[發明專利]一種基于極限學習機的改進自適應加權平均圖像去噪方法

有效

• 申請號: 201611154268.6
• 申請日: 2016-12-14
• 公開（公告）號: CN106803237B
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 李丹;吳越;李建元;錢智剛;于海龍;劉興田;劉飛黃;劉祥
• 申請（專利權）人: 銀江股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 33216 杭州之江專利事務所(普通合伙)
• 代理人: 張慧英

1.一種基于極限學習機的改進自適應加權平均圖像去噪方法，其特征在于，包括如下步驟：

(1)輸入訓練圖像集和待去噪處理的目標圖像；

(2)利用極限學習機結合像素值和像素的位階邏輯差對訓練圖像集進行訓練得到極限學習機模型；所述的像素的位階邏輯差定義及獲取方法如下：

(i)設圖像I像素(x，y)的像素值為a(x，y)，以(x，y)為中心的(2s+1)*(2s+1)窗口為W，s為正整數，(x+x′，y+y′)為窗口W中不為(x，y)的像素，像素值為a(x+x′，y+y′)；

(ii)a(x，y)與a(x+x′，y+y′)的邏輯差為：

其中，d_x′y′為邏輯差，t為控制邏輯函數形狀的正整數，對t＞1，d_x′y′取值為(-∞，0]；

(iii)采用如下線性變換公式將d_x′y′值轉換到[0，1]區間：

d_x′y′(x，y)＝1+max{log_t|a(x+x′，y+y′)-a(x，y)|，-ε}/ε (2)

其中，ε為控制轉換位置的正整數，t和ε可按實踐經驗選取；

(iv)對所有的d_x′y′值進行升序排列，取K個最小值之和定義為位階邏輯差：

其中，R_K為位階邏輯差，d_k為排序后第k個最小的d_x′y′值；

(3)通過極限學習機模型對目標圖像進行檢測，得到圖像噪聲位置；

(4)采用自適應加權平均算法進行圖像去噪處理：計算非噪聲像素的鄰域加權曲波變換作為噪聲像素窗口的曲波變換，并通過曲波反變換得到重構像素，完成去噪；其中權重采用鄰域重建偏差進行獲取；

(5)輸出去噪處理后的目標圖像，并對去噪效果進行評估。

2.根據權利要求1所述的一種基于極限學習機的改進自適應加權平均圖像去噪方法，其特征在于：所述得到極限學習機模型的方法如下：

1)初始化極限學習機，設X_i＝[X_i1，X_i2，...，X_in]^T∈Rⁿ為第i個輸入樣本，n為輸入節點數；T_i＝[T_i1，T_i2，...，T_im]^T∈R^m為第i個期望輸出，m為輸出層節點，i＝1，2，…，N，N為樣本數；激活函數為g(x)，隱層節點數為L；

2)隨機分配輸入權值w_j和偏置b_j，j＝1，2，…L；

3)計算隱層節點輸出矩陣H，計算方法如下：

3.1)隱層節點輸出表達式為：

其中，β_j為隱層第j個節點的輸出權重，O_i為第i個樣本的輸出；訓練的目標是使得輸出的誤差最小：即存在w_j、X_i、b_j，使得下式(5)成立：

3.2)將式(5)用矩陣形式表示：H·β＝T：

β＝[β₁，β₂，...，β_L]^T，T＝[T₁，T₂，...，T_N]^T (7)

3.3)當w_j和b_j被隨機確定后，隱層輸出矩陣H可被唯一確定；

4)根據H·β＝T得到β＝H⁺T，其中H⁺是H的Moore-Penrose廣義逆矩陣，計算隱層輸出權重β；

5)根據最小化損失函數得到訓練輸出模型：式(5)的目標函數可表示為：

式(8)等價于最小化損失函數：

其中，E為最小損失值，由此得到最優w、β、b作為訓練輸出模型。