[發明專利]一種基于GWO和BEMD優化的自適應PCNN圖像去噪方法

在審

• 申請號: 202110084686.7
• 申請日: 2021-01-21
• 公開（公告）號: CN112785522A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 蘆竹茂;楊虹;趙亞寧;韓鈺;白洋;劉永鑫;孟曉凱;田赟
• 申請（專利權）人: 國網山西省電力公司電力科學研究院
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 南京華恒專利代理事務所(普通合伙) 32335
• 代理人: 宋方園

1.一種基于GWO和BEMD優化的自適應PCNN圖像去噪方法，其特征在于，包括以下步驟：

輸入原始噪聲圖像，通過BEMD分解將原始噪聲圖像自適應地分解成多個頻率不同的二維本征模函數分量和一個殘差函數分量；

利用GWO算法對PCNN參數進行優化，得到優化后的PCNN參數，所述PCNN參數包括指數衰減時間常數α_T，影響圖像恢復的突觸間連接強度因子β_T，決定在迭代計算中僅發布一次條件的固有電壓常數V_T；

對于分解后的二維本征模函數分量和殘差函數分量，用優化后的PCNN參數分別進行去噪處理，輸出去噪后的多個頻率不同的二維本征模分量和殘差函數分量；根據去噪前后的二維本征模分量和殘差函數分量計算灰狼函數適應度，更新搜索灰狼的位置向量，選取函數適應度最大時對應的參數α_T、β_T、V_T作為最優化參數；將使用最優化參數去噪處理后的各分量進行重建得到去噪后圖像。

2.根據權利要求1所述的基于GWO和BEMD優化的自適應PCNN圖像去噪方法，其特征在于，所述去噪處理步驟包括：將分解后的二維本征模函數分量和殘差函數分量作為輸入信號，輸入PCNN的輸入區，通過伽瑪變換增強分量對比度的操作得到信號強度L_ij[n₂]，計算3×3區域PCNN中每個神經元的信號強度L_ij[n₂]，并設置閾值E_ij[n₂]，計算神經元內部狀態信息U_ij[n₂]：

U_ij＝F_ij(1+β_TL_ij)

其中，F_ij為輸入信號，U_ij為輸入信號后神經元內部狀態信息；

將U_ij[n₂]與閾值E_ij[n₂]進行比較，若U_ij[n₂]大于E_ij[n₂]，便對該PCNN的神經元進行激活，激活頻率為

激活神經元后對神經元的信號強度L_ij[n₂]進行形態開運算處理，從而輸出去噪后的多個頻率不同的二維本征模分量和殘差函數分量。

3.根據權利要求1或2所述的基于GWO和BEMD優化的自適應PCNN圖像去噪方法，其特征在于，對原始噪聲圖像BEMD分解的方法為：

二維經驗模態分解將原始噪聲圖像通過滿足終止約束條件：

將噪聲圖像自適應地分解為具有輸入源圖像局部特征的多個頻率由高到低分布的二維本征模函數分量和一個殘差函數分量：

其中h_i(x，y)代表分解的第i個分量，r_m(x，y)是殘差函數。

4.根據權利要求1或2所述的基于GWO和BEMD優化的自適應PCNN圖像去噪方法，其特征在于，在用GWO優化PCNN參數時，經歷探索迭代和避免局部最優后保存最終優化解，灰GWO算法的狩獵過程的初始階段是獵物包圍，模擬獵物包圍過程為：

其中t表示當前迭代，和分別是獵物和灰狼的位置向量，D表示當前灰狼到獵物的距離；將指數衰減時間常數α_T作為定義為獵物位置向量將影響圖像恢復的突觸間連接強度因子β_T作為定義為灰狼參數向量將固有電壓常數V_T作為定義為灰狼到獵物的距離D。

5.根據權利要求1或2所述的基于GWO和BEMD的自適應脈沖耦合神經網絡圖像去噪方法，其特征在于，函數適應度的計算公式為：

其中h是適應度判斷標準，θ是均方誤差值，S是原始噪聲圖像分量，Y是迭代t-1次后去噪的圖像噪聲分量，||S-Y||是矩陣S-Y的p范數(p＝2)，M和N分別是原始噪聲圖像分量的大小和去噪后圖像分量的大小。