基于前馈神经网络的图像去噪研究

第１２卷第１４期２０１２年５月　科学技术与工程　Ｖｏ１．１２　Ｎｏ．１４　Ｍａｙ　２０１２　１６７１—１８１５（２ｏ１２）１４—３５０３－０３　Ｓｃｉｅｎｃｅ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ　＠２０１２　Ｓｃｉ。Ｔｅｃｈ．Ｅｎｇｒｇ．　基于前馈神经网络的图像去噪研究　马金发　（沈阳理工大学，沈阳１１０１５９）　摘要提出一种检测和去除污染图像脉冲噪声的有效算法，采用前馈神经网络（ＦＦＮＮ）检测污染图像脉冲噪声，采用改进　的算术均值滤波器去除测出的脉冲噪声。该算法仅对检测到的噪声像素进行滤波，采用窗口中未污染像素的算术平均值去　除噪声。实验结果表明，该算法无论在图像质量的定性还是在定量评价方面均获得了良好效果。　关键词　前馈神经网络　脉冲噪声检测器　脉冲噪声去除　ＲＯＡＤ　中图法分类号ＴＰ３９１．４１；　文献标志码Ａ　大多数图像处理算法的性能取决于去除图像　噪声的滤波器，如特征提取、图像识别等。图像经　１脉冲噪声检测器　常会受到噪声传感器或噪声信道的脉冲噪声污染。　文中研究的图像噪声去除算法由脉冲检测器、　脉冲噪声去除算法的主要目标是去除噪声而不影　噪声滤波器和切换滤波器操作的开关组成。每当　响图像的细节。国内外学者已经提出了大量脉冲　检测器检测到噪声像素，滤波器仅对特定的噪声像　噪声去除算法，例如标准中值滤波、加权中值滤波、　素过滤。噪声模型由式（１）给出。　自适应中值滤波和开关中值滤波等＿】　］。开关中值　（　）：Ｊ＿Ｉ（ｎ），概率　一ｐ　（１）　滤波由一个脉冲检测器和一个标准的中值滤波器　ＬＧ（ｎ），　概率Ｐ　组成。它仅对检测器检测到的污染像素进行过滤，　式（１）中：，（　）为原始非污染图像；Ｇ（ｎ）为固　保留了未污染像素。文献［３］提出一种基于绝对差　定值脉冲噪声；Ｘ（　）为污染图像；Ｆｔ表示向量（ｉ，　秩序（ＲＯＡＤ　Ｒａｎｋ－Ｏｒｄｅｒｅｄ　Ａｂｓｏｌｕｔｅ　Ｄｉｆｆｅｒｅｎｃｅｓ）统　．　），即图像像素的坐标。　计量的脉冲噪声检测和滤波器。ＲＯＡＤ值很大的像　脉冲噪声检测器由一个ＦＦＮＮ和决策开关组　素判定为噪声像素，这一算法能很好地区分边缘和　成。ＦＦＮＮ需要三个输入：当前像素值、中值和３　ｘ　３　噪声像素，其识别率仍有待提高。　窗口的ＲＯＡＤ值，当前像素为窗口的中心像素。由　由于神经网络（ＮＮ）具有良好的并行计算、非　于ＲＯＡＤ值已被证明是良好的噪声检测器，因此将　线性映射和自适应能力等优点，近年来在图像处　其作为ＦＦＮＮ的一个输入，正是由于这个ＲＯＡＤ值　理，如特征提取、去噪、分割和图像识别等领域得到　的输入，脉冲噪声检测器表现出良好的性能。神经　了广泛应用　Ｊ。在各种神经网络中，ＦＦＮＮ（Ｆｅｅｄ　网络的输出传给决策开关，将其转换为０或１，用于　Ｆｏｒｗａｒｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ）网络是一种多层前馈网　分类像素是否遭污染。　络，能够逼近任意的非线性映射关系，而且具有很　１．１中值滤波器　好的泛化能力．文中提出一种基于ＦＦＮＮ的脉冲检　采用标准中值滤波器，窗口大小取Ｎ＝３，表达　测器，有三个输入：当前像素值、中值和ＲＯＡＤ值。　式为　采用一种改进的均值滤波器去除检测出的噪声。　Ｍ（ｎ）＝Ｍｅｄ（　）　（２）　式（２）中：／ｔ＇＝（ｉ，　）为当前像素位置；　表示３×３　２０１２年２月２２日收到，２月２７日修改　窗口，　＝｛Ｘ（ｎ＋ｂ）：一１≤ｂ≤１｝，　（／Ｚ）为污染图　作者简介：马金发，男，沈阳理工大学高级工程师。研究方向：计算　像的像素值，　由３×３窗口中的元素组成。　机软件。Ｅ—ｍａｉｌ：ｊｉｎｆａｍａ２００８＠ｙａｈｏｏ．ｃｎ。　ＦＦＮＮ将当前像素邻域窗口的中值作为第一个　科学技术与工程　１２卷　输入。　１．２　ＲＯＡＤ值　ＲＯＡＤ值是区分污染像素非常有效的判据，污　染像素的ＲＯＡＤ值很大，而未污染像素的ＲＯＡＤ值　很小　Ｊ。文中采用相同的３×３窗口计算ＲＯＡＤ　值，步骤如下：　（１）计算中心像素和其余像素之问差分的绝对　值，记为ＪＤ　（对于３×３窗口包含８个元素）。　Ｄ　＝ｌ　一　Ｉ。　（２）以升序对Ｄ　中的值排序，记为　。　Ｒ　＝ｓｏｒｔ（Ｄ　）。　（３）计算ＲＯＡＤ值，即对Ｒ　的前四个值求和。　使用每个像素的３×３窗口计算其ＲＯＡＤ值，作　为ＦＦＮＮ的第二个输入。　１．３前馈神经网络　文中ＦＦＮＮ为一种３－５—３—１结构的四层神经网　络，即由一个输入层、两个隐层和一个输出层构成。　输入层由三个输入节点构成，即：当前像素值、中值　和ＲＯＡＤ值；两个隐层分别含有５个和３个隐层神　经元；输出层仅有一个输出节点，输出值传至决策　开关用以分类像素是否被污染。目前还没有选择　层数和神经元数的数量分析方法，因此，只能在试　验的基础上确定。　１．４训练数据的生成　为确保噪声检测器的效果，训练图像的选取至　关重要，训练图像和目标图像如图１所示。图１的　放大倍数为６３％。　豳■■　（ａ）基本训练图像　（ｂ）加噪图像　（ｃ）目标图像　图１训练图像集　图１（ａ）是尺寸为１２８×１２８像素的基本训练图　像，包括每个大小为４×４像素的图像块。图像块内　的所有像素都具有相同的，在［０，２５５］中随机选取　的灰度值。图１（ｂ）是通过对图１（ａ）实施３０％脉冲　噪声污染后获得的图像。图１（Ｃ）由标记表示噪声　的白点组成，作为该检测器的目标图像。由于该训　练图像灰度值的随机性，经这个训练集训练后的网　络对所有图像都获得了良好的性能。用图１（ｂ）计　算得到的中值和ＲＯＡＤ值作为ＦＦＮＮ的输入。每个　像素值均为Ｅｏ，２５５］中的８位灰度值。每个输入规　格化到［０，１］，然后应用到神经网络，包括目标值。　使用反向传播算法对ＦＦＮＮ进行训练。　１．５决策开关　决策开关只需将神经网络的输出以阈值０．５对　其４舍５人即可。如果输出的ＦＦＮＮ＜０．５，Ｙ（ｎ）＝　０，否则Ｙ（　）＝１。如果当前像素是噪声像素决策开　关的值为１，反之为０，训练时不使用此决策开关。　２脉冲噪声滤波器　滤波性能取决于噪声检测器，检测器发现噪声　像素时，使用文中的滤波器单独对该像素进行滤　波，而所有其他未污染像素保持不变。文中采用自　适应均值滤波器，如果没有找到窗口内的未污染像　素则增加处理窗口的大小。该滤波器是改进的简　单算术平均滤波器，算法如下（假设污染图像中的　每个像素都使用ＦＦＮＮ和决策开关分类为噪声或未　污染像素）：　（１）选择初始窗口大小为Ｎ＝３，使用检测器统计　未污染的像素数，记为Ｋ，如果　＞０执行步骤（４）。　（２）增加窗口大小，Ｎ＝Ｎ＋２。　（３）计算Ｋ，如果Ｋ＝０执行步骤（２）。　（４）在选定窗口内计算这“Ｋ”个未污染像素的　平均值。　（５）用步骤（４）求得的平均值替换当前像素值。　由于仅采用未被噪声污染像素的平均值对噪　声像素过滤，避免了图像的二次污染，改进后的均　值滤波器获得了更好的性能。　３实验结果　采用ＰＳＮＲ值（峰值信噪比）定量评估算法的性　能，选取４幅图像进行测试，均为被３０％噪声污染　的图像，尺寸均为２５６×２５６，ＰＳＮＲ值为１０次的平　均值。表１为文中算法与标准中值滤波（ＭＦ）、　ＤＯＣ　、ＮＤＭＦ　Ｅ２　和ＰＣＮＮ　Ｅ　的定量性能比较。