基于模糊密度權(quán)的支持向量場(chǎng)景圖像去噪算法
【專利摘要】本發(fā)明公開一種基于服務(wù)機(jī)器人的場(chǎng)景圖像去噪方法——FDW-SVR(Fuzzy?DensityWeight-Based?Support?Vector?Regression)，屬于圖像處理領(lǐng)域。標(biāo)準(zhǔn)的LS-SVR算法采用誤差的二次項(xiàng)和來控制經(jīng)驗(yàn)風(fēng)險(xiǎn)，導(dǎo)致模型對(duì)高分布密度樣本擬合的精度較高，而對(duì)受噪聲污染的稀疏樣本，則擬合誤差較大?？紤]圖像鄰域信息和樣本密度的不確定性對(duì)模型的影響，利用模糊推理設(shè)計(jì)了基于樣本分布密度的加權(quán)因子，構(gòu)建模糊支持向量機(jī)回歸模型并將其應(yīng)用于場(chǎng)景圖像去噪。在本方法設(shè)計(jì)過程中還涉及了一種新的基于中心像素密度和鄰域密度的模糊隸屬度設(shè)計(jì)方法。實(shí)驗(yàn)結(jié)果表明，該去噪方法無論是主觀還是客觀評(píng)價(jià)都比那些時(shí)下最新去噪技術(shù)表現(xiàn)得更好。
【專利說明】基于模糊密度權(quán)的支持向量場(chǎng)景圖像去噪算法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于圖像處理領(lǐng)域，具體涉及到一種利用加權(quán)思想，運(yùn)用模糊推理設(shè)計(jì)基于中心像素密度和鄰域密度的加權(quán)因子，構(gòu)建支持向量機(jī)回歸模型得以實(shí)現(xiàn)場(chǎng)景圖像去噪的算法。
【背景技術(shù)】
[0002]在機(jī)器視覺中，由于種種條件的限制和隨機(jī)干擾，成像系統(tǒng)所獲取的圖像通常包含大量的噪聲，如椒鹽噪聲、高斯噪聲等，去除圖像中的噪聲，保留有用的信息，對(duì)于圖像的正確理解十分重要。
[0003]過去三十年來，出現(xiàn)了一系列去噪方法，如傳統(tǒng)的中值濾波和高斯濾波等方法。與高斯濾波方法相關(guān)的是高斯-拉普拉斯變換方法，該方法為了得到較好的圖像邊緣，先對(duì)圖像做高斯平滑濾波，剔除噪聲，然后求二階導(dǎo)數(shù)，用二階的過零點(diǎn)確定邊緣，然而這種濾波方法會(huì)使圖像模糊，且在銳化邊界方面丟失很多細(xì)節(jié)信息。近年來，基于小波變換的的去噪方法得到了廣泛的應(yīng)用，然而它很難去除小波重構(gòu)的振鈴效應(yīng)，換句話而言，就是它會(huì)引進(jìn)附加的邊緣或結(jié)構(gòu)到去噪圖像中去。
[0004]支持向量機(jī)(Support Vector Machine)是由Vapnik等人根據(jù)小樣本情況下的統(tǒng)計(jì)規(guī)律及學(xué)習(xí)方法提出的一種機(jī)器學(xué)習(xí)算法，有著完備的理論框架基礎(chǔ)。SVM求解的是凸二次規(guī)劃問題，它根據(jù)最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)泛函標(biāo)準(zhǔn)選擇支持向量子集，同時(shí)考慮給定樣本的逼近精度和逼近函數(shù)的復(fù)雜性，從而實(shí)現(xiàn)模型的結(jié)構(gòu)風(fēng)險(xiǎn)優(yōu)化控制目標(biāo)。SVM很好地解決了小樣本、非線性、高維數(shù)等問題，較傳統(tǒng)機(jī)器學(xué)習(xí)算法具有更好的泛化推廣能力和學(xué)習(xí)性能，已經(jīng)廣泛應(yīng)用于模式識(shí)別、圖像處理、場(chǎng)景圖像分類等領(lǐng)域。Suykens在SVM基礎(chǔ)上提出了最小二乘支持向量機(jī)(Least Squares Support Vector Machine)。LS-SVM 把誤差的二次項(xiàng)作為經(jīng)驗(yàn)風(fēng)險(xiǎn)控制損失函數(shù)，將不等式約束條件下的二次規(guī)劃問題轉(zhuǎn)化成解高維特征空間等式約束條件下的線性方程組求解，極大減少了 SVM中由于求解二次規(guī)劃問題帶來的計(jì)算復(fù)雜性。利用最小二乘支持向量機(jī)(Least Squares Support Vector Regression)回歸模型，建立含噪圖像與原始圖像之間的非線性映射關(guān)系，利用訓(xùn)練好的回歸模型對(duì)噪聲類型相同的含噪圖像進(jìn)行回歸估計(jì)，可以達(dá)到去噪的目的。然而，現(xiàn)有的基于支持向量機(jī)去噪算法沒考慮樣本分布密度對(duì)回歸模型的影響，在噪聲分布密度較大或偏離訓(xùn)練回歸模型所施加噪聲分布密度較遠(yuǎn)的情況下，其去噪效果不太理想。
[0005]本發(fā)明分析了標(biāo)準(zhǔn)LS-SVR回歸模型的經(jīng)驗(yàn)風(fēng)險(xiǎn)控制損失函數(shù)隱含有密度加權(quán)因子，所以對(duì)受噪聲污染的稀疏分布樣本的擬合精度相對(duì)較低。為有效處理樣本分布密度的不確定性對(duì)模型的影響，提高回歸模型的整體擬合精度，對(duì)基于樣本分布密度的加權(quán)因子利用模糊理論進(jìn)行設(shè)計(jì)，構(gòu)建基于模糊加權(quán)的FDW-SVR模型。該方法結(jié)合了模糊理論和支持向量回歸的優(yōu)勢(shì)，用于場(chǎng)景圖像去噪。仿真實(shí)驗(yàn)表明，利用這種策略，能夠保持圖像的細(xì)節(jié)，得到較高的峰值信噪比和信噪比，對(duì)相同噪聲類型含噪圖像進(jìn)行處理。
【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提出一種新的去噪算法來解決樣本分布密度的不確定性對(duì)LS-SVR模型的影響，本發(fā)明能有效提高回歸模型的整體擬合精度，在去噪過程中有較好的表現(xiàn)。具體步驟如下:
[0007]I)使用核密度估計(jì)獲取中心像素密度f (Xi)和領(lǐng)域密度g(Xi)。
[0008]2)利用模糊推理設(shè)計(jì)模糊密度權(quán)λ i。模糊推理機(jī)輸入為中心像素密度f (Xi)和鄰域密度g (Xi),輸出為模糊密度權(quán)λρ
[0009]①把f (Xi)和g(Xi)作為模糊推理機(jī)的輸入，且模糊化。
[0010]②設(shè)計(jì)模糊推理機(jī)和模糊規(guī)則。
[0011]③使用重心法解模糊化得到模糊密度權(quán)入it)
[0012]3)訓(xùn)練FDW-SVR模型，訓(xùn)練集為{μ,,;；,,λ,匕，獲得訓(xùn)練好的FDW-SVR模型廠([7)。
[0013]4)使用訓(xùn)練好的FDW-SVR模型廠(?/)用于場(chǎng)景去噪。
[0014]所述步驟I)給定的數(shù)據(jù)集是，每一個(gè)數(shù)據(jù)點(diǎn)代表噪聲圖像的像素特征，N代表樣本數(shù)目，Φ是核函數(shù)，h是固定的核寬參數(shù)，像素Xi e Rtl的密度f (Xi)采用下式計(jì)算，_5]
[0016]其中，q是像素Xi的維數(shù)，核函數(shù)可以采用高斯核函數(shù):
【權(quán)利要求】
1.一種基于模糊密度權(quán)的支持向量場(chǎng)景圖像去噪算法，其特征在于包括如下步驟: 1)使用核密度估計(jì)獲取中心像素密度f(Xi)和鄰域密度g(Xi)。 2)利用模糊推理設(shè)計(jì)模糊密度權(quán)Xitj模糊推理機(jī)輸入為中心像素密度f(Xi)和鄰域密度g (Xi),輸出為模糊密度權(quán)入” ①把f(Xi)和g(Xi)作為模糊推理機(jī)的輸入，且模糊化。 ②設(shè)計(jì)模糊推理機(jī)和模糊規(guī)則。 ③使用重心法解模糊化得到模糊密度權(quán)入i。 3)訓(xùn)練FDW-SVR模型，訓(xùn)練集為{w,,:μ,，λ,匕，獲得訓(xùn)練好的FDW-SVR模型義(υ)。 4)使用訓(xùn)練好的FDW-SVR模型父((6/)用于場(chǎng)景去噪。
2.根據(jù)權(quán)利要求1所述基于模糊密度權(quán)的支持向量場(chǎng)景圖像去噪算法，其特征在于步驟I)給定的數(shù)據(jù)集是kt，每一個(gè)數(shù)據(jù)點(diǎn)代表噪聲圖像的像素特征，N代表樣本數(shù)目，Φ是核函數(shù)，h是固定的核寬參數(shù)，像素Xi e Rtl的密度f (Xi)采用下式計(jì)算，
3.根據(jù)權(quán)利要求1所述基于模糊密度權(quán)的支持向量場(chǎng)景圖像去噪算法，其特征在于步驟2)的模糊密度權(quán)XiS計(jì)包括模糊化、模糊推理機(jī)和模糊規(guī)則、反模糊化；首先將中心像素密度f (Xi)，鄰域密度g (Xi)，和權(quán)重λ i歸一化到[O，I];模糊推理設(shè)計(jì)的輸入為f (Xi)和g(Xi)，輸出為權(quán)重Ai ;輸入輸出都采用三角隸屬函數(shù)進(jìn)行模糊化，這里f(Xi)的論域?yàn)镕L，L，M，H，F(xiàn)H ；g(Xi)的論域?yàn)長，M，H ; λ i的論域?yàn)長，M，H ;模糊推理機(jī)的第k條規(guī)則表述如下: Rulew:1F /(Xi) is ^andis4，THEN Xi is Bk 其中f (Xi)和g(Xi)分別是中心像素密度和鄰域密度，λ i為模糊整定的權(quán)重；通過重心法解模糊器得到輸出模糊密度權(quán)Xi，選取的模糊規(guī)則如下表:
4.根據(jù)權(quán)利要求1所述基于模糊密度權(quán)的支持向量場(chǎng)景圖像去噪算法，其特征在于步驟3)的FDW-SVR模型的訓(xùn)練可以轉(zhuǎn)化為求解如下的帶約束的優(yōu)化問題，
【文檔編號(hào)】G06T5/00GK103839225SQ201210475154
【公開日】2014年6月4日 申請(qǐng)日期:2012年11月20日 優(yōu)先權(quán)日:2012年11月20日
【發(fā)明者】劉治, 彭俊石, 徐淑瓊, 章云 申請(qǐng)人:廣東工業(yè)大學(xué)