基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一般的圖像數(shù)據(jù)處理或產(chǎn)生方法技術(shù)領(lǐng)域，尤其涉及一種基于Type-2 模糊邏輯系統(tǒng)的場景圖像去噪方法。
【背景技術(shù)】
[0002] 在機(jī)器視覺中，由于各種條件的限制和環(huán)境干擾，成像系統(tǒng)所采集的圖像往往包 含大量的噪聲，消除圖像中的噪聲同時(shí)保留有用的信息，對(duì)于圖像的正確理解和應(yīng)用非常 重要。場景圖像去噪作為場景圖像處理的基礎(chǔ)環(huán)節(jié)，它的任務(wù)是盡可能地去除無用信息，改 善圖像質(zhì)量，為后續(xù)場景圖像處理奠定基礎(chǔ)。
[0003] 支持向量機(jī)（Support Vector Machine, SVM)是由Vapnik等人提出的統(tǒng)計(jì)學(xué)習(xí) 領(lǐng)域的新一代機(jī)器學(xué)習(xí)方法。它不僅有著堅(jiān)實(shí)的理論基礎(chǔ)，而且具有直觀的幾何解釋和完 美的數(shù)學(xué)形式。SVM在一定程度上克服了"維數(shù)禍根"和"過學(xué)習(xí)"難題，在解決小樣本、 非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)。它已經(jīng)成功應(yīng)用到模式識(shí)別、回歸 分析、智能控制和圖像處理等領(lǐng)域。的新一代機(jī)器學(xué)習(xí)算法，它求解的是凸二次規(guī)劃問題， 同時(shí)考慮給定樣本的逼近精度和逼近函數(shù)的復(fù)雜性，從而實(shí)現(xiàn)模型的結(jié)構(gòu)風(fēng)險(xiǎn)優(yōu)化控制目 標(biāo)。Suykens在SVM基礎(chǔ)上提出了最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM)算法。LSSVM從SVM經(jīng)驗(yàn)風(fēng)險(xiǎn)控制損失函數(shù)著手，在其優(yōu)化問題的目標(biāo)函數(shù) 中使用擬合誤差的二范數(shù)，并利用等式約束條件代替SVM標(biāo)準(zhǔn)算法中的不等式約束條件， 使得LSSVM算法中的優(yōu)化問題的求解變?yōu)橥ㄟ^Kuhn-Tucker條件得到的一組線性方程組的 求解，從而有效地降低了模型的計(jì)算復(fù)雜度。LSSVM在金融時(shí)序預(yù)測(cè)、圖像處理、大氣污染混 沌時(shí)序預(yù)測(cè)、電力負(fù)載預(yù)測(cè)及軟測(cè)量等多個(gè)問題上都表現(xiàn)出較高的建模精度和良好的泛化 能力。LSSVM 回歸（Least Squares Support Vector Regression，LSSVR)算法在圖像去噪 中，則通過建立含噪圖像與原始圖像之間的非線性映射關(guān)系，再利用訓(xùn)練好的回歸模型對(duì) 噪聲圖像進(jìn)行回歸估計(jì)，可達(dá)到圖像去噪的目的。然而，現(xiàn)有的支持向量回歸去噪算法沒有 充分考慮輸入、輸出樣本的聯(lián)合分布密度對(duì)回歸模型的影響，當(dāng)樣本聯(lián)合分布密度較大或 噪聲密度偏離訓(xùn)練模型所施加噪聲分布密度較遠(yuǎn)的情況下，其去噪效果不太理想。
[0004] 考慮輸入、輸出樣本聯(lián)合分布密度的不確定性對(duì)支持向量回歸模型的影響，且樣 本的聯(lián)合分布密度難以直接進(jìn)行估計(jì)，本發(fā)明擬利用核密度方法對(duì)輸入樣本和輸出樣本的 分布密度進(jìn)行估計(jì)，對(duì)基于樣本分布密度的加權(quán)因子利用Typ e-2模糊邏輯系統(tǒng)進(jìn)行設(shè)計(jì)， 構(gòu)建基于模糊加權(quán)的T2FDW-SVR模型。該方法結(jié)合了 Type-2模糊邏輯系統(tǒng)和支持向量回 歸的優(yōu)勢(shì)，用于場景圖像去噪，能得到較好的去噪結(jié)果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是提供一種基于Type-2模糊邏輯系統(tǒng)的場景圖像去 噪方法，所述方法能得到較好的去噪結(jié)果，模糊權(quán)重的設(shè)計(jì)對(duì)支持向量機(jī)的回歸精度具有 顯著提高。
[0006] 為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：一種基于Type-2模糊邏輯系 統(tǒng)的場景圖像去噪方法，其特征在于所述方法包括如下步驟：
[0007] (1)獲取樣本集{(^,乂}=，其中N為樣本總數(shù)，在噪聲圖像中取3X3鄰域窗 口中的像素點(diǎn)灰度構(gòu)建輸入樣本Ui,取原始圖像中對(duì)應(yīng)鄰域中心像素點(diǎn)灰度作為輸出樣本 Yi;
[0008] (2)利用核密度估計(jì)方法分別對(duì)輸入樣本Ui和輸出樣本y ^勺分布密度進(jìn)行估計(jì)；
[0009] (3)采用輸入樣本和輸出樣本的核密度估計(jì)作為Type-2模糊邏輯系統(tǒng)的輸入，利 用Type-2模糊邏輯系統(tǒng)得到對(duì)應(yīng)樣本的模糊權(quán)重；
[0010] (4)在標(biāo)準(zhǔn)支持向量回歸模型中，引入樣本的Type-2模糊密度權(quán)重，構(gòu)建模糊加 權(quán)的支持向量回歸模型，并進(jìn)行優(yōu)化；
[0011] (5)在模糊加權(quán)的支持向量回歸模型的優(yōu)化過程中采用交叉驗(yàn)證的方法得到模型 的參數(shù)；
[0012] (6)利用訓(xùn)練好的模糊加權(quán)支持向量回歸函數(shù)對(duì)噪聲場景圖像進(jìn)行去噪處理，得 到去除噪聲的圖像。
[0013] 進(jìn)一步的技術(shù)方案在于：步驟⑴中給定樣本集KUi, y) IuiG Rd, yie R, i = 1，…，N}，N為樣本總數(shù)，R表示實(shí)數(shù)集，d表示輸入樣本空間的維數(shù)。
[0014] 進(jìn)一步的技術(shù)方案在于：步驟（2)中利用核密度估計(jì)方法得到的輸入樣本的核密 度估計(jì)f (Uk)和輸出樣本的核密度估計(jì)f(yk)分別為：
【主權(quán)項(xiàng)】
1. 一種基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，其特征在于所述方法包括如 下步驟： ⑴獲取樣本集{(G,乂}=，其中N為樣本總數(shù)，在噪聲圖像中取3X3鄰域窗口中的 像素點(diǎn)灰度構(gòu)建輸入樣本仏，取原始圖像中對(duì)應(yīng)鄰域中心像素點(diǎn)灰度作為輸出樣本yi; (2) 利用核密度估計(jì)方法分別對(duì)輸入樣本仏和輸出樣本71的分布密度進(jìn)行估計(jì)； (3) 采用輸入樣本和輸出樣本的核密度估計(jì)作為Type-2模糊邏輯系統(tǒng)的輸入，利用 Type-2模糊邏輯系統(tǒng)得到對(duì)應(yīng)樣本的模糊權(quán)重； (4) 在標(biāo)準(zhǔn)支持向量回歸模型中，引入樣本的Type-2模糊密度權(quán)重，構(gòu)建模糊加權(quán)的 支持向量回歸模型，并進(jìn)行優(yōu)化； (5) 在模糊加權(quán)的支持向量回歸模型的優(yōu)化過程中采用交叉驗(yàn)證的方法得到模型的參 數(shù)； (6) 利用訓(xùn)練好的模糊加權(quán)支持向量回歸函數(shù)對(duì)噪聲場景圖像進(jìn)行去噪處理，得到去 除噪聲的圖像。
2. 根據(jù)權(quán)利要求1所述的基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，其特征在 于：步驟⑴中給定樣本集{機(jī)，yi) |仏GRd，yiGR，i= 1，…，N}，N為樣本總數(shù)，R表示實(shí) 數(shù)集，d表示輸入樣本空間的維數(shù)。
3. 根據(jù)權(quán)利要求2所述的基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，其特征在于 步驟（2)中利用核密度估計(jì)方法得到的輸入樣本的核密度估計(jì)f(Uk)和輸出樣本的核密度 估計(jì)f(yk)分別為：
其中u= (Uk-UjTS'Uk-Ui)，T表示向量的轉(zhuǎn)置運(yùn)算，exp表示以自然對(duì)數(shù)e為底的指 數(shù)函數(shù)，det用于求取方陣的行列式，S為輸入樣本的協(xié)方差矩陣，表示輸入樣本之間的線 性關(guān)聯(lián)特征，它用于根據(jù)輸入樣本方差適當(dāng)調(diào)整高斯參考帶寬S和分布密度估計(jì)值。
4. 根據(jù)權(quán)利要求3所述的基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，其特征在于 步驟⑶具體為： 1)模糊化 為簡化起見，將輸入樣本和輸出樣本的分布密度f(Ui)和f(yi)分別用#和g1進(jìn)行 表不；首先，將輸入樣本的分布密度f1，輸出樣本的分布密度g1和模糊密度權(quán)X歸一化 到區(qū)間[〇，1]上，輸入樣本分布密度的模糊化可利用方差取值為而均值取值于區(qū)間 [西]上的主級(jí)高斯模糊函數(shù)進(jìn)行描述，其具體表達(dá)式如下：
由上式可知，其模糊隸屬度實(shí)質(zhì)上是一個(gè)有界區(qū)間(/丨;）=[仏~, (/丨')，#?.= , (.〇)]其上 ,' ' ? 界和下界可進(jìn)一步表達(dá)如下： I
厶 類似于上述方法，可將輸出樣本的分布密度和Type-2模糊密度權(quán)Ai進(jìn)行模糊化操 作； 2) 模糊規(guī)則和模糊推理機(jī) 模糊推理機(jī)的第1條模糊規(guī)則可表述如下： Rule 1:IF f1 isBn,AND g1 isBl2 THEN 入1is(),，1 = 1，…，r 其中或pk= 1，…，Kr和A分別為模糊推理系統(tǒng)的規(guī)則前件和規(guī)則后件，兩者均為區(qū) 間Type-2模糊集，r為模糊規(guī)則總數(shù)，對(duì)于模糊推理的過程，在上述模糊規(guī)則的基礎(chǔ)上，可 利用模糊meet操作來實(shí)現(xiàn)，通過模糊推理可得到第1條模糊規(guī)則的輸出為：
再利用最大化操作得到Type-2模糊邏輯系統(tǒng)的模糊輸出為：
KrKr 其中，v為最大化操作，且窄
3) 模糊降維 上述得到的模糊密度權(quán)為區(qū)間Type-2模糊集，進(jìn)一步地，利用中心化操作將其進(jìn)行降 維，得到的模糊密度權(quán)為Type-1模糊集如下：
對(duì)于上式利用Karnik-Mendel迭代方法來進(jìn)行求解； 4) 去模糊化 去模糊化實(shí)現(xiàn)從模糊空間到非模糊空間的映射，將模糊量轉(zhuǎn)化成精確值，采用重心去 模糊化方法，可得到Type-2模糊推理系統(tǒng)最終的輸出結(jié)果：
至此，利用Type-2模糊邏輯系統(tǒng)可得到相應(yīng)樣本的Type-2模糊密度權(quán)入、
5. 根據(jù)權(quán)利要求4所述的基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，其特征在于 步驟⑷和步驟（5)具體為： 在回歸學(xué)習(xí)樣本集中增加樣本的Type-2模糊密度權(quán)A^原學(xué)習(xí)樣本集轉(zhuǎn)化成 {C/,.,兄.名}；!, ,Type-2模糊密度權(quán)支持向量回歸模型的優(yōu)化可轉(zhuǎn)化為對(duì)如下等式的求解：
s.t.Yi=coTij; (Uj) +b+ei，i= 1, 2, ???,N 其中，《為權(quán)向量，b為模型偏差，Y和&分別為正則化參數(shù)和擬合誤差，對(duì)上述線性 方程組求解可得到Type-2模糊密度權(quán)支持向量回歸模型。
6. 根據(jù)權(quán)利要求5所述的基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，其特征在于 步驟（6)具體為：利用Type-2模糊密度權(quán)支持向量回歸模型進(jìn)行場景圖像去噪，其去噪回 歸決策函數(shù)如下：
其中，為拉格朗日乘子，K〇，?）為滿足Mercer條件的核函數(shù)，采用訓(xùn)練好的去噪 回歸決策函數(shù)6'從'廠可用于噪聲場景圖像去噪。
【專利摘要】本發(fā)明公開了一種基于Type-2模糊邏輯系統(tǒng)的場景圖像去噪方法，涉及一般的圖像數(shù)據(jù)處理或產(chǎn)生方法技術(shù)領(lǐng)域。本發(fā)明采用核密度方法分別對(duì)輸入樣本和輸出樣本的分布密度進(jìn)行估計(jì)并將其作為Type-2模糊邏輯系統(tǒng)的輸入，再根據(jù)系統(tǒng)推理得到相應(yīng)樣本的模糊權(quán)重，構(gòu)建區(qū)間Type-2模糊密度權(quán)支持向量回歸模型，并應(yīng)用于場景圖像去噪中，能得到較好的去噪結(jié)果。模糊權(quán)重的設(shè)計(jì)是一種新的基于樣本分布密度的模糊隸屬度設(shè)計(jì)方法，對(duì)支持向量機(jī)的回歸精度具有顯著特征。
【IPC分類】G06T5-00
【公開號(hào)】CN104700374
【申請(qǐng)?zhí)枴緾N201510138342
【發(fā)明人】徐淑瓊, 袁從貴, 朱彩蓮
【申請(qǐng)人】東莞職業(yè)技術(shù)學(xué)院
【公開日】2015年6月10日
【申請(qǐng)日】2015年3月26日