專利名稱：一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的圖像濾波方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)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)：
圖像在獲取或者傳輸過程中，經(jīng)常會被加入大量的噪聲，嚴(yán)重影響了圖像的視覺效果，甚至妨礙了人們的正常識別。因此，圖像的噪聲濾除是圖像處理中的一項(xiàng)重要任務(wù)，噪聲濾除后的結(jié)果對圖像邊緣檢測、圖像分割、特征提取和圖像識別等后續(xù)處理均有直接的影響。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。對于被椒鹽脈沖噪聲污染的圖像，非線性濾波器的濾波效果要比線性濾波器好，因?yàn)榫€性濾波器會造成圖像邊緣和細(xì)節(jié)模糊，影響圖像的視覺效果。作為一種非線性濾波器，中值濾波器(standard median filter, SMF)已成功運(yùn)用于脈沖噪聲圖像的濾波中。在使用中值濾波器對圖像進(jìn)行濾波時(shí)，是用以當(dāng)前操作像素為中心的濾波操作窗口內(nèi)所有像素灰度值的中值來代替當(dāng)前操作像素的灰度值。在中值濾波器基礎(chǔ)上，0. Yli-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，以進(jìn)一步提高濾波性能。以上這三種濾波器對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噪聲像素進(jìn)行濾波，而對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。對于這類開關(guān)型中值濾波器，脈沖噪聲檢測器的性能好壞是至關(guān)重要的。根據(jù)采用不同的脈沖噪聲檢測方法，z. Shuqun等提出了 edge-detecting median filter(EDMF)方法，C. Tao 等提出了 multi-statemedian filter (MSMF)方法，E. Abreu 等提出了 signal-dependent rand-ordered meanfilter(SDROMF)方法。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IJ，并且在濾波過程中會不可避免地出現(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
要解決的技術(shù)問題本發(fā)明所要解決的問題是，提出一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)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。技術(shù)方案本發(fā)明的技術(shù)特征在于，包括以下步驟步驟一構(gòu)造一個(gè)包含四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)和一個(gè)后處理塊的網(wǎng)絡(luò)，在使用該網(wǎng)絡(luò)對噪聲圖像進(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)算法對四個(gè)自 適應(yīng)神經(jīng)模糊推理系統(tǒng)單獨(dú)進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)； 步驟二 當(dāng)四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都訓(xùn)練完畢，就可以和一個(gè)后處理塊一起構(gòu)成一個(gè)網(wǎng)絡(luò)，對測試圖像進(jìn)行濾波。所述步驟一進(jìn)一步包括以下步驟步驟A :每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都有四個(gè)輸入，一個(gè)輸出，人工構(gòu)造一個(gè)圖像作為每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)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，作為每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)的輸入圖像；步驟B :以輸入的訓(xùn)練圖像中每個(gè)像素為中心的3X3濾波操作窗口從圖像左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入的訓(xùn)練圖像中所有像素；步驟C :以當(dāng)前操作像素為中心得到一個(gè)3X3濾波操作窗口，在濾波操作窗口內(nèi)，四個(gè)數(shù)據(jù)提取塊分別以四種不同的拓?fù)浣Y(jié)構(gòu)方式提取像素灰度值，由此得到與四個(gè)數(shù)據(jù)提取塊相對應(yīng)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)的四個(gè)輸入，由系統(tǒng)的四個(gè)輸入可得到系統(tǒng)的實(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，使用混合學(xué)習(xí)算法對系統(tǒng)中的參數(shù)進(jìn)行優(yōu)化更新；步驟F :當(dāng)代價(jià)函數(shù)值小于預(yù)先設(shè)定的閾值或者迭代次數(shù)達(dá)到預(yù)先設(shè)定的上限時(shí)，則系統(tǒng)訓(xùn)練結(jié)束；否則，重復(fù)步驟B到E，進(jìn)行下一次迭代訓(xùn)練。所述步驟二進(jìn)一步包括以下步驟步驟A :將需濾波的測試圖像作為網(wǎng)絡(luò)的輸入圖像，以輸入圖像中每個(gè)像素為中心的3X3濾波操作窗口從圖像左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入圖像中所有像素；步驟B :以當(dāng)前操作像素為中心得到一個(gè)3X3濾波操作窗口，對于每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)，在濾波操作窗口內(nèi)，四個(gè)數(shù)據(jù)提取塊分別以與每個(gè)系統(tǒng)訓(xùn)練時(shí)相同的拓?fù)浣Y(jié)構(gòu)方式提取像素灰度值，由此得到每個(gè)系統(tǒng)的四個(gè)輸入；步驟C :每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都會得到一個(gè)輸出，這些輸出即為后處理塊的輸入，后處理塊對這四個(gè)輸入進(jìn)行修正，然后取平均值，再對平均值取整得到一最終輸出，該輸出即為與輸入圖像當(dāng)前操作像素相對應(yīng)的濾波后圖像像素的灰度值；步驟D :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)和(C)，當(dāng)輸入圖像中所有像素經(jīng)過網(wǎng)絡(luò)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。有益效果本發(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，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)的圖像邊緣檢測、圖像分割、特征提取和圖像識別等任務(wù)更能有效地進(jìn)行。


圖I是自適應(yīng)神經(jīng)模糊推理系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)2是單個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)訓(xùn)練優(yōu)化過程3是人工訓(xùn)練圖像圖4是四個(gè)數(shù)據(jù)提取塊所對應(yīng)的拓?fù)浣Y(jié)構(gòu)圖5是中值提取操作窗口大小的選擇圖6是8張測試圖像圖7是用不同方法對受不同強(qiáng)度椒鹽脈沖噪聲污染的圖像去噪后的平均峰值信噪比(PSNR)比較曲線圖8是對被30%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)施例方式下面結(jié)合圖I至圖8對本發(fā)明作進(jìn)一步的詳細(xì)描述。步驟一構(gòu)造一個(gè)包含四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)和一個(gè)后處理塊的網(wǎng)絡(luò)，在使用該網(wǎng)絡(luò)對噪聲圖像進(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)算法對四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)單獨(dú)進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)；具體步驟如下步驟A :每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都有四個(gè)輸入，一個(gè)輸出，人工構(gòu)造一個(gè)圖像作為每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)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，作為每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)的輸入圖像；圖I是一個(gè)包含四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)和一個(gè)后處理塊的網(wǎng)絡(luò)結(jié)構(gòu)圖，在使用該網(wǎng)絡(luò)對圖像進(jìn)行濾波前，每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都需單獨(dú)進(jìn)行訓(xùn)練，訓(xùn)練圖像可通過計(jì)算機(jī)人工構(gòu)造得到，圖3(a)是每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)的期望輸出圖像，該圖像大小為64 X 64，是由256個(gè)4 X 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，256個(gè)色塊的灰度值遍取0到255中的所有值，不同灰度值的色塊在圖片中的位置是隨機(jī)的，圖3(b)是系統(tǒng)的輸入圖像，是在圖3 (a)上添加30%的椒鹽脈沖噪聲得到的噪聲圖像，圖2是單個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)訓(xùn)練優(yōu)化過程圖。步驟B :以輸入的訓(xùn)練圖像中每個(gè)像素為中心的3X3濾波操作窗口從圖像左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入的訓(xùn)練圖像中所有像素；步驟C :以當(dāng)前操作像素為中心得到一個(gè)3X3濾波操作窗口，在濾波操作窗口內(nèi)，四個(gè)數(shù)據(jù)提取塊分別以四種不同的拓?fù)浣Y(jié)構(gòu)方式提取像素灰度值，由此得到與四個(gè)數(shù)據(jù)提取塊相對應(yīng)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)的四個(gè)輸入，由系統(tǒng)的四個(gè)輸入可得到系統(tǒng)的實(shí)際輸出；每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)對應(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)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)提供四個(gè)輸入。具體步驟如下(I)如圖4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、左對角線和右對角線這四種不同的拓?fù)浣Y(jié)構(gòu)得到像素灰度值PpP2和P3 ;(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 ;(3)令每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)四個(gè)輸入Xl、x2、X3和X4分別為
X1= Pl-HtC1)
X2= P2-m
<
X3=Pi~m
Xi=In數(shù)據(jù)提取塊在選取中值m時(shí)，需確定中值提取操作窗口大小。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5中方法確定中值提取操作窗口大小，實(shí)驗(yàn)結(jié)果為最好。由數(shù)據(jù)提取塊為相應(yīng)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)提供四個(gè)輸入后，對于每個(gè)輸入，分別定義三個(gè)廣義鐘型隸屬函數(shù)，則每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)共包含81 (34)條規(guī)貝U，其模糊規(guī)則集如下規(guī)則I IifU1 is M11)and(x2 is M21)and(x3 is M31)and(x4 is M41)then Y1 = d11x1+d12x2+d13x3+d14x4+d15規(guī)則2 IifU1 is M11)and(x2 is M21)and(x3 is M31)and(x4 is M42)then y2 — c^Xi+c^Xg+c^Xg+c^XA+c^規(guī)則3 IifU1 is M11)and(x2 is M21)and(x3 is M31)and(x4 is M43)then y3 — c^Xi+c^Xg+dggXg+c^XA+dgs規(guī)貝1J81 if (X1 is M13)and(x2 is M23)and(x3 is M33)and(x4 is M43)then y81 — Cl8iaX^d81,2x2+d81,3x3+d81,4x4+d81,5其中Mij表示第i個(gè)輸入的第j個(gè)隸屬函數(shù)，dkl為結(jié)論參數(shù)，yk為系統(tǒng)根據(jù)第k個(gè)規(guī)則得到的輸出，i = 1,2,3,4, j = 1,2,3, k = 1，…，81，I = 1，2，3，4，5。對于輸入 Xi,
定義的廣義鐘型隸屬函數(shù)為
權(quán)利要求
1.一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的圖像濾波方法，其特征在于，包括以下步驟 步驟一構(gòu)造一個(gè)包含四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)和一個(gè)后處理塊的網(wǎng)絡(luò)，在使用該網(wǎng)絡(luò)對噪聲圖像進(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)算法對四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)單獨(dú)進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)； 步驟二 當(dāng)四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都訓(xùn)練完畢，就可以和一個(gè)后處理塊一起構(gòu)成一個(gè)網(wǎng)絡(luò)，對測試圖像進(jìn)行濾波。
2.根據(jù)權(quán)利要求I所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)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 :每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都有四個(gè)輸入，一個(gè)輸出，人工構(gòu)造一個(gè)圖像作為每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)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，作為每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)的輸入圖像； 步驟B :以輸入的訓(xùn)練圖像中每個(gè)像素為中心的3X3濾波操作窗口從圖像左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入的訓(xùn)練圖像中所有像素； 步驟C :以當(dāng)前操作像素為中心得到一個(gè)3X3濾波操作窗口，在濾波操作窗口內(nèi)，四個(gè)數(shù)據(jù)提取塊分別以四種不同的拓樸結(jié)構(gòu)方式提取像素灰度值，由此得到與四個(gè)數(shù)據(jù)提取塊相對應(yīng)的自適應(yīng)神經(jīng)模糊推理系統(tǒng)的四個(gè)輸入，由系統(tǒng)的四個(gè)輸入可得到系統(tǒng)的實(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，使用混合學(xué)習(xí)算法對系統(tǒng)中的參數(shù)進(jìn)行優(yōu)化更新； 步驟F :當(dāng)代價(jià)函數(shù)值小于預(yù)先設(shè)定的閾值或者迭代次數(shù)達(dá)到預(yù)先設(shè)定的上限時(shí)，則系統(tǒng)訓(xùn)練結(jié)束；否則，重復(fù)步驟B到E，進(jìn)行下一次迭代訓(xùn)練。
3.根據(jù)權(quán)利要求I所述的基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)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 :將需濾波的測試圖像作為網(wǎng)絡(luò)的輸入圖像，以輸入圖像中每個(gè)像素為中心的3X3濾波操作窗口從圖像左上角的像素(該像素即為當(dāng)前操作像素)開始，在圖像上以從上到下，從左至右的方式滑動，遍取輸入圖像中所有像素； 步驟B 以當(dāng)前操作像素為中心得到一個(gè)3 X 3濾波操作窗口，對于每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)，在濾波操作窗口內(nèi)，四個(gè)數(shù)據(jù)提取塊分別以與每個(gè)系統(tǒng)訓(xùn)練時(shí)相同的拓樸結(jié)構(gòu)方式提取像素灰度值，由此得到每個(gè)系統(tǒng)的四個(gè)輸入； 步驟C :每個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都會得到一個(gè)輸出，這些輸出即為后處理塊的輸入，后處理塊對這四個(gè)輸入進(jìn)行修正，然后取平均值，再對平均值取整得到一最終輸出，該輸出即為與輸入圖像當(dāng)前操作像素相對應(yīng)的濾波后圖像像素的灰度值； 步驟D :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)和(C)，當(dāng)輸入圖像中所有像素經(jīng)過網(wǎng)絡(luò)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。
全文摘要
本發(fā)明涉及一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的圖像濾波方法，對于被椒鹽脈沖噪聲污染的圖像，該方法構(gòu)造一個(gè)包含四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)和一個(gè)后處理塊的網(wǎng)絡(luò)，在使用該網(wǎng)絡(luò)對噪聲圖像進(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)算法對四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)單獨(dú)進(jìn)行訓(xùn)練，確定系統(tǒng)中的參數(shù)；當(dāng)四個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)都訓(xùn)練完畢，就可以和一個(gè)后處理塊一起構(gòu)成一個(gè)網(wǎng)絡(luò)，對測試圖像進(jìn)行濾波。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。
文檔編號G06T5/00GK102968763SQ20121040889
公開日2013年3月13日 申請日期2012年10月20日 優(yōu)先權(quán)日2012年10月20日
發(fā)明者李岳陽, 羅海馳, 孫俊 申請人:江南大學(xué)