新的强高斯噪声自适应滤波方法

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　新的强高斯噪声自适应滤波方法　高超，须文波，孙俊　ＧＡＯ　Ｃｈａｏ，ＸＵ　Ｗｅｎｂｏ，ＳＵＮ　Ｊｕｎ　江南大学物联网工程学院，江苏无锡２１４１２２　Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｎａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ，Ｊｉａｎｇｓｕ　２１４１２２，Ｃｈｉｎａ　ＧＡＯ　Ｃｈａｏ，ＸＵ　Ｗｅｎｂｏ，ＳＵＮ　Ｊｕｎ．Ｎｏｖｅｌ　ａｄａｐｔｉｖｅ　ｄｅ—ｎｏｉｓｉｎｇ　ｍｅｔｈｏｄ　ｆｏｒ　ｓｔｒｏｎｇ　Ｇａｕｓｓｉａｎ　ｎｏｉｓｅ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１１。４７（２８）：１５４—１５７．　Ａｂｓｔｒａｃｔ：Ａｎ　ａｄａｐｔｉｖｅ　ｄｅ—ｎｏｉｓｉｎｇ　ｍｅｔｈｏｄ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　Ｐｕｌｓｅ　Ｃｏｕｐｌｅｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ（ＰＣＮＮ）．Ａｉｍｅｄ　ａｔ　ｄｅ—ｎｏｉｓｉｎｇ　ｔｈｅ　ｉｍａｇｅ　ｗｉｔｈ　ｓｅｒｉｏｕｓ　Ｇａｕｓｓｉａｎ　ｎｏｉｓｅ　ｅｆｆｅｃｔｉｖｅｌｙ，ｐｒｅｓｅｒｖｉｎｇ　ｍｏｒｅ　ｉｍａｇｅ　ｄｅｔａｉｌｓ，ｔｈｅ　ｍｅｔｈｏｄ　ｉｎｔｒｏｄｕｃｅｓ　ａ　ｋｉｎｄ　ｏｆ　ｄｅｔｅｃｔｉｏｎ　ｍｅｃｈａｎｉｓｍ　ｏｆ　ｌｏｃａｔｉｎｇ　ｓ￣ｏｎｇ　ｎｏｉｓｅｄ　ｐｉｘｅｌｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｃａｐｔｕｒｅｓ　ａｍｏｎｇ　ｎｅｕｒｏｎｓ　ａｃｔｉｎｇ　ｏｎ　ｉｍａｇｅ　ｆｉｌｔｅｒｉｎｇ，ａｎｄ　ｏｎｌｙ　ｉｆｌｔｅｒｓ　ｔｈｅｓｅ　ｐｉｘｅｌｓ　ｕｓｉｎｇ　ａｎ　ａｎａｌｏｇｏｕｓ　ｍｅｄｉａｎ　ｆｉｌｔｅｒ．Ｉｔ　ａｕｔｏｍａｔｉｃａｌｌｙ　ｓｅｌｅｃｔｓ　ｔｈｅ　ｏｐｔｉｍａｌ　ｆｉｌｔｅｒｉｎｇ　ｍｅｔｈｏｄ　ｔｏ　ｓｍｏｏｔｈ　ｔｈｅ　ｗｅａｋ　ｎｏｉｓｅｄ　ｐｉｘｅｌｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｆｉｒｉｎｇ　ｔｉｍｅ　ｍａｐ　ｏｆ　ＰＣＮＮ　ｗｉｔｈ　ｎｕｌｌ　ｉｎｔｅｒｃｏｎｎｅｃｔｉｏｎ　ｔｏ　ｅｎｈａｎｃｅ　ｔｈｅ　ａｄａｐｔａｂｉｌｉｙｔ　ａｎｄ　ｄｅ—ｎｏｉｓｉｎｇ　ａｂｉｌｉｙｔ　ｏｆ　ｔｈｅ　ｓｙｓｔｅｍ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｐｒｏｖｅ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ａｄａｐｔｉｖｅ　ＰＣＮＮ　ｓｙｓｔｅｍ　Ｃａｌｌ　ｒｅｍｏｖｅ　ｎｏｉｓｅ　ａｎｄ　ｐｒｅｓｅｒｖｅ　ｔｈｅ　ｄｅｔａｉｌｓ　ｏｆ　ｉｍａｇｅｓ　ｍｏｒｅ　ｅｆｆｅｃｔｉｖｅｌｙ　ａｎｄ　ｃｏｍｐｌｅｔｅｌｙ　ｔｈａｎ　ｔｈｅ　ｃｏｎｖｅｎｔｉｏｎａｌ　ｍｅｔｈｏｄｓ，ａｎｄ　ｔｈｅ　ａｄａｐｔａｂｉｌｉｔｙ　ｉｓ　ｔｈｅ　ｆｅａ－　ｔｕｒｅ　ｏｆ　ｔｈｅ　ｓｙｓｔｅｍ．　Ｋｅｙ　ｗｏｒｄｓ：ｐｕｌｓｅ　ｃｏｕｐｌｅｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｇａｕｓｓｉａｎ　ｎｏｉｓｅ；ａｄａｐｔｉｖｅ　ｆｉｌｔｅｒｉｎｇ；ｉｍａｇｅ　ｄｅ—ｎｏｉｓｉｎｇ　摘要：为有效去除严重的高斯噪声、更好地保护图像细节，提出了一种基于改进脉冲耦合神经网络（ＰｃＮＮ）的自适应去噪方　法。根据ＰＣＮＮ神经元的点火捕获特性，定位受强噪声污染的像素，并采用类中值滤波对强噪声点进行滤除；基于无连接脉冲耦　合神经网络（ＰｃＮＮＮＩ）的点火时刻矩阵自适应选择滤波方法平滑弱噪声点。实验结果表明，与传统去噪方法相比，该方法噪声去　除效果好，图像细节保持完整，而且系统具有一定的泛化能力。　关键词：脉冲耦合神经网络；高斯噪声；自适应滤波；图像去噪　ＤＯＩ：１０．３７７８￣．ｉｓｓｎ．１００２．８３３１．２０１１．２８．０４２　文章编号：１００２—８３３１（２０ｌ１）２８．０１５４．０４　文献标识码：Ａ　中图分类号：ＴＰ３９１．４１　１引言　２理论模型　在图像的获取和传输过程中，经常会受到各种噪声的干　２．１　ＰＣＮＮ算法描述　扰。对图像去噪效果的好坏往往会直接影响到后续的图像处　ＰＣｔＯ￣神经网络模型的离散数学迭代方程如下：　理工作。传统的去噪方法在去除噪声的同时往往会带来图像　Ｆｉｊ［ｎ］＝ｅｘｐ（－ａＦ）Ｆｏ［ｎ－ｌ】＋ｚ￣Ｚｍｊ．（．－１）＋１ｏ　（１）　模糊等副作用，对图像的细节保留不够理想。　脉冲耦合神经网络（Ｐｕｌｓｅ　Ｃｏｕｐｌｅｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，ＰＣＮＮ）　Ｌ，７【”］＝ｅｘｐ（一ｎＬ）　Ｉｎ—ｌ】十　∑　ｒｎ（ｎ—１）　（２）　是一种不同于传统神经网络的新型神经网络　。　，它是根据猫、　Ｉｎ】＝　Ｍ（１＋　Ｍ）　（３）　猴等哺乳动物的大脑皮层上的同步脉冲发放现象提出的一种　有连接域的网络模型。目前已有一些应用神经网络去除噪声　＝　嚣二　㈤　的研究和实践，并获得了较好的去噪效果　。如文献［３】利用　Ｅ　Ｉｎ】＝ｅｘｐ（一ａＥ）Ｅ　Ｉｎ一１】＋　Ｉｎ］　（５）　ＰＣＮＮ的状态相似神经元同步输出脉冲的性质，在ＰＣＮＮ逐次　其中，Ｏ，Ｄ为相应神经元的下标值，　、三　、　、　分别是　迭代过程中找到提前或滞后周围神经元点火的神经元，对其　对应的灰度值进行适当修改；文献［６］提出了基于ＰＣＮＮ赋时　各神经元的反馈输入、耦合连接、内部活动项、脉冲输出和动　矩阵的图像高斯噪声滤波算法等。现有的基于ＰＣＮＮ的高斯　态阈值，　为相应神经元的外部激励，即图像像素灰度值。　噪声去噪算法在弱噪声强度下取得了较好的效果，但对去除　、　、　为相应的放大系数，ａＦ－，　、％则为相应的衰减时间　强高斯噪声方面优势不明显，甚至劣于传统去噪方法。　常数，　为内部活动项的连接系数。　、　分别为反馈输　本文针对高斯噪声特别是高方差高斯噪声的特点提出了　入域和耦合连接域的连接矩阵。ＰＣＮＮ神经元的简化模型如　一种新的基于ＰＣＮＮ点火时刻矩阵的自适应去噪算法。　图１所示。　作者简介：高超（１９８５一），男，硕士研究生，主要研究方向：图像处理；须文波（１９４６一），男，教授，博士生导师；孙俊（１９７１一），男，副教授，硕士生导师。　Ｅ－ｍａｉｌ：ｇａｏｃｈａｏｊｓ＠１６３．ｃｏｍ　收稿日期：２０１０．０７—２６；修回日期：２０１０．０９—１６　高超，须文波，孙俊：新的强高斯噪声自适应滤波方法　２０１１，４７（２８）　１５７　■■■■■■　图５图４抖ｌ廊图像的ｃａｎｎｙ锋于边缘检测效果　表１　不同去噪算法ｇ￣Ｌｅｎａ图像滤法的信噪比改善内ｆ－（Ｒ）比较　表２不同去噪算法对Ｃａｍｅｒａｍａｎ图像滤法的信噪比改善ｐ：Ｉ子（只）比较　其中Ｗ、ｈ表示图像像素的行、列数，，表示原始图像，　表示加　噪图像，】，表示对噪声图像处理后的图像。Ｒ为负值，则表明　滤波后噪声被有效地抑制；Ｒ越小，滤波效果越佳。　为了更好地体现本文去噪方法的性能，对Ｌｅｎａ图像分别　［３］Ｍａ　Ｙｉ—ｄｅ，Ｓｈｉ　Ｆｅ，Ｌｉ　Ｌｉａｎ．Ｇａｕｓｓｉａｎ　ｎｏｉｓｅ　ｆｉｌｔｅｒ　ｂａｓｅｄ　ｏｎ　ＰｃＮＮ［ｃ】／／ＩＥＥＥ　ＩＣＮＮＳＰ，２００３，１：１４９—１５１　［４］李永刚，石美红，魏远旺．基于ＰＣＮＮ的高斯噪声滤波　计算机工　程与应用，２００７，４３（１）：６５—６７．　添加　＝０、　为０．０１０　０．０４０的强高斯噪声，使用传统的３ｘ３　均值滤波、３ｘ３中值滤波、文献［６］算法及本文算法分别进行去　噪，并对其信噪比改善因子Ｒ进行了比较。　实验结果如表１、表２所示。　［５］石美红，毛汀辉，粱颖，等．一种强高斯噪声的图像滤波方法【Ｊｊ．计　算机应用，２００７，２７（７）：ｌ６３７．１６４０．　［６］Ｍａ　Ｙｉ－ｄｅ，Ｌｉｎ　Ｄｏｎｇ—ｍｅｉ，Ｚｈａｎｇ　Ｂｅｉ—ｄｏｕ，ｅｔ　ａ１．Ａ　ｎｏｖｅｌ　ａｌｇｏ—　ｒｉｔｈｍ　ｏｆ　ｉｍａｇｅ　Ｇａｕｓｓｉａｎ　ｎｏｉｓｅ　ｆｉｌｔｅｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ＰＣＮＮ　ｔｉｍｅ　ｍａｔｒｉｘ［Ｃ］，／２Ｏ０７　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｉｇｎａｌ　Ｐｒｏ—　ｃｅｓｓｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ，２００７：１　４９９—１　５０２．　５结论　本文提出了一种基于脉冲耦合神经网络的自适应滤波算　法。运用ＰＣＮＮ神经元输出的自适应点火捕获特性及ＰＣＮＮ　【７］石美红，张军英，朱欣娟，等．基于ＰＣＮＮ的图像高斯噪声滤波的方　法『Ｊ］．计算机应用，２００２，２２（６）：１－４　［８］张军英，卢志军，石林，等．基于脉冲耦合神经网络的椒盐噪声图像　滤波［Ｊ１＿中国科学Ｅ辑：信息科学，２００４，３４（８）：８８２　８９４．　［９］顾晓东，郭仕德，余道衡．一种基于ＰＣＮＮ的图像去噪新方法［Ｊ】ｌ电　子与信息学报，２００２，２４（１０）：１３０４—１３０９．　［１０］Ｃｈａｃｏｎ　Ｍ　Ｉ，Ｚｉｍｍｅｒｍａｎ　Ａ．Ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ　ｕｓｉｎｇ　ｔｈｅ　ＰＣＮＮ　ｔｉｍｅ　ｍａｔｒｉｘ　ａｓ　ａ　ｓｅｌｅｃｔｉｖｅ　ｆｉｌｔｅｒ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｎｅｕ－　ｒａｌ　Ｎｅｔｗｏｒｋｓ，１９９９，１０（３）：６１５－６２０．　［１１］Ｒａｎｇａｎａｔｈ　Ｈ　Ｓ，Ｋｕｎｔｉｍａｄ　Ｇ，Ｊｏｈｎｓｏｎ　Ｊ　Ｌ　Ｐｕｌｓｅ　ｃｏｕｐｌｅｄ　ｎｅｕ—　及无连接ＰＣＮＮ的点火时刻矩阵，很好地实现了对强弱噪声　点的甄别和自适应滤波，减少了主观凶素对去噪效果的影响，　且系统有一定的自适应性。实验表明，本算法在有效滤波的　同时保护了图像细节，去噪效果较好。　参考文献：　［１　Ｊ　Ｅｃｋｈｏｒｎ　Ｒ．Ｆｅａｔｕｒｅ　ｌｉｎｋｉｎｇ　ｖｉａ　ｓｙｎｃｈｒｏｎｉｚａｔｉｏｎ　ａｍｏｎｇ　ｄｉｓｔｒｉｂｕｔ—　ｅｄ　ａｓｓｅｍｂｌｉｅｓ：ｓｉｍｕｌａｔｉｏｎ　ｏｆ　ｒｅｓｕｌｔｓ　ｆｒｏｍ　ｃａｔ　ｃｏｒｔｅｘ［Ｊ］．Ｎｅｕｒａｌ　Ｃｏｍｐｕｍｔｉｏｎ，１９９０，２（３）：２９３—３０７．　ｒａｌ　ｎｅｔｗｏｒｋｓ　ｆｏｒ　ｉｍａｇｅ　ｐｒｏｃｅｓｓｉｎｇ［ｃ］／／ｌ９９５　Ｃｏｎｆｅｒｅｎｃｅ　Ｐｒｏ—　ｃｅｅｄｉｎｇｓ　ＩＥＥＥ　Ｓｏｕｔｈｅｓｔｃｏｎ’９５，１９９５：３７—４３．　［２］Ｊｏｈｎｓｏｎ　Ｊ　Ｌ，Ｐａｄｇｅ￣Ｍ　Ｌ．ＰＣＮＮ　ｍｏｄｅｌｓ　ａｎｄ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．　ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，１９９９，１Ｏ（３）：４８０—４９８．　［１２］马义德，李廉，绽琨，等．脉冲耦合神经网络与数字图像处理ｆＭ】．　北京：科学出版社，２００８．　（上接１１２页）　［１２］Ｄａｓ　Ｋ　Ｃ，Ｂａｐａｔ　Ｒ　Ｂ．Ａ　ｓｈａｒｐ　ｕｐｐｅｒ　ｂｏｕｎｄ　ｏｎ　ｔｈｅ　ｌａｒｇｅｓｔ　Ｌａ—　ｌ　Ｎ，Ｈａｗｋｉｎｇ　Ｄ．Ｏｖｅｒｖｉｅｗ　ｏｆ　ｔｈｅ　ＴＲＥＣ　２００３　ｗｅｂ　［１４］　Ｃｒａｓｗｅｌｔｒａｃｋ［Ｃ］／／Ｔｅｘｔ　Ｒｅｔｒｉｅｖａｌ　Ｃｏｎｆｅｒｅｎｃｅ（ＴＲＥＣ）．２００３．　Ｂｅｒｎｓｔｅｉｎ　Ｍ，ｄｅ　Ｓｉｌｖａ　Ｖ，Ｌａｎｇｆｏｒｄ　Ｊ　Ｃ，ｅｔ　ａ１．Ｇｒａｐｈ　ａｐｐｒｏｘｉｍａ—　［１５］　ｐｌａｅｉａｎ　ｅｉｇｅｎｖａｌｕｅ　ｏｆ　ｗｅｉｇｈｔｅｄ　ｇｒａｐｈｓ［Ｊ］．Ｌｉｎｅａｒ　Ａｌｇｅｂｒａ　ａｎｄ　Ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００５，４０９：１５３—１６５．　ｔｉｏｎｓ　ｔｏ　ｇｅｏｄｅｓｉｃｓ　ｏｎ　ｅｍｂｅｄｄｅｄ　ｍａｎｉｆｏｌｄｓ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｉｓｏ－　ｍａｐ．ｓｔａｎｆｏｒｄ．ｅｄｕ／ＢｄＳＬＴ．ｐｄｆ．　ｓ　Ｓ　Ｔ，Ｓａｕｌ　Ｌ　Ｋ　Ｎｏｎｌｉｎｅａｒ　ｄｉｍｅｎｓｉｏｎａｌｉｔｙ　ｒｅｄｕｃｔｉｏｎ　ｂｙ　［１６】　Ｒｏｗｅｌ［１３】Ｒｏｊｏ　Ｏ．Ａ　ｎｏｎｔｒｉｖｉａｌ　ｕｐｐｅｒ　ｂｏｕｎｄ　ｏｎ　ｔｈｅ　ｌａｒｇｅｓｔ　ｌａｐｌａｃｉａｎ　ｅｉ—　ｇｅｎｖａｌｕｅ　ｏｆ　ｗｅｉ【ｇｈｔｅｄ　ｇｒａｐｈｓ［Ｊ］．Ｌｉｎｅａｒ　Ａｌｇｅｂｒａ　ａｎｄ　Ｉｔｓ　Ａｐｐｌｉｃａ—　ｔｉｏｎｓ，２００７，４２０：６２５—６３３．　ｌｏｃａｌｌｙ　ｌｉｎｅａｒ　ｅｎＳｂｅｄｄｉｎｇ［Ｊ］．Ｓｃｉｅｎｃｅ，２０００（２９０）：２３２３—２３２６．