包括:對于I n中的每一個像素位置(i，j )，以（i， j)為中心，確定一個大小為m*m的局部圖像塊Pi, j，提取Pi, j中的像素值構成一個大小為m2行 向量P(U);對于像素的一階和二階微分倒數(shù)，采用差分方程計算，對于每一個像素獲得5個 微分值，分別為( 3"夂3^/3>'，3:/"/^&/"/3/，3 2/>4'；)構成一個行向量(1(1^);對于像素 f (i, j)提取一個大小為m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。
[0014] 本發(fā)明實施例采取的技術方案還包括:在所述步驟a中，提取圖像像素特征采用局 部二值模式特征提取。
[0015] 本發(fā)明實施例采取的技術方案還包括:所述步驟c還包括:設置極限學習機網(wǎng)絡的 隱層節(jié)點個數(shù)，并進行訓練。
[0016] 本發(fā)明實施例采取的另一技術方案為：一種圖像去噪裝置，包括特征向量構建模 塊、位置提取模塊、輸入樣本獲取模塊、去噪模型構建模塊和圖像去噪模塊，所述特征向量 構建模塊根據(jù)給定的原始圖像加噪聲之后的圖像In，提取圖像像素特征，根據(jù)圖像像素特 征構建特征向量;所述位置提取模塊根據(jù)給定的原始圖像1〇,提取像素值1 (1』作為相對In 在給定位置提取的特征向量的目標值;所述輸入樣本獲取模塊根據(jù)提取特征向量以及特征 向量的目標值得到輸入樣本;所述去噪模型構建模塊用于將輸入樣本帶入極限學習機，求 得輸出權重值，并確定極限學習機去噪的數(shù)學模型;所述圖像去噪模塊根據(jù)極限學習機去 噪數(shù)學模型對其他含噪圖像進行去噪操作，完成圖像去噪。
[0017] 本發(fā)明實施例采取的技術方案還包括:所述特征向量構建模塊構建特征向量的具 體方式為:根據(jù)給定的原始圖像加噪聲之后的圖像In，提取局部圖像塊中的像素值和像素 一階、二階微分倒數(shù)，根據(jù)局部圖像塊中的像素值和像素一階、二階微分倒數(shù)構建特征向 量。
[0018] 本發(fā)明實施例采取的技術方案還包括:所述特征向量構建模塊根據(jù)局部圖像塊中 的像素值和像素一階、二階微分倒數(shù)構建特征向量具體為:對于In中的每一個像素位置(i， j)，以（i，j)為中心，確定一個大小為m*m的局部圖像塊Pi, j，提取Pi, j中的像素值構成一個大 小為m2行向量P(1,&對于像素的一階和二階微分倒數(shù)，采用差分方程計算，對于每一個像素 獲得5個微分值，分別為(也處，也/也3:"心2，的構成一個行向量如川對 .， 于像素(i, j)提取一個大小為m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。
[0019] 本發(fā)明實施例采取的技術方案還包括:所述特征向量構建模塊提取圖像像素特征 采用局部二值模式特征提取。
[0020] 本發(fā)明實施例采取的技術方案還包括:所述去噪模型構建模塊還用于設置極限學 習機網(wǎng)絡的隱層節(jié)點個數(shù)，并進行訓練
[0021] 本發(fā)明實施例的圖像去噪方法及裝置能夠有效的濾除圖像中的噪聲，提高圖像質 量，并且該方法的均方誤差小，峰值信噪比大，對多種噪聲的去噪效果都較明顯，使用范圍 較廣，局限性小，通用性高。
【附圖說明】
[0022] 圖1是本發(fā)明實施例的圖像去噪方法的流程圖；
[0023] 圖2是本發(fā)明實施例的圖像去噪方法的過程示意圖；
[0024] 圖3是本發(fā)明實施例的圖像去噪裝置的結構示意圖；
[0025] 圖4是本發(fā)明實施例的圖像去噪方法的實驗結果示意圖。
【具體實施方式】
[0026] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。
[0027] 請參閱圖1和圖2,圖1是本發(fā)明實施例的圖像去噪方法的流程圖，圖2是本發(fā)明實 施例的圖像去噪方法的過程示意圖。本發(fā)明實施例的圖像去噪方法包括：
[0028] 步驟10:根據(jù)給定的原始圖像加噪聲之后的圖像In，提取局部圖像塊中的像素值 和像素一階、二階微分倒數(shù)，根據(jù)局部圖像塊中的像素值和像素一階、二階微分倒數(shù)構建特 征向量；
[0029] 在步驟10中，對于In中的每一個像素位置(i，j)，以（i，j)為中心，確定一個大小為 m*m的局部圖像塊Pi,」，提取Pi, j中的像素值構成一個大小為m2行向量P(i,j)，對于像素的一階 和二階微分倒數(shù)，采用差分方程計算，這樣對于每一個像素都可以獲得5個微分值，分別為 (:3/"/&，3/,,/辦，3 :/"/3/,31/3/，32/"你％)構成一個行向量d(i,」)。因此，對于像素 （i j)可提 取一個大小為m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。本發(fā)明實施例的圖像去噪方法其關鍵 在于輸入樣本的提取，對于圖像像素特征的提取，除了使用局部圖像塊中的像素值和像素 微分倒數(shù)之外，還可使用其它的方法來提取像素特征，例如：LBP特征提取等。LBP(Local Binary Pattern，局部二值模式)是一種用來描述圖像局部紋理特征的算子;它具有旋轉不 變性和灰度不變性等顯著的優(yōu)點。對LBP特征向量進行提取的步驟為：
[0030] (1)首先將檢測窗口劃分為16X16的小區(qū)域(cell);
[0031] (2)對于每個cell中的一個像素，將相鄰的8個像素的灰度值與其進行比較，若周 圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為〇。這樣，3*3鄰域內(nèi)的8個 點經(jīng)比較可產(chǎn)生8位二進制數(shù)，即得到該窗口中心像素點的LBP值；
[0032] (3)然后計算每個cell的直方圖，即每個數(shù)字（假定是十進制數(shù)LBP值）出現(xiàn)的頻 率;然后對該直方圖進行歸一化處理；
[0033] (4)最后將得到的每個cell的統(tǒng)計直方圖進行連接成為一個特征向量，也就是整 幅圖的LBP紋理特征向量。
[0034]步驟20:根據(jù)給定的原始圖像1〇,提取像素值1(1』作為相對1"在(1，」)位置提取的 特征向量的目標值；
[0035]步驟30:根據(jù)提取特征向量^^) = [?(^，(1(^)]以及提取像素值1(^)作為相對1 11 在(i，j)位置提取的特征向量的目標值，得到輸入樣本
[0036] 步驟40:將輸入樣本帶入極限學習機（Extreme Learning Machine，ELM)，設置網(wǎng) 絡的隱層節(jié)點個數(shù)，并進行訓練，求得輸出權重邱勺值，確定極限學習機去噪的數(shù)學模型；
[0037] 在步驟40中，極限學習機(Extreme Learning Machine，ELM)，是一種新型的快速 學習方法，主要用于單隱層神經(jīng)網(wǎng)絡。傳統(tǒng)的神經(jīng)網(wǎng)絡學習算法（如BP算法）需要人為設置 大量的網(wǎng)絡訓練參數(shù)，并且很容易產(chǎn)生局部最優(yōu)解。ELM在算法執(zhí)行過程中，可以隨機分配 隱層的輸入權值和偏置，只需要設置網(wǎng)絡的隱層節(jié)點個數(shù)，不需要迭代調整網(wǎng)絡的輸入權 值和隱層偏置，并且產(chǎn)生唯一的最優(yōu)解，因此，ELM具有學習速度快且泛化性能好等優(yōu)點。
[0038] 假設有 N 個任意樣本（Xi，ti)，其中Xi= [Xil，Xi2，…，Xin]TeRn，ti= [til，ti2,…，tim ]TeRm，對于一個有L個隱層節(jié)點的單隱層神經(jīng)網(wǎng)絡可表示為：
[0040] 其中，g(x)為激活函數(shù)，一般可選擇為雙曲函數(shù)，正弦函數(shù)或者徑向基函數(shù)等。Wi =[Wil，Wi2,…，Win]T是連接第i個隱層節(jié)點和輸入數(shù)據(jù)之間的權重向量，Pi = [Pil，0i2,…， 1^]7是連接第i個隱層節(jié)點和輸出數(shù)據(jù)之間的權重向量，bi是第i個隱層節(jié)點的偏置，Wl · 表示向量的內(nèi)積。
[0041] 單隱層神經(jīng)網(wǎng)絡學習的目標是使得輸出的誤差最小，即：
[0045] 上式(3)可用矩陣表示為：
[0046] Ηβ = Τ (4)
[0047] 其中，Η是隱層的輸出矩陣，β為輸出權重，Τ為期望輸出矩陣。
[0048] 這里，
[00511在ELM算法中，一旦輸入權重Wi和隱層偏置bi被隨機確定，隱層的輸出矩陣Η就被唯 一確定。訓練單隱層神經(jīng)網(wǎng)絡可轉換為求解一個線性系統(tǒng)Ηβ = Τ，此時輸出權重β可被確定。
[0052] #=11? (7)
[0053] 其中，f是矩陣Η的Moore-Penrose廣義逆，且可證明求得的$的范數(shù)最小且唯一。 [0054]步驟50:根據(jù)極限學習機去噪數(shù)學模型對其他含噪圖像進行去噪操作，完成圖像 去噪。
[0055] 請參閱圖3,圖3是本發(fā)明實施例的圖像去噪裝置的結構示意圖。本發(fā)明實施例的 圖像去噪裝置包括特征向量構建模塊、位置提取模塊、輸入樣本模塊、去噪模型構建模塊和 圖像去噪模塊。
[0056] 特征向量構建模塊根據(jù)給定的原始圖像加噪聲之后的圖像In，提取局部圖像塊中 的像素值和像素一階、二階微分倒數(shù)，根據(jù)局部圖像塊中的像素值和像素一階、二階微分倒 數(shù)構建特征向量。對于In中的每一個像素位置（i，j)，以（i，j)為中心，確定一個大小為m*m 的局部圖像塊Pi, j，提取Pi, j中的像素值構成一個大小為m2行向量P(i,j)，對于像素的一階和 二階微分倒數(shù)，采用差分方程計算，這樣對于每一個像素都可以獲得5個微分值，分別為 (θ/,/Ι,θ/,/辦，32/"/θ^,約"/%':32/"/友辦）構成一個行向量d(w '，： 取一個大小為m2+5的特征向量v(i,j) = [P(i,j)，d(i,j)]。本發(fā)明實施例的圖像去噪方法其關鍵 在于輸入樣本的提取，對于圖像像素特征的提取，除了使用局部圖像塊中的像素值和像素 微分倒數(shù)之外，還可使用其它的方法來提取像素特征，例如:LBP特征提取等。
[0057]位置提取模塊根據(jù)給定的原始圖像1〇,提取像素值I(u)作為相對1"在（1，」_)位置 提取的特征向量的目標值。
[0058] 輸入樣本模塊根據(jù)提取特征向量^^ = [?(^)，(1(^)]以及提取像素值1(^)作為 相對In在(i，j)位置提取的特征向量的目標值，得到輸入樣本[v(i, j)，I (i, j)]。
[0059] 去噪模型構建模塊將輸入樣本帶入極限學習機(Extreme Learning Machine， ELM)算法，設置網(wǎng)絡的隱層節(jié)點個數(shù)，并進行訓練，求得輸出權重郵]值，確定極限學習機去 噪的數(shù)學模型。極限學習機(Extreme Learning Machine，ELM)，是一種新型的快速學習方 法，主要用于單隱層神經(jīng)網(wǎng)絡。傳統(tǒng)的神經(jīng)網(wǎng)絡學習算法(如BP算法）需要人為設置大量的 網(wǎng)絡訓練參數(shù)，并且很容易產(chǎn)生局部最優(yōu)解。ELM在算法執(zhí)行過程中，可以隨機分配隱層的 輸入權值和偏置，只需要設置網(wǎng)絡的隱層節(jié)點個數(shù)，不需要迭代調整網(wǎng)絡的輸入權值和隱 層偏置，并且產(chǎn)生唯一的最優(yōu)解，因此，ELM具有學習速度快且泛化性能好等優(yōu)點。
[0060] 假設有 N 個任意樣本(Xi，ti)，其中Xi= [Xil，Xi2，…，Xin]TeRn，ti= [til，ti2,…，tim ]TeRm，對于一個有L個隱層節(jié)點的單隱層神經(jīng)網(wǎng)絡可表示為：
[0062]其中，g(x)為激活函數(shù)，一般可選擇為雙曲函數(shù)，正弦函數(shù)或者徑向基函數(shù)等。Wl =[Wil，Wi2,…，Win]T是連接第i個隱層節(jié)點和輸入數(shù)據(jù)之間的權重向量，Pi = [Pil，0i2,…， 1^]7是連接第i個隱層節(jié)點和輸出數(shù)據(jù)之間的權重向量，bi是第i個隱層節(jié)點的偏置，Wl · 表示向量的內(nèi)積。
[0063]單隱層神經(jīng)網(wǎng)絡學習的目標是使得輸出的誤差最小，即：
[0067] 上式(3)可用矩陣表示為：
[0068] Ηβ = Τ (4)
[0069] 其中，Η是隱層的輸出矩陣，β為輸出權重，Τ為期望輸出矩陣。
[0070] 這里，
[0073] 在ELM算法中，一旦輸入權重Wi和隱層偏置bi被隨機確定，隱層的輸出矩陣Η就被唯 一確定。訓練單隱層神經(jīng)網(wǎng)絡可轉換為求解一個線性系統(tǒng)Ηβ = Τ，此時輸出權重β可被確定。
[0074] (7)
[0075] 其中，H_f是矩陣I^tlMoore-Penrose廣義逆，且可證明求得的.彥:的范數(shù)最小且唯一。 [0076]圖像去噪模塊根據(jù)極限學習機去噪數(shù)學模型對其他含噪圖像進行去噪操作，完成 圖像去噪。
[0077] 請參閱圖4,圖4是本發(fā)明實施例的圖像去噪方法的實驗結果示意圖。本發(fā)明實施 例的圖像去噪方法及裝置以mat lab自帶的腦結構CT圖像(phantom)為例，用提出的方法分 別完成對高斯噪聲圖像、椒鹽噪聲圖像以及斑點噪聲圖像的濾除作用，結果表明本方法能 夠有效的濾除圖像中的噪聲，提高圖像質量，并且該方法的均方誤差小，峰值信噪比大，對 多種噪聲的去噪效果都較明顯，使用范圍較廣，局限性小，通用性高。
[0078] 表一針對高斯噪聲圖像去噪之后的均方誤差值和峰值信噪比值
[0080] 表二針對椒鹽噪聲圖像去噪之后的均方誤差值和峰值信噪比值
[0081]
[0082]對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。 對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的 一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明 將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一 致的最寬的范圍。
【主權項】
1. 一種圖像去噪方法，包括： 步驟a:根據(jù)給定的原始圖像加噪聲之后的圖像In,提取圖像像素特征，根據(jù)圖像像素特 征構建特征向量； 步驟b:根據(jù)給定的原始圖像1〇,提取像素值1<1,"作為相對In在給定位置提取的特征向 量的目標值； 步驟C:根據(jù)提取特征向量W及特征向量的目標值得到輸入樣本，將輸入樣本帶入極限 學習機，求得輸出權重值，并確定極限學習機去噪的數(shù)學模型； 步驟d:根據(jù)極限學習機去噪數(shù)學模型對其他含噪圖像進行去噪操作，完成圖像去噪。2. 根據(jù)權利要求1所述的圖像去噪方法，其特征在于，所述步驟a具體包括:根據(jù)給定的 原始圖像加噪聲之后的圖像In,提取局部圖像塊中的像素值和像素一階、二階微分倒數(shù)，根 據(jù)局部圖像塊中的像素值和像素一階、二階微分倒數(shù)構建特征向量。3. 根據(jù)權利要求2所述的圖像去噪方法，其特征在于，在所述步驟a中，根據(jù)局部圖像塊 中的像素值和像素一階、二階微分倒數(shù)構建特征向量包括:對于In中的每一個像素位置(i, j)，W(i，j)為中屯、，確定一個大小為m*m的局部圖像塊Pij，提取Pi,沖的像素值構成一個大 小為m2行向量對于像素的一階和二階微分倒數(shù)，采用差分方程計算，對于每一個像素 獲得5個微分值，分別為批。/如如。/如料。化：2,的。堿'2,約。鄉(xiāng)邸）>構成一個行向量對 于像素（i, j)提取一個大小為m2巧的特征向量v(ij) = [P(i,j)，d(i,j)]。4. 根據(jù)權利要求1所述的圖像去噪方法，其特征在于，在所述步驟a中，提取圖像像素特 征采用局部二值模式特征提取。5. 根據(jù)權利要求1所述的圖像去噪方法，其特征在于，所述步驟C還包括:設置極限學習 機網(wǎng)絡的隱層節(jié)點個數(shù)，并進行訓練。6. -種圖像去噪裝置，其特征在于，包括特征向量構建模塊、位置提取模塊、輸入樣本 獲取模塊、去噪模型構建模塊和圖像去噪模塊，所述特征向量構建模塊根據(jù)給定的原始圖 像加噪聲之后的圖像In,提取圖像像素特征，根據(jù)圖像像素特征構建特征向量;所述位置提 取模塊根據(jù)給定的原始圖像1〇,提取像素值1<1,山作為相對In在給定位置提取的特征向量的 目標值;所述輸入樣本獲取模塊根據(jù)提取特征向量W及特征向量的目標值得到輸入樣本； 所述去噪模型構建模塊用于將輸入樣本帶入極限學習機，求得輸出權重值，并確定極限學 習機去噪的數(shù)學模型;所述圖像去噪模塊根據(jù)極限學習機去噪數(shù)學模型對其他含噪圖像進 行去噪操作，完成圖像去噪。7. 根據(jù)權利要求6所述的圖像去噪裝置，其特征在于，所述特征向量構建模塊構建特征 向量的具體方式為:根據(jù)給定的原始圖像加噪聲之后的圖像In,提取局部圖像塊中的像素 值和像素一階、二階微分倒數(shù)，根據(jù)局部圖像塊中的像素值和像素一階、二階微分倒數(shù)構建 特征向量。8. 根據(jù)權利要求7所述的圖像去噪裝置，其特征在于，所述特征向量構建模塊根據(jù)局部 圖像塊中的像素值和像素一階、二階微分倒數(shù)構建特征向量具體為:對于In中的每一個像 素位置。，如，^。，^為中屯、，確定一個大小為111*111的局部圖像塊口1^，提取口1^中的像素值 構成一個大小為m2行向量對于像素的一階和二階微分倒數(shù)，采用差分方程計算，對于 每一個像素獲得5個微分值，分別為(化，/扭化/帶，3'厶，化-'，31-/,,/3/方/。/3.，卻:），構成一個行向 量d(i,j);對于像素（i，j)提取一個大小為m2巧的特征向量v(i,j) = [P(i,j)，d(i,j)]。9. 根據(jù)權利要求6所述的圖像去噪裝置，其特征在于，所述特征向量構建模塊提取圖像 像素特征采用局部二值模式特征提取。10. 根據(jù)權利要求6或7所述的圖像去噪裝置，其特征在于，所述去噪模型構建模塊還用 于設置極限學習機網(wǎng)絡的隱層節(jié)點個數(shù)，并進行訓練。
【文檔編號】G06T5/00GK106097257SQ201610375435
【公開日】2016年11月9日
【申請日】2016年5月30日
【發(fā)明人】溫鐵祥, 范陽陽, 秦文健, 李凌, 辜嘉
【申請人】中國科學院深圳先進技術研究院