[發(fā)明專利]基于改進(jìn)小波閾值函數(shù)的圖像去噪算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110374549.7
• 申請(qǐng)日: 2021-04-07
• 公開(kāi)（公告）號(hào): CN112991224A
• 公開(kāi)（公告）日: 2021-06-18
• 發(fā)明（設(shè)計(jì)）人: 李杰;巨展宇
• 申請(qǐng)（專利權(quán)）人: 李杰
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06T5/10;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，具體包括以下步驟：

S1、將待去噪的圖像信號(hào)進(jìn)行小波基分解，得到分解層數(shù)，同時(shí)將待去噪的圖像信號(hào)進(jìn)行灰度值平均測(cè)算，得到源圖像信號(hào)平均灰度值；

S2、對(duì)分解層內(nèi)的多層小波信號(hào)進(jìn)行去噪處理，通過(guò)小波閾值函數(shù)對(duì)分解層內(nèi)圖像信號(hào)的小波信號(hào)閾值進(jìn)行因子修正調(diào)節(jié)；

S3、通過(guò)小波閾值保留大尺度低分辨率下的全部小波系數(shù)，對(duì)于各尺度高分辨率下的小波系數(shù)設(shè)定閾值；

S4、得到修整后的小波系數(shù)，對(duì)修整后的小波系數(shù)進(jìn)行小波重構(gòu)，得到優(yōu)化后的最佳去噪后的圖像；

S5、對(duì)去噪后的圖像進(jìn)行插值對(duì)比，判斷最終優(yōu)化效果，處理圖像不滿足時(shí)將降噪閾值發(fā)送至閾值模型進(jìn)行再次判斷，重復(fù)優(yōu)化閾值后，輸出降噪圖像，當(dāng)滿足優(yōu)化效果后，輸出降噪后的圖像。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，所述S2中小波閾值模型通過(guò)神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對(duì)閾值的調(diào)節(jié)計(jì)算，具體包括在隱藏層神經(jīng)元內(nèi)輸入對(duì)應(yīng)的小波函數(shù)因子，并通過(guò)輸入層神經(jīng)元內(nèi)去噪數(shù)字圖像的輸入得到輸出向量的優(yōu)化數(shù)字圖像，并通過(guò)數(shù)字圖像的優(yōu)化數(shù)值對(duì)比通過(guò)BP算法反向推導(dǎo)閾值公式權(quán)重因子，得到閾值的最優(yōu)解。

3.根據(jù)權(quán)利要求2所述的一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，還包括神經(jīng)網(wǎng)絡(luò)算法模型的構(gòu)件方法：具體包括以下步驟：

S1、選取待去噪的圖像信號(hào)作為訓(xùn)練集和驗(yàn)證集，通過(guò)訓(xùn)練集作為輸入向量進(jìn)行模型訓(xùn)練學(xué)習(xí)，并通過(guò)驗(yàn)證集對(duì)輸出向量以及隱藏層數(shù)據(jù)進(jìn)行判斷，以確定學(xué)習(xí)成果避免閾值訓(xùn)練過(guò)擬合；

S2、確定神經(jīng)神經(jīng)網(wǎng)絡(luò)輸入向量和輸出向量，將訓(xùn)練集圖像信號(hào)作為輸入向量，將閾值插值函數(shù)作為隱藏層輸入，將優(yōu)化后的圖像作為輸出向量；

S3、根據(jù)輸出向量確定所述神經(jīng)網(wǎng)絡(luò)神經(jīng)元維數(shù)，并確定神經(jīng)網(wǎng)絡(luò)神經(jīng)元輸出層個(gè)數(shù)，判斷隱藏層個(gè)數(shù)；

S4、通過(guò)將訓(xùn)練集持續(xù)對(duì)輸出向量的圖像作為權(quán)重判斷，判斷驗(yàn)證集與訓(xùn)練集的相對(duì)差異，當(dāng)優(yōu)化函數(shù)不符合標(biāo)準(zhǔn)時(shí)，根據(jù)權(quán)重判斷賦值對(duì)隱藏層輸入進(jìn)行調(diào)整優(yōu)化，持續(xù)循環(huán)后，算法模型獲得最優(yōu)的閾值插值函數(shù)。

4.根據(jù)權(quán)利要求3所述的一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，所述S1中神經(jīng)網(wǎng)絡(luò)模型算法的待去噪數(shù)字圖像信號(hào)的訓(xùn)練集和驗(yàn)證集的比為3：1。

5.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，所述S3中幅值低于該閾值的小波系數(shù)數(shù)值為0時(shí)，高于該閾值的小波系數(shù)完整保留或相應(yīng)收縮。

6.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，所述S5中插值對(duì)比包括對(duì)優(yōu)化后圖像進(jìn)行灰度處理，并通過(guò)平均灰度系數(shù)，判斷邊緣平滑度以及等效視數(shù)，通過(guò)邊緣平滑度判斷高頻信息的丟失，并通過(guò)等效視數(shù)判斷圖像噪聲水平。

7.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)小波閾值函數(shù)的圖像去噪算法，其特征在于，所述S1中分解層數(shù)為3-5層，并在分解后對(duì)圖像f(1,2,3,...)進(jìn)行多尺度小波變換，確定水平細(xì)節(jié)系數(shù)Rk，垂直細(xì)節(jié)系數(shù)Nk以及對(duì)角細(xì)節(jié)系數(shù)Dk，并通過(guò)閾值對(duì)系數(shù)進(jìn)行優(yōu)化。