学位论文 > 优秀研究生学位论文题录展示

基于自适应神经网络模糊推理系统的图像去噪算法研究

作　者: 赵雪青
导　师: 王晅
学　校: 陕西师范大学
专　业: 生物医学工程
关键词: 图像去噪 噪声检测 ANFIS 脉冲噪声
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 87次
引　用: 2次
阅　读: 论文下载
 

内容摘要


图像去噪是图像预处理的一个非常重要的内容,图像去噪结果的好坏直接影响到图像的后级分析,所以去噪算法不仅要提高去噪能力,而且还要尽可能地保护原始图像的细节信息。针对脉冲噪声,现有的算法缺乏对小于滤波窗口的图像细节与边缘信息的保护能力,如何充分利用图像的局部特征以提高滤波器的滤波效果、细节及边缘信息的保持能力,本文针对脉冲噪声感染图像的特点提出了一种新的滤噪算法,分别用噪声检测、噪声滤除这两个过程来完成对图像的噪声滤除。噪声检测过程中,应用噪声检测算法对含有噪声的图像进行检测,尽可能准确高效地确定噪声点与非噪声点。文中应用两种噪声检测算法,基于二阶差分图像的噪声检测算法和基于自适应中值原理二次模糊判断的噪声检测算法。前者根据二阶差分原理,将一幅灰度图像进行一阶差分、二阶差分后转换为一幅二值图像,从而确定出噪声点与非噪声点,该方法具有较低的计算复杂度和较高的检测性能。后者根据自适应中值原理结合模糊理论,首先,根据自适应中值原理对噪声图像进行第一次检测,确定出噪声点和非噪声点；其次,根据图像被噪声感染的特点,如在一些特殊区域(偏黑区域的黑点或者偏白区域的白点),第一次检测有可能会产生误检,因此,采用窗口中的信息点获得局部隶属度函数,针对噪声点进行第二次模糊判断,进一步提高检测性能。噪声滤除过程中,根据滤波算法对检测出的噪声进行滤除,尽可能恢复图像的原始信息。文中应用模糊理论和神经网络理论相结合的方法对噪声进行滤除。由于模糊推理系统具备处理模糊语言信息的能力,可模拟人类智慧进行判断和决策。神经网络具备自学习和自适应能力,具有并行处理能力和较强的容错能力,二者的有机结合使模糊推理具备自适应学习功能,使神经网络具备处理模糊信息功能,进行判断和决策。利用二者的优势互补建立自适应神经网络模糊推理系统(ANFIS)图像去噪模型,借助噪声点周围的若干邻近信息点通过ANFIS的训练后,对中心噪声点的像素值进行估计得到其灰度值,从而滤除噪声。充分利用图像的局部特征通过模糊推理对噪声点进行非线性估计,实验结果表明,该算法在细节保护和噪声滤除方面效果明显优于其它滤波算法。

全文目录


摘要  3-4
Abstract  4-9
第1章 绪论  9-13
  1.1 图像去噪处理的意义  9-11
    1.1.1 图像去噪的意义  9-10
    1.1.2 研究图像去噪方法的意义  10-11
  1.2 国内外研究图像去噪技术的现状  11-12
  1.3 本文研究内容和创新点  12-13
第2章 图像脉冲噪声检测及滤除  13-27
  2.1 图像噪声  13-18
    2.1.1 噪声定义及模型  13-16
    2.1.2 图像噪声分类  16-18
  2.2 图像脉冲噪声检测  18-19
    2.2.1 图像脉冲噪声检测  18
    2.2.2 图像脉冲噪声检测效果评价  18-19
  2.3 图像噪声滤除  19-27
    2.3.1 图像噪声滤除方法  19-25
    2.3.2 图像滤噪性能评价方法  25-27
第3章 自适应神经网络模糊推理系统  27-37
  3.1 ANFIS概述  27-28
  3.2 ANFIS网络结构  28-33
    3.2.1 Mamdani型ANFIS  29-32
    3.2.2 Takagi-Sugeno型ANFIS  32-33
  3.3 ANFIS学习算法  33-37
    3.3.1 基于梯度下降的学习算法  34-35
    3.3.2 基于最小二乘的学习算法  35
    3.3.3 混合学习算法  35-37
第4章 脉冲噪声检测算法的改进  37-43
  4.1 基于二阶差分图像脉冲噪声检测  37-40
    4.1.1 算法原理  37-38
    4.1.2 算法步骤及结论  38-40
  4.2 基于自适应中值原理的二次噪声检测  40-43
    4.2.1 算法原理  40
    4.2.2 算法步骤及结论  40-43
第5章 基于ANFIS的非线性滤波算法  43-61
  5.1 ANFIS在图像去噪中的应用  43-46
    5.1.1 MATLAB模糊逻辑工具箱简介  43-44
    5.1.2 基于ANFIS的图像去噪模型建立  44-46
  5.2 基于ANFIS的图像去噪算法  46-61
    5.2.1 算法基本原理  46-48
    5.2.2 算法基本步骤  48
    5.2.3 实验结果与分析  48-61
第6章 总结与展望  61-63
  6.1 总结  61-62
  6.2 展望  62-63
参考文献  63-67
致谢  67-69
攻读学位期间研究成果  69

相似论文

  1. 医学超声图像去噪方法研究,TP391.41
  2. 轮廓波变换及其在图像处理中的应用,TP391.41
  3. 基于小波变换的信号稀疏表示及其在图像去噪中的应用,TP391.41
  4. 数码相机中Bayer格式数字图像的降噪与颜色插值算法的研究,TP391.41
  5. 机器视觉系统中的图像噪声处理算法研究,TP391.41
  6. 基于核回归与非局部方法的图像去噪研究,TP391.41
  7. 航拍图像增强处理与拼接技术实现,TP391.41
  8. Tetrolet稀疏正则化与样本学习的图像超分辨率算法研究,TP391.41
  9. 基于ANFIS的面阵相机几何畸变校正方法研究,TP391.41
  10. 基于偏微分方程的图像去噪与增强研究,TP391.41
  11. 求解图像去噪问题的变权重不动点算法研究,O177.91
  12. 超复数稀疏表示及其应用的研究,TP391.41
  13. 基于总体变分法的图像去噪和复原研究,TP391.41
  14. 磁共振图像处理算法的研究,TP391.41
  15. 基于曲波变换与偏微分的图像去噪算法研究,TP391.41
  16. 基于多特征结合与支持向量机集成的噪声检测与图像去噪,TP391.41
  17. 随钻测量系统信号测量的关键技术研究,TN911.23
  18. 基于噪声的太阳能电池检测方法,TM914.4
  19. 基于小波变换的阈值图像去噪方法,TP391.41
  20. 基于小波变换的图像去噪方法的研究,TP391.41
  21. 基于分数低阶统计量的图像噪声抑制研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com