本发明涉及图像处理技术领域，特别是涉及一种基于遗传算法的小波图像去噪方法、装置、计算机设备和计算机可读存储介质。
背景技术：
图像信息以其信息量大、传输速度快、作用距离远等优点成为人类获取信息的重要来源及获取信息的重要手段，但在现实中的图像往往带有噪音。图像噪音是在图像采集及传输过程中产生的不必要的或干扰的信息，例如在图像采集过程中，成像传感器的性能受环境条件以及本身质量的影响会在图像的成像过程中产生噪声；在图像传输过程中，由于传输通道的干扰，也会在在图像中引入噪声。图像噪声会严重影响图像的质量以及图像的后期处理，因此，图像去噪技术是图像处理领域重要组成部分。
目前，小波阈值收缩是应用最广泛的图像去噪方法之一，其中小波阈值是将小于阈值的系数设为零，保留较大的系数，用于估算原始小波系数。因此，在小波阈值收缩中选择合适的去噪阈值就显得尤为重要；若去噪阈值太小，去噪后的信号中会有一些残留噪声，若去噪阈值太大，则可能会过滤掉图像特征，造成图像偏差。现阶段通常采用尺度间相关性或基于stein的无偏风险估计的阈值选择方法来选择去噪阈值，然而这两种方法都不能自适应地选择优化去噪阈值，从而导致去噪效果差。
技术实现要素：
基于此，有必要针对现有去噪阈值选择方法无法自适应地选择优化去噪阈值，从而导致去噪效果差的问题，提供一种基于遗传算法的小波图像去噪方法、装置、计算机设备和计算机可读存储介质。
一种基于遗传算法的小波图像去噪方法，包括以下步骤：
获取待处理图像和图像去噪模型，所述图像去噪模型为基于改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练而得到的；其中所述改进的小波阈值去噪算法为采用遗传算法来确定小波阈值得到的；
根据所述图像去噪模型对所述待处理图像进行去噪处理。
上述基于遗传算法的小波图像去噪方法，在对图像进行去噪时首先获取图像去噪模型，其中图像去噪模型的建立过程为利用改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练确定小波阈值，从而得到图像去噪模型，其中在确定小波阈值过程中采用遗传算法，最后将待处理图像输入图像去噪模型中，就可以完成对图像的去噪处理。上述的基于遗传算法的小波图像去噪方法中在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
在其中一个实施例中，采用遗传算法来确定小波阈值的步骤包括：
获取预设的初始阈值；
以所述预设的初始阈值为基点，在预设的定义域内随机生成预设数量的数值，并根据所述预设数量的数值生产初始种群，其中初始种群中每一个数值对应于一个阈值个体；
计算每一个阈值个体的适应度值，并根据适应度值和所有适应度值的和值计算每一个阈值个体的适应度比值；
根据阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群；
根据预设的变异率对更新后的初始种群中的阈值个体进行变异，并计算变异后的阈值个体的适应度值；
重复更新初始种群，直至变异后的阈值个体的适应度值达最大值或初始种群的更新次数大于预设的迭代次数，获得最优适应度值；
根据所述最优适应度值确定所述小波阈值。
在其中一个实施例中，计算每一个阈值个体的适应度值的步骤中，包括：采用以下的适应度函数计算每一个阈值个体的适应度值；
其中，f表示阈值个体x的适应度值，m表示所述噪音图像转化成图像矩阵的行数、n表示所述噪音图像转化成图像矩阵的列数；x(i,j)表示所述噪音图像在第i行第j列的灰度值，
在其中一个实施例中，在根据阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群的步骤中，包括：
选取所述适应度比值大于所述预设比值的阈值个体，更新初始种群。
在其中一个实施例中，根据预设的变异率对更新后的所述初始种群中的所述阈值个体进行变异的步骤中，包括：
根据预设的变异率从更新后的初始种群中选取相应数量的阈值个体；
对选取出的阈值个体加上预设数值，形成变异后的阈值个体。
在其中一个实施例中，根据所述图像去噪模型对所述待处理图像进行去噪处理的步骤中，包括：
采用软阈值函数来对所述待处理图像进行去噪处理。
一种基于遗传算法的小波图像去噪装置，包括：
信息获取模块，用于获取待处理图像和图像去噪模型，所述图像去噪模型为基于改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练而得到的；其中所述改进的小波阈值去噪算法为采用遗传算法来确定小波阈值得到的；
图像去噪模块，用于根据所述图像去噪模型对所述待处理图像进行去噪处理。
上述的去噪装置，由于采用了上述的基于遗传算法的小波图像去噪方法，如此也具有基于遗传算法的小波图像去噪方法相同的有益效果，即在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
在其中一个实施例中，还包括：
初始阈值获取模块，用于获取预设的初始阈值；
初始种群生成模块，用于以所述预设的初始阈值为基点，在预设的定义域内随机生成预设数量的数值，并根据所述预设数量的数值生产初始种群，其中初始种群中每一个数值对应于一个阈值个体；
适应度值计算模块，用于计算每一个阈值个体的适应度值；
适应度比值计算模块，用于根据适应度值和所有适应度值的和值计算每一个阈值个体的适应度比值；
初始种群更新模块，用于根据阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群；
阈值个体变异模块，用于根据预设的变异率对更新后的初始种群中的阈值个体进行变异；
适应度值计算模块，还用于计算变异后的阈值个体的适应度值；
最优适应度值获得模块，用于重复更新初始种群，直至变异后的阈值个体的适应度值达最大值或初始种群的更新次数大于预设的迭代次数，获得最优适应度值；
小波阈值确定模块，用于根据所述最优适应度值确定所述小波阈值。
在其中一个实施例中，适应度计算模块，还用于采用以下的适应度函数计算每一个阈值个体的适应度值；
其中，f表示阈值个体x的适应度值，m表示所述噪音图像转化成图像矩阵的行数、n表示所述噪音图像转化成图像矩阵的列数；x(i,j)表示所述噪音图像在第i行第j列的灰度值，
在其中一个实施例中，所述初始种群更新模块，还选取所述适应度比值大于所述预设比值的所述阈值个体，更新所述初始种群。
在其中一个实施例中，所述阈值个体变异模块包括阈值个体选取模块和阈值个体变异获得模块；
所述阈值个体选取模块，用于根据预设的变异率从更新后的初始种群中选取相应数量的阈值个体；
所述阈值个体变异获得模块，用于对选取出的阈值个体加上预设数值，形成变异后的阈值个体。
在其中一个实施例中，所述图像去噪模块，还用于采用软阈值函数来对所述待处理图像进行去噪处理。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述各实施例中的任意一种图像输出方法。
上述的计算机设备，通过所述处理器可以运行上述的基于遗传算法的小波图像去噪方法，如此也具有基于遗传算法的小波图像去噪方法相同的有益效果，即在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述各实施例中的任意一种基于遗传算法的小波图像去噪方法。
上述的计算机可读存储介质，通过其存储的计算机程序可以实现上述的基于遗传算法的小波图像去噪方法，如此也具有基于遗传算法的小波图像去噪方法相同的有益效果，即在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
附图说明
图1为本发明的基于遗传算法的小波图像去噪方法在其中一个实施例中的流程示意图；
图2为本发明的基于遗传算法的小波图像去噪方法中采用遗传算法来确定小波阈值的方法在其中一个实施例中的流程示意图；
图3为本发明的基于遗传算法的小波图像去噪方法中根据图像去噪模型对待处理图像进行去噪处理方法在其中一个实施例中的流程示意图；
图4为对cameraman图像分别采用haar和eahaar小波去噪方法进行图像去噪的psnr图；
图5为对lena图像分别采用haar和eahaar小波去噪方法进行图像去噪的psnr图；
图6为对barbara图像分别采用haar和eahaar小波去噪方法进行图像去噪的psnr图；
图7为对方差σ2＝0.008的cameraman图像使用sym4和easym4小波去噪方法进行去噪处理的图像效果图；
图8为对方差σ2＝0.008的lena图像使用sym4和easym4小波去噪方法进行去噪处理的图像效果图；
图9为对方差σ2＝0.008的easym4图像使用sym4和easym4小波去噪方法进行去噪处理的图像效果图；
图10为本发明的基于遗传算法的小波图像去噪装置在其中一个实施例中的结构示意图；
图11为本发明的计算机设备在一个实施例中的结构示意图。
具体实施方式
下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然，下文所描述的实施例仅用于解释本发明，而非对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图1为本发明的基于遗传算法的小波图像去噪方法在一个实施例中的流程示意图，如图1所示，本发明实施例中的基于遗传算法的小波图像去噪方法，包括以下步骤：
步骤s110，获取待处理图像和图像去噪模型，图像去噪模型为基于改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练而得到的；其中改进的小波阈值去噪算法为采用遗传算法来确定小波阈值得到的；
步骤s120，根据图像去噪模型对待处理图像进行去噪处理。
图像，尤其是医学图像富含重要的信息，是医疗诊断中重要的凭证之一，但在实际过程中图像往往存在噪声，噪声会对图像中的有效信息造成干扰。
小波阈值去噪算法，一种具有良好的统计优化特性的去噪方法，又称为即阈值收缩法。该方法的主要思想是基于图像和噪声在经小波变换后具有不同的统计特性，图像本身的能量对应着幅值较大的小波系数，主要集中在高频；噪声能量则对应着幅值较小的小波系数，并分散在小波变换后的所有系数中。根据该特征，设置一个阈值门限(即小波阈值)，认为大于该阈值的小波系数的主要成份为有用的信号，给予收缩后保留；小于该阈值的小波系数，主要成份为噪声，予以剔除，这样就可以达到去噪的目的。具体为：先对含噪信号f(k)做小波变换，得到一组小波系数wj,k；通过对wj,k进行阈值处理，得到估计系数
目前，常用的小波阈值去噪算法中的小波阈值确定方法包括基于无偏似然估计原理的rigrsure规则、基于visulshrink的sgtwolog规则、基于heursure方法的最优阈值选择和基于极大极小原理的minimax方法等，上述的方法在确定阈值时，都是采用默认阈值方法，确定的阈值往往不是最优阈值，从而导致根据确定的阈值进行图像去噪效果差。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，生成初始种群。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。
因此，在本实施例中采用基于改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练得到图像去噪模型；其中所述改进的小波阈值去噪算法模型为采用遗传算法来确定小波阈值得到的；即图像去噪模型是预先训练完成的，在需要对待检测的图像进去噪处理时，只需提取到或者调用这个模型即可。
上述基于遗传算法的小波图像去噪方法，在对图像进行去噪时首先获取图像去噪模型，其中图像去噪模型的建立过程为利用改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练确定小波阈值，从而得到图像去噪模型，其中在确定小波阈值过程中采用遗传算法，最后将待处理图像输入图像去噪模型中，就可以完成对图像的去噪处理。上述的基于遗传算法的小波图像去噪方法中在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
在其中一个实施例中，如图2所示，采用遗传算法来确定小波阈值的步骤包括：
步骤s111，获取预设的初始阈值；
步骤s112，以预设的初始阈值为基点，在预设的定义域内随机生成预设数量的数值，并根据预设数量的数值生产初始种群，其中初始种群中每一个数值对应于一个阈值个体；
步骤s113，计算每一个阈值个体的适应度值，并根据适应度值和所有适应度值的和值计算每一个阈值个体的适应度比值；
步骤s114，根据阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群；
步骤s115，根据预设的变异率对更新后的初始种群中的阈值个体进行变异，并计算变异后的阈值个体的适应度值；
步骤s116，重复更新初始种群，直至变异后的阈值个体的适应度值达最大值或初始种群的更新次数大于预设的迭代次数，获得最优适应度值；
步骤s117，根据最优适应度值确定小波阈值。
具体地，确定小波阈值过程其实质为遗传算法运行的过程。其中遗传算法具体步骤为：个体编码；初始种群的产生；适应度计算；选择运行；交叉或变异运算，通过这些步骤的循环运算，得到最优值。
个体编码是遗传算法关键步骤，影响随后的进化操作，即用编码数据来表示种群中的个体；在本实施例中，采用十进制编码方式，即用十进制数来表示个体，其中个体是指小波阈值，减少了编码过程的运算与存储。
遗传算法是对群体进行的进化操作，需要有一些表示起始搜索点的初始群体数据，即种群初始化。在本实施例中，结合小波阈值去噪算法的特性，根据预设的初始阈值来构建初始种群，其中所述预设的初始阈值可以为任意数值，用户根据实际问题设置；所述预设的定义域是指实际问题中解的取值范围；所述预设数量为任意正整数，用户可以根据实际需要设置，用于表示初始种群中的所需个体数量。为了便于理解，给出一个详细实施例；假设预设的初始阈值为thr，预设的定义域为[thr-0.2,thr+0.2]，预设数量为10，则可以从区间[thr-0.2,thr+0.2]内选取10个随机数，并根据选取的10个随机数组成初始种群，每一个随机数表示一个阈值个体。在小波阈值去噪中，使用预设的初始阈值(即默认阈值)的算法可以有效地平滑图像，因此根据预设的初始阈值建立初始种群，可以有效提高收敛速度。
遗传算法中以个体适应度的大小来评定各个体的优劣程度，从而决定其遗传机会的大小，其中适应度是根据适应度函数(即目标函数)计算得到的，适应度函数可以根据实际问题选择，即针对不同的问题，选择不同的适应度函数，并以求适应度函数最大值为优化目标。在本实施例，优化目标值用于对图像进行去噪，因此可以采用图像质量相关评价函数作为适应度函数。可选地，可以采用归一化均方误差、修正的均方误差、均方超闽量化误差、峰值信噪比等。
选择运算，又成复制运算，是指把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中，通常要求适应度较高的个体将有更多的机会遗传到下一代群体中。在本实施例中，采用与适应度成正比的概率来确定各个体复制到下一代群体中的数量；首先计算出初始种群中各阈值个体的适应度，并根据各阈值个体的适应度计算出所有适应度的和值；然后根据各阈值个体的适应和所有适应度的和值计算出各阈值个体的适应度比值，即为各阈值个体被遗产到下一代群体中的概率；将各阈值个体的适应度比值与预设比值进行比较，根据比较结果，选择满足条件的阈值个体组成下一代种群，即更新初始种群。另外，所述预设比值为任意百分百数值或者小数，用户可以根据实际需要，即需要选择的阈值个体来设置比值。
在更新初始种群后，需要对更新后的初始种群进行交叉运算或者变异运算，即产生新的阈值个体。在本实施例中，采用变异运算方法来对更新后的初始种群中的阈值个体进行变异运算。所述预设的变异率为任意百分百数值或者小数，用于表示更新后的初始种群中阈值个体的变异率，即按照变异率选择相应数量的阈值个体进行变异处理，从而产生新的阈值个体；其中，所述预设的变异率可以根据用户需要进行设置。在变异完成后，计算变异后的阈值个体的适应度值；再根据变异后的阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群，再对更新后初始种群中的阈值个体进行变异；重复执行这些步骤，直到阈值个体的适应度达最大值或者初始种群的更新次数大于预设的迭代次数，得到最优适应度值。最后根据最优适应度值确定小波阈值。另外，预设的迭代次数是指预先设置的种群更新次数，用户可以根据实际需求进行设置。上述采用遗传算法能得到最优的小波阈值，然后。根据最优的小波阈值对图像进行去噪处理，可以使得大大提高去噪效果。
在其中一个实施例中，计算每一个阈值个体的适应度值的步骤中，包括：采用以下的适应度函数计算每一个阈值个体的适应度值；
其中，f表示阈值个体x的适应度值，m表示噪音图像转化成图像矩阵的行数、n表示噪音图像转化成图像矩阵的列数；x(i,j)表示噪音图像在第i行第j列的灰度值，
具体而言，峰值信噪比表示信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值，通常采用对数分贝单位来表示。图像通常在经过压缩、去噪等处理之后，输出的影像通常都会有某种程度与原始影像不同，为了衡量经过处理后的影像品质，我们通常会参考峰值信噪比值(psnr值)来认定某个处理程序是否令人满意。在本实施例中，采用峰值信噪比函数作为适应度函数，其中q通常可以取255，采用峰值信噪比函数作为适应度函数计算出最优的适应度值，从而根据最优适应度确定小波阈值，最后根据小波阈值对图像进行去噪处理，使得去噪后的图像效果良好。
在其中一个实施例中，在根据阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群的步骤中，包括：
选取适应度比值大于预设比值的阈值个体，更新初始种群。
具体地，在更新初始种群的过程中，选择适应度比值大于预设比值的阈值个体，更新初始种群；即将适应度比值与预设比值作比较，如果大于预设比值，则选择该个体为构成新群体(即更新初始种群)，否则消除该个体。通过这种方法，初始群体中适应度较低的个体仍有可能进入下一代，从而保证种群的多样性，避免将局部最优解作为全局最优解。
在其中一个实施例中，根据预设的变异率对更新后的初始种群中的阈值个体进行变异的步骤中，包括：
根据预设的变异率从更新后的初始种群中选取相应数量的阈值个体；对选取出的阈值个体加上预设数值，形成变异后的阈值个体。
变异算子适合数值数据，所述预设的变异率是指更新后的初始种群中需要变异的阈值个体所占总阈值个体的比例，可以为任意百分数或者小数，用户可以根据实际需求设置。由于进高变异率可以产生更多的新个体，使种群更新速度更快，提高算法收敛速度。在本实施例中，可以选择变异概率pm＝0.3。变异的具体操作是在根据预设的变异率从更新后的初始种群中选取相应数量的阈值个体，对阈值个体上加一个预设数值，形成变异后的阈值个体。所述预设数值可以为任意实数，通常是一个随机数。上述的变异方法不需要转码，减少计算量和存储消耗。
在其中一个实施例中，如图3所示，根据图像去噪模型对待处理图像进行去噪处理的步骤中，包括：
步骤s121，采用软阈值函数来对待处理图像进行去噪处理。
具体而言，在小波阈值去噪中，阈值函数也是影响去噪效果关键因素，阈值函数体现了对高于或低于阈值的小波系数不同的处理策略。软阈值函数是先让小波系数和小波阈值进行比较，然后根据比较的结果再向0进行收缩，软阈值函数在空间大范围内更加接近极小极大准则的理想值，因此采用软阈值函数能提交图像处理效果。
为了进一步说明发明实施例中的基于遗传算法的小波图像去噪方法的有效性，给出一个更加具体的应用实施例。
应用实施例
采用256×256的cameraman，lena和barbara图像作为待处理图像，其中在cameraman，lena和barbara图像中分别添加方差σ2为0.004、0.008、0.012，0.016、0.02的高斯白噪声。然后分别采用以haar、db8、bior2.4、sym4为基本小波，并以默认阈值和本发明实施例中的优化阈值方法进行图像去噪，其结果如表1所示，表1为haar、db8、bior2.4、sym4默认阈值和本发明优化阈值之间psnr值的比较结果，其中haar表示基于基本小波haar的使用默认阈值的方法；eahaar(遗传算法haar)表示基于基本小波haar的使用优化阈值的方法；db8表示基于基本小波db8的使用默认阈值的方法；eadb8(遗传算法db8)表示基于基本小波db8的使用优化阈值的方法；bior2.4表示基于基本小波bior2.4的使用默认阈值的方法；eabior2.4(遗传算法bior2.4)表示基于基本小波bior2.4的使用优化阈值的方法；sym4代表基于基本小波sym4的使用默认阈值的方法；easym4(遗传算法sym4)表示基于基本小波sym4的使用优化阈值的方法。每个优化阈值都是分别通过运行10次eahaar，eadb8，eabior2.4和easym4获得的10个数字的平均值。
表1为默认阈值与优化阈值的小波去噪方法的峰值信噪比(psnr)结果
由表1可知，对于方差σ2为0.004，0.008，0.012，0.016，0.02的高斯白噪声，使用优化阈值方法的平均psnr比使用默认阈值方法分别高6.39％，3.23％，1.97％、1.24％、0.98％。对于所有的σ2，使用eahaar方法的平均psnr比haar高出约3.93％；使用eadb8方法的平均psnr比db8高出约2.67％；使用eabior2.4的方法的平均psnr比bior2.4高出约1.61％；使用easym4方法的平均psnr比sym4高出约3％。cameraman，lena和barbara图像使用haar和eahaar方法的psnr比较分别如图4，图5和图6所示。通过分析图4、图5和图6可以看出，采用本发明实施例中的方法(即通过遗传算法来优化小波阈值)可以有效地提高图像的峰值噪音比(psnr)，特别是对于低噪声方差。图7为对方差σ2＝0.008的cameraman图像使用sym4和easym4小波去噪方法进行去噪处理的图像效果图；图8为对方差σ2＝0.008的lena图像使用sym4和easym4小波去噪方法进行去噪处理的图像效果图；图9为对方差σ2＝0.008的easym4图像使用sym4和easym4小波去噪方法进行去噪处理的图像效果图；根据图7-9可知，采用本发明实施例中的遗传算法，选择优化的小波阈值，根据优化的小波阈值进行图像处理，得到的图像效果更佳。
根据上述本发明的基于遗传算法的小波图像去噪方法，本发明还提供一种基于遗传算法的小波图像去噪装置，下面结合附图及较佳实施例对本发明的基于遗传算法的小波图像去噪装置进行详细说明。
图10为本发明的基于遗传算法的小波图像去噪装置在一个实施例中的结构示意图。如图10所示，该实施例中的基于遗传算法的小波图像去噪装置，包括：
信息获取模块10，用于获取待处理图像和图像去噪模型，图像去噪模型为基于改进的小波阈值去噪算法对训练集中的噪音图像进行学习训练而得到的；其中改进的小波阈值去噪算法模型为采用遗传算法来确定小波阈值得到的；
图像去噪模块20，用于根据图像去噪模型对待处理图像进行去噪处理。
上述的去噪装置，由于采用了上述的基于遗传算法的小波图像去噪方法，如此也具有基于遗传算法的小波图像去噪方法相同的有益效果，即在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
在其中一个实施例中，还包括：
初始阈值获取模块，用于获取预设的初始阈值；
初始种群生成模块，用于以预设的初始阈值为基点，在预设的定义域内随机生成预设数量的数值，并根据预设数量的数值生产初始种群，其中初始种群中每一个数值对应于一个阈值个体；
适应度值计算模块，用于计算每一个阈值个体的适应度值；
适应度比值计算模块，用于根据适应度值和所有适应度值的和值计算每一个阈值个体的适应度比值；
初始种群更新模块，用于根据阈值个体的适应度比值与预设比值的比较结果选择满足条件的阈值个体更新初始种群；
阈值个体变异模块，用于根据预设的变异率对更新后的初始种群中的阈值个体进行变异；
适应度值计算模块，还用于计算变异后的阈值个体的适应度值；
最优适应度值获得模块，用于重复更新初始种群，直至变异后的阈值个体的适应度值达最大值或初始种群的更新次数大于预设的迭代次数，获得最优适应度值；
小波阈值确定模块，用于根据最优适应度值确定小波阈值。
在其中一个实施例中，适应度计算模块，还用于采用以下的适应度函数计算每一个阈值个体的适应度值；
其中，f表示阈值个体x的适应度值，m表示噪音图像转化成图像矩阵的行数、n表示噪音图像转化成图像矩阵的列数；x(i,j)表示噪音图像在第i行第j列的灰度值，
在其中一个实施例中，初始种群更新模块，还用于选取适应度比值大于预设比值的阈值个体，更新初始种群。
在其中一个实施例中，阈值个体变异模块包括阈值个体选取模块和阈值个体变异获得模块；
阈值个体选取模块，用于根据预设的变异率从更新后的初始种群中选取相应数量的阈值个体；
阈值个体变异获得模块，用于对选取出的阈值个体加上预设数值，形成变异后的阈值个体。
在其中一个实施例中，图像去噪模块，还用于采用软阈值函数来对待处理图像进行去噪处理。
上述基于遗传算法的小波图像去噪装置可执行本发明实施例所提供的基于遗传算法的小波图像去噪方法，具备执行方法相应的功能模块和有益效果。至于其中各个功能模块所执行的处理方法，例如信息获取模块10、图像去噪模块20等，可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的基于遗传算法的小波图像去噪方法和装置，本发明还提供一种计算机设备，下面结合附图及较佳实施例对本发明的计算机设备进行详细说明。
图11为本发明的计算机设备在一个实施例中的结构示意图。如图11所示，该实施例中的计算机设备，包括存储器112、处理器114及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行程序时可实现本发明方法实施例中的所有方法步骤。
上述的计算机设备，上述计算机设备110中处理器114可执行本发明实施例所提供的基于遗传算法的小波图像去噪方法，如此也具有基于遗传算法的小波图像去噪方法相同的有益效果，即在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
根据上述本发明的基于遗传算法的小波图像去噪方法、装置和计算机设备，本发明还提供一种计算机可读存储介质，下面结合附图及较佳实施例对本发明的计算机可读存储介质进行详细说明。
本发明实施例中的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现本发明方法实施例中的所有方法步骤。
上述的计算机可读存储介质，通过其存储的计算机程序可以实现上述的基于遗传算法的小波图像去噪方法，如此也具有基于遗传算法的小波图像去噪方法相同的有益效果，即在得到图像去噪模型时，有效地将小波去噪算法与遗传算法有效结合起来，得到最优的小波阈值(其中小波阈值是小波阈值去噪方法的关键)，在使用图像去噪模型对待处理图像进行去噪时大大提高了去噪率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等”。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。