基于神经模糊系统和边缘检测的图像滤波方法
【专利摘要】本发明涉及基于神经模糊系统和边缘检测的图像滤波方法，对于被椒盐脉冲噪声污染的图像，该方法将中值滤波器，边缘检测器和一个自适应神经模糊推理系统相结合，在使用该系统对噪声图像进行滤波前，首先人工构造一个训练图像，使用混合学习算法对该系统进行训练，确定系统中的参数；然后用优化后的系统对被椒盐脉冲噪声污染的图像进行噪声滤波。本发明的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声，并能较好的保留原有图像中的边缘和细节，其滤波性能优于一些传统的图像滤波方法。
【专利说明】基于神经模糊系统和边缘检测的图像滤波方法
【技术领域】
[0001]本发明涉及基于神经模糊系统和边缘检测的图像滤波方法，属于图像处理【技术领域】，具体涉及一种椒盐脉冲噪声图像滤波方法。
【背景技术】
[0002]数字图像在其获取、传输过程中因种种原因可能导致在正常的图像数据中混入噪声信号。这些噪声信号降低了数字图像的质量，也影响了后续应用的开发。为解决这一问题，相关领域研究人员已提出了许多图像去噪的方法。
[0003]图像中一般既有较为平滑的区域，也有丰富的细节或边缘，这些细节或边缘通常包含重要的视觉感知信息。因此，图像滤波的目的除了去除噪声外，还要尽可能地保留细节或边缘等信息。在针对被脉冲噪声污染的图像滤波技术中，非线性滤波的效果要优于线性滤波，因为线性滤波会造成图像的细节和边缘模糊，影响图像的视觉效果。标准中值滤波器(standard median filter, SMF)方法是一种经典的非线性滤波方法,它用预先定义的滤波窗口中所有像素的灰度值的中值来替换该窗口中心点像素的灰度值。为进一步提高SMF的滤波性能，0.Yl1-Harja等提出了加权中值滤波器(weighted median filter, WMF), S.J.Ko等提出了中心加权中值滤波器(center weighted median filter, CWMF),这两类滤波器给予滤波操作窗口内特定的像素更多的权值。
[0004]以上这三种滤波器对于噪声图像中所有的像素都采用相同的滤波处理，这就在滤波的同时不可避免地破坏未被噪声污染的像素。在实际应用中，我们希望滤波算法仅对噪声像素进行滤波，而对非噪声像素则保持不变。因此，在滤波前，可采用一个脉冲噪声检测器，把图像中的噪声像素和非噪声像素区分开来。如果一个像素被检测出是噪声像素，它将被中值滤波器的输出替代；反之，该像素保持不变。根据采用不同的脉冲噪声检测方法，Z.Shuqun 等提出了 edge-detecting median filter (EDMF)方法，C.Tao 等提出了 mult1-state median filter (MSMF)方法，E.Abreu 等提出了 signal-dependentrand-ordered mean filter (SDROMF)方法，Z.Wang 等提出 了 progressive switchingmedian filter(PSMF)方法。
[0005]当图像被噪声污染后，使得滤波器很难精确地区分细节或边缘与噪声之间的区另O，并且在滤波过程中会不可避免地出现信息的不确定性和不完整性，而模糊理论正好能适应这些非确定性，因此在图像滤波过程中应用模糊理论可以取得较好的噪声去除效果。F.Russo等正是利用了模糊系统理论,提出了 fuzzy filter (FF)方法,应用在图像滤波中。人工神经网络算法与传统算法相比表现出很大的优越性，人工神经网络具有高度并行处理能力，具有自学习、自组织能力，能够根据学习样本找出输入与输出数据之间的内在联系，具有非线性映射功能，特别适合图像处理中许多非线性问题。近年来，神经模糊理论综合了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，逐渐应用在灰度图像的滤波中。
【发明内容】
[0006]要解决的技术问题
[0007]本发明所要解决的问题是，提出基于神经模糊系统和边缘检测的图像滤波方法，是一种能够去除椒盐脉冲噪声的图像滤波方法。
[0008]技术方案
[0009]本发明的技术特征在于，包括以下步骤:
[0010]步骤一:将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数；
[0011]步骤二:当滤波器训练完毕，就可对测试图像进行滤波。
[0012]所述步骤一进一步包括以下步骤:
[0013]步骤A:滤波器中的ANFIS有三个输入，一个输出，在使用滤波器对噪声图像进行滤波前，需对ANFIS进行训练，确定ANFIS中的参数。人工构造一个图像作为滤波器的期望输出图像，在该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为ANFIS的输入图像；
[0014]步骤B:以输入的训练图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入的训练图像中所有像素；
[0015]步骤C:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出；
[0016]步骤D:选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素灰度值的系统实际输出；
[0017]步骤E:根据输入的训练图像中所有像素灰度值的系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值；
[0018]步骤F:当代价函数值小于预先设定的阈值时，则系统训练结束；否则，使用混合学习算法对系统中的参数进行优化，然后重复以上步骤，进行下一次迭代训练。
[0019]所述步骤二进一步包括以下步骤:
[0020]步骤A:将需滤波的测试图像作为滤波器的输入图像，以输入图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入图像中所有像素；
[0021]步骤B:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出，该输出即为与输入图像当前操作像素相对应的滤波后图像像素的灰度值；
[0022]步骤C:选取输入图像中下一个像素作为当前操作像素，重复步骤B，当输入图像中所有像素经过系统都得到输出后，就能得到一个输出图像，该输出图像即为滤波后图像。
[0023]有益效果
[0024]本发明的脉冲噪声滤波方法能有效地滤除图像中的椒盐脉冲噪声。对于被脉冲噪声污染的图像，本发明所提出的滤波方法，综合利用了模糊理论模拟滤波过程中的不确定性的能力和人工神经网络强大的学习能力，将中值滤波、边缘检测和输入图像本身三方面的信息结合起来，在有效去除图像中椒盐脉冲噪声的同时，能够较好的保留原有图像中的边缘和细节，保留了原有图像中重要的视觉感知信息，从而使得后续的图像分割、特征提取和图像识别等任务更能有效地进行。
【专利附图】
【附图说明】
[0025]图1是脉冲噪声滤波器结构图
[0026]图2是用于噪声滤波的ANFIS训练优化过程图
[0027]图3是用于噪声滤波的人工训练图像
[0028]图4是操作窗口大小的选择
[0029]图5是边缘检测器结构图
[0030]图6是四个数据提取块所对应的拓扑结构
[0031]图7是用于边缘检测的ANFIS训练优化过程图
[0032]图8是用于边缘检测的人工训练图像
[0033]图9是Baboon测试图像
[0034]图10是用不同方法对受不同强度椒盐脉冲噪声污染的Baboon图去噪后的平均峰值信噪比(PSNR)比较曲线
[0035]图11是对被40%椒盐脉冲噪声污染的Baboon图像使用不同方法滤波后得到的结果图
【具体实施方式】
[0036]下面结合图1至图11对本发明作进一步的详细描述。
[0037]步骤一:将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数；
[0038]具体步骤如下:
[0039]步骤A:滤波器中的ANFIS有三个输入，一个输出，在使用滤波器对噪声图像进行滤波前，需对ANFIS进行训练，确定ANFIS中的参数。人工构造一个图像作为滤波器的期望输出图像，在该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为ANFIS的输入图像；
[0040]图1是所提出的脉冲噪声滤波器结构图。新滤波器将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合。该ANFIS是一个三输入单输出一阶Sugeno模糊推理系统。在使用滤波器对测试图像进行滤波前，需对ANFIS进行训练，确定前提参数和结论参数的值。图2是ANFIS训练优化过程图，其中的训练图像可通过计算机人工构造得到。图3(a)是人工构造的原始图像，也是图2中ANFIS的期望输出的训练图像。该图像大小为128 X 128，是由1024个4X 4色块组成，每个色块中的16个像素具有相同的灰度值，不同色块的灰度值各不相同，遍取O到255中的所有值，不同灰度值的色块在图像中的位置是随机的。图3(b)是图2中的输入的训练图像，是在图3(a)原始图像上添加30%的椒盐脉冲噪声得到的噪声图像。
[0041]步骤B:以输入的训练图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入的训练图像中所有像素；
[0042]步骤C:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出；[0043]根据输入图像可得到相对应的中值滤波图像。以输入图像中每个像素依次作为当前操作像素，以该像素为中心，确定中值滤波窗口，窗口内所有像素灰度值的中值即为当前操作像素滤波后的输出。在中值滤波过程中，需确定滤波窗口的大小。通过对中值滤波器的性能分析可知，中值的选取受滤波窗口尺寸的影响较大，它在抑制图像噪声和保护细节两方面存在一定的矛盾:若选取的滤波窗口较小，则有利于保护图像中某些细节，但会限制滤噪能力；反之，若选取的滤波窗口较大，则可加强抑噪能力，但对细节的保护能力会减弱。这种矛盾在图像中噪声干扰较大时表现得尤为明显。在本发明中，通过仿真实验证明，根据脉冲噪声图像噪声强度的大小不同，采用图4中方法确定操作窗口大小，实验结果为最好。
[0044]根据输入图像可得到相对应的边缘检测图像。近年来，学者们已经提出了许多经典的边缘检测算法，例如Robert算子、Prewitt算子、Sobel算子、Laplacian ofGaussian (LOG)算子和Canny算子等。这些经典的算法在一定程度上能有效地提取出图像中的边缘，但边缘检测的结果受噪声的影响比较大。因此，采用这些经典算法进行图像边缘检测前，一般需进行图像滤波预处理。这样，不可避免地提高了算法的复杂度，并且边缘检测的最终结果受滤波影响较大。本发明中要处理的是受脉冲噪声污染的图像，因此在滤波器的构造中，这些容易受噪声影响的算法不适合作为系统中的边缘检测器。
[0045]在本发明中，我们采用图5所示的基于自适应神经模糊推理系统的图像边缘检测器。该检测器包含四个ANFIS和一个后处理块，每个ANFIS都是一个四输入单输出一阶Sugeno模糊推理系统。 每个ANFIS对应一个数据提取块，每个数据提取块为相应的ANFIS提供四个输入。对于输入图像中每个像素，操作数据提取的具体步骤如下:
[0046](I)如图6所示，以当前操作像素p2为中心，得到一个3X3滤波窗口，依照水平、垂直、左对角线和右对角线这四种不同的拓扑结构得到像素灰度值Pl、P2和P3 ;
[0047](2)仍以当前操作像素P2为中心，另外得到一个预先定义的中值提取操作窗口，由该窗口内所有像素点的灰度值，得到中值m，中值提取操作窗口大小的确定如图4所示；
[0048](3)令每个ANFIS的四个输入Xl、x2、X3和X4分别为:
[0049]
X1= P1-m
xi=P2—m
?(I)
X3= P3-mX4
[0050]图5中四个ANFIS的内部结构都相同，都是一个四输入单输出一阶Sugeno模糊推理系统。对于输入图像中的当前操作像素，每个数据提取块为相应的ANFIS提供四个输入χι、χ2、χ3和x4。对于每个输入，分别定义三个广义钟型隶属函数，则每个ANFIS包含81 (即34)条规则。每个ANFIS可得到一个输出，四个ANFIS可得到四个输出，记为Yk(k= 1,2,3,4)，这四个输出即为后处理块的输入。后处理块按式(2)对这四个输入取平均值，记为YA。再按式(3)，将Ya与一个阈值相比较，求得边缘检测器的最终输出YF。其中的阈值是像素灰度值的最小值与最大值之间的中间值，本文中，对于一个8位灰度图像，该值设定为128。最终输出Yf的值为O表示当前操作像素是边缘像素，显示为黑色，Yf的值为255表示当前操
作像素不是边缘像素，显示为白色。
[0051]
【权利要求】
1.基于神经模糊系统和边缘检测的图像滤波方法，其特征在于，包括以下步骤: 步骤一:将中值滤波器，边缘检测器和一个自适应神经模糊推理系统(ANFIS)相结合构成一个滤波器，在使用该滤波器对噪声图像进行滤波前，人工构造一个训练图像，使用混合学习算法对该滤波器进行训练，确定系统中的参数； 步骤二:当滤波器训练完毕，就可对测试图像进行滤波。
2.根据权利要求1所述的基于边缘检测的图像滤波方法，其特征在于，步骤一进一步包括以下步骤: 步骤A:滤波器中的ANFIS有三个输入，一个输出，在使用滤波器对噪声图像进行滤波前，需对ANFIS进行训练，确定ANFIS中的参数。人工构造一个图像作为滤波器的期望输出图像，在该图像上添加30%的椒盐脉冲噪声得到噪声图像，作为ANFIS的输入图像； 步骤B:以输入的训练图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入的训练图像中所有像素； 步骤C:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出； 步骤D:选取输入的训练图像中下一个像素作为当前操作像素，重复步骤C，通过这样的方式可得到输入的训练图像中所有像素灰度值的系统实际输出； 步骤E:根据输入的训练图像中所有像素灰度值的系统实际输出和由期望输出的训练图像得到的期望输出的差值，得到代价函数值； 步骤F:当代价函数值小于预先设定的阈值时，则系统训练结束；否则，使用混合学习算法对系统中的参数进行优化，然后重复以上步骤，进行下一次迭代训练。
3.根据权利要求1所述的基于边缘检测的图像滤波方法，其特征在于，步骤二进一步包括以下步骤: 步骤A:将需滤波的测试图像作为滤波器的输入图像，以输入图像中左上角的像素(该像素即为当前操作像素)开始，在图像上以从上到下，从左至右的方式，遍取输入图像中所有像素； 步骤B:对于当前操作像素，将中值滤波结果、边缘检测结果和当前操作像素本身作为系统的三个输入，由系统的三个输入可得到系统的一个实际输出，该输出即为与输入图像当前操作像素相对应的滤波后图像像素的灰度值； 步骤C:选取输入图像中下一个像素作为当前操作像素，重复步骤B，当输入图像中所有像素经过系统都得到输出后，就能得到一个输出图像，该输出图像即为滤波后图像。
【文档编号】G06N3/08GK103927723SQ201410160748
【公开日】2014年7月16日 申请日期:2014年4月18日 优先权日:2014年4月18日
【发明者】费赓柢, 李岳阳, 罗海驰 申请人:江南大学