CN107833192A - 一种支持向量机融合分数阶积分算子的方法 - Google Patents
一种支持向量机融合分数阶积分算子的方法 Download PDFInfo
- Publication number
- CN107833192A CN107833192A CN201711090297.5A CN201711090297A CN107833192A CN 107833192 A CN107833192 A CN 107833192A CN 201711090297 A CN201711090297 A CN 201711090297A CN 107833192 A CN107833192 A CN 107833192A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- noise
- mfrac
- svms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000010354 integration Effects 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010276 construction Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 description 10
- 239000006002 Pepper Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 241000758706 Piperaceae Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 241000208293 Capsicum Species 0.000 description 1
- 240000008574 Capsicum frutescens Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000001390 capsicum minimum Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种支持向量机融合分数阶积分算子的方法，该方法包括以下步骤：先输入噪声图像；然后检测噪声图像中的噪点和非噪点；再以非噪声点为中心，在其5×5区域采用分数阶积分算子构造支持向量机的训练样本，并训练支持向量机获得去噪模型；再以噪点为中心采用分数阶积分算子构造支持向量机的测试样本，并用去噪模型估计噪点的像素值；最后利用估计的噪点像素值和直接输出的非噪点像素值重构得到去噪图像。本发明在用于图像去噪时，仅针对噪点处理，能够在去噪时尽可能的保护图像的细节信息。
Description
技术领域
本发明属于图像处理技术领域，涉及一种支持向量机融合分数阶积分算子的方法，尤其涉及图像去噪领域。
背景技术
去噪作为图像处理的预处理步骤，其效果的优劣直接影响后续处理环节，在去噪的同时要尽可能的保护图像的原有纹理、边缘等特征信息不受影响。
支持向量机(Support Vector Machine，SVM)因其具有的良好泛化能力，及在解决小样本、非线性等问题方面的明显优势，而被广泛应用于各个领域。已经在图像插值、去马赛克方面取得了较好的效果。Sheng Zheng等在文章“Adaptive weighted least squaresSVM based snowing model for image denoising(LS-SVM)”(International Journal ofWavelets,Multiresolution and Information Processing,2013,11(6):1350043-1～25)中提出了一种用于不同图像的下雪模型实现图像去噪，利用自适应加权最小二乘支持向量机迭代地估计被噪声污染的图像灰度值，可以去除高斯噪声和非高斯噪声，它成功实现了图像去噪，但效果有待提高。Xinfeng Guo等在文章“Research on Support VectorMachine in Image Denoising”(International Journal of Signal Processing,ImageProcessing and Pattern Recognition,2015,8(2):19-28)中利用SVM在小波域实现图像去噪，但去噪图像并没有获得很高的峰值信息噪比。Shuqiong Xu等在文章“IntervalType-2Fuzzy Kernel based Support Vector Regression for Image Denoising(FK-SVM)”(International Conference on Mechatronic Sciences,Electric Engineeringand Computer,MEC 2013：973-977)中利用SVM在lena图像上训练，然后对camerman和peppers去噪。
此类方法的弊端有两个方面：一、训练图像和测试图像独立，即利用一副或者几幅含噪或不含噪的图像训练SVM后，用其再对待去噪图像去噪。如果训练图像和测试图像(待去噪图像)的背景相差较大，去噪效果就会不理想。二、针对整幅图像进行去噪处理，必然会在去噪的同时对非噪点产生运算。无论多么先进的去噪方法，只要对非噪声点运算就会改变图像的原有特征信息。
分数阶积分是数学分析的分支，它具有尖锐的低通性能，具备削弱高频信息加强低频信息的能力，同时又能对高频和低频进行一定程度的保留。此特性和图像去噪中的去除高频噪声保留低频细节信息的初衷吻合。鉴于此，为了进一步在去噪的过程中保护图像的边缘信息，本发明将分数阶积分算子引入到支持向量机的样本构造中，设计一种基于分数阶的样本构造方法，本发明在用于图像去噪时，仅针对噪点处理，能够在去噪时尽可能的保护图像的细节信息，提高去噪后图像的主客观指标。
发明内容
本发明的目的是提供一种支持向量机融合分数阶积分算子的方法；该方法能够用于图像去噪。本发明仅针对噪点处理，能够在去噪时尽可能的保护图像的细节信息，提高去噪后图像的主客观指标。
本发明实现发明目的采用如下技术方案：
一种支持向量机融合分数阶积分算子的方法，其特征在于，具体按照以下步骤进行：
步骤一：输入噪声图像；
步骤二：检测噪声图像中的噪点和非噪点；
步骤三：采用分数阶积分算子构造支持向量机的训练样本，并训练支持向量机获得去噪模型；
步骤四：采用分数阶积分算子构造支持向量机的测试样本，并用步骤三得到的去噪模型估计噪点的像素值；
步骤五：利用估计的噪点像素值和直接输出的非噪点像素值重构得到去噪图像。
本发明提供的一种支持向量机融合分数阶积分算子的方法，其特征在于，所述步骤三中，采用分数阶积分算子构造支持向量机的训练样本的方法，具体按照以下步骤进行：
遍历噪声图像，以每一个非噪声点为中心点I(i,j)，在其周围的5×5区域利用8方向(8方向分别为x轴正方向，45°方向，y轴正方向，135°方向，x轴负方向，225°方向，y轴负方向和315°方向)上的像素构造一个训练样本X＝{x1,x2,…x25,Y}，其中输出样本Y是1维向量，取中心像素值I(i,j)；
输入样本x1,x2,…x25是25维向量，利用像素值I(i,j+1)，I(i+1,j+1)，I(i+1,j)，I(i+1,j-1)，I(i,j-1)，I(i-1,j-1)，I(i-1,j)，I(i-1,j+1)，I(i,j+2)，I(i+2,j+2)，I(i+2,j)，I(i+2,j-2)，I(i,j-2)，I(i-2,j-2)，I(i-2,j)，I(i-2,j+2)构造，包括中心像素周围的8个像素值pi,i＝1,2,…,8及其平均值8方向的分数阶积分算子Gi,i＝1,2,…,8，中心像素周围的8个像素在水平、垂直和对角方向两间隔像素点的插值di,i＝1,2,…,8，对应表达式分别为：
p1＝I(i,j+1)；p2＝I(i+1,j+1)；p3＝I(i+1,j)；p4＝I(i+1,j-1)；
p5＝I(i,j-1)；p6＝I(i-1,j-1)；p7＝I(i-1,j)；p8＝I(i-1,j+1) (1)
d1＝|p3-p7|；d2＝|p2-p8|；d3＝|p4-p6|；d4＝|p1-p5|；
d5＝|p6-p8|；d6＝|p2-p4|；d7＝|p4-p8|；d8＝|p2-p6| (4)
公式(3)中的v为分数阶积分阶次。
本发明提供的一种支持向量机融合分数阶积分算子的方法，其特征在于，所述步骤四中，采用分数阶积分算子构造支持向量机的测试样本的方法，具体按照以下步骤进行：
遍历噪声图像，以每一个噪声点为中心点，在其周围的5×5区域建立一个测试样本X′＝{x1′,x′2,…x′25,Y′}，其输入样本x1′,x′2,…x′25是25维向量，与训练样本的输入样本有相同的构建方式，输出样本Y′是要估计的像素值，即支持向量机的输出。
本发明其有益效果体现在：
一、本发明在实现图像去噪时，可以和任意一种开关滤波方法(先检测出噪点，然后只对噪点滤波)相结合，即用任意方法检测出噪点以后利用本发明的方法。
二、本发明在实现图像去噪时，直接输出非噪声像素点，仅针对噪声点滤波，可以更好的保护图像的边缘、纹理等特征信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的流程图；
图2是利用分数阶积分算子构建样本的5×5区域；
图3是分数阶积分阶次与去噪图像PSNR(db)的关系图；
图4a是标准图像；
图4b是标准图像中随机加入浓度为10％的椒盐噪声；
图4c是LS-SVM残差图像；
图4d是FK-SVM残差图像；
图4e是本发明的残差图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的结合方法，如图1所示，具体按照以下步骤进行：
步骤一：输入噪声图像；
步骤二：检测噪声图像中的噪点和非噪点；
步骤三：利用非噪点，在其周围的5×5区域采用分数阶积分算子构造支持向量机的训练样本，并训练支持向量机获得去噪模型；
训练样本的构造方法为：遍历噪声图像，以每一个非噪声点为中心点I(i,j)，在其周围的5×5区域利用8方向(8方向分别为x轴正方向，45°方向，y轴正方向，135°方向，x轴负方向，225°方向，y轴负方向和315°方向)上的像素构造一个训练样本X＝{x1,x2,…x25,Y}，其中输出样本Y是1维向量，取中心像素值I(i,j)；输入样本x1,x2,…x25是25维向量，利用像素值图2中5×5区域的8方向上的像素：I(i,j+1)，I(i+1,j+1)，I(i+1,j)，I(i+1,j-1)，I(i,j-1)，I(i-1,j-1)，I(i-1,j)，I(i-1,j+1)，I(i,j+2)，I(i+2,j+2)，I(i+2,j)，I(i+2,j-2)，I(i,j-2)，I(i-2,j-2)，I(i-2,j)，I(i-2,j+2)构造。具体按照发明内容中的公式(1)～(4)进行构造。
步骤四：采用分数阶积分算子构造支持向量机的测试样本，并用步骤三得到的去噪模型估计噪点的像素值；
遍历噪声图像，以每一个噪声点为中心点，利用图2所示的5×5区域建立一个测试样本X′＝{x1′,x′2,…x′25,Y′}，其输入样本x1′,x′2,…x′25是25维向量，与训练样本的输入样本有相同的构建方式，输出样本Y′是要估计的像素值，即支持向量机的输出。
需要说明的是，图2所示的5×5区域在用于构造训练样本时中心点对应的是非噪声点，在用于构造测试样本时中心点对应的是噪声点，也就是要利用支持向量机估计的点。
步骤五：利用步骤四中估计出的噪点像素值和直接输出的非噪点像素值重构得到去噪图像。
为了说明本发明方法的有效性，进行了仿真说明。
在Matlab中，用软件工具箱Libsvm进行仿真，使用γ-SVR，选择径向基核函数，默认设置其余参数。
采用分辨率为256×256的标准图像进行测试，为了定量计算各种方法的客观指标，先在标准图像上随机加入不同噪声浓度的椒盐噪声，然后利用脉冲耦合神经网络的同步点火特性检测图像中的噪声点，再针对噪声点利用本发明的方法去噪。
图3是对标准lena图像随机加入噪声浓度为0.1的椒盐噪声后，分数阶积分阶次v在[0.01，7]区间变化时对应的去噪后的PSNR值，加入噪声后lena图像的PSNR＝15.5358db。观察变化曲线可知，v＝3.05时对应最大的PSNR＝42.1391db，取得最好的去噪效果。
利用boat等4幅标准图像进行了仿真实验，在标准图像中随机加入椒盐噪声，然后利用LS-SVM、FK-SVM和本发明的方法进行去噪，以此从主客观角度对比说明各种方法的去噪效果。
表1 2种噪声浓度下不同方法的去噪结果(PSNR，db)
表1给出了各种去噪方法对四种标准图像随机加入不同浓度的椒盐噪声后的去噪结果，根据表中的客观指标PSNR可见，本文方法获得了较高的PSNR，得到了较好的去噪效果。
图4a是对peppers的标准图像，对其加入噪声浓度为10％的椒盐噪声后得到图4b。为了便于观察，给出的是各种去噪方法的残差图像。残差图像上的亮点越多，说明噪声点的估计值与原始像素值不同的就越多，去噪效果较差。图4(d)中的亮点最多，连成了各种辣椒的轮廓，说明文献FK-SVM对边缘点的去噪效果较差。图4(c)中的亮点相对少一点，在下侧大辣椒的右边及顶端的轮廓较明显，说明LS-SVM相对FK-SVM对边缘的保护能力稍强。图4(e)中的亮点最少，本发明获得了相对好的去噪效果。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (3)
1.一种支持向量机融合分数阶积分算子的方法，其特征在于，具体按照以下步骤进行：
步骤一：输入噪声图像；
步骤二：检测噪声图像中的噪点和非噪点；
步骤三：采用分数阶积分算子构造支持向量机的训练样本，并训练支持向量机获得去噪模型；
步骤四：采用分数阶积分算子构造支持向量机的测试样本，并用步骤三得到的去噪模型估计噪点的像素值；
步骤五：利用估计的噪点像素值和直接输出的非噪点像素值重构得到去噪图像。
2.根据权利要求1所述的一种支持向量机融合分数阶积分算子的方法，其特征在于，所述步骤三中，采用分数阶积分算子构造支持向量机的训练样本的方法，具体按照以下步骤进行：
遍历噪声图像，以每一个非噪声点为中心点I(i,j)，在其周围的5×5区域利用8方向上的像素构造一个训练样本X＝{x1,x2,…x25,Y}，其中输出样本Y是1维向量，取中心像素值I(i,j)；输入样本x1,x2,…x25是25维向量，利用像素值I(i,j+1)，I(i+1,j+1)，I(i+1,j)，I(i+1,j-1)，I(i,j-1)，I(i-1,j-1)，I(i-1,j)，I(i-1,j+1)，I(i,j+2)，I(i+2,j+2)，I(i+2,j)，I(i+2,j-2)，I(i,j-2)，I(i-2,j-2)，I(i-2,j)，I(i-2,j+2)构造，包括中心像素周围的8个像素值pi,i＝1,2,…,8及其平均值8方向的分数阶积分算子Gi,i＝1,2,…,8，中心像素周围的8个像素在水平、垂直和对角方向两间隔像素点的插值di,i＝1,2,…,8，对应表达式分别为：
p1＝I(i,j+1)；p2＝I(i+1,j+1)；p3＝I(i+1,j)；p4＝I(i+1,j-1)；
p5＝I(i,j-1)；p6＝I(i-1,j-1)；p7＝I(i-1,j)；p8＝I(i-1,j+1) (1)
<mrow>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>8</mn>
</munderover>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>.</mo>
<mi>j</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>8</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>7</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
<msub>
<mi>G</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>6</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mn>5</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>5</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
<msub>
<mi>G</mi>
<mn>6</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>4</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>G</mi>
<mn>7</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
<msub>
<mi>G</mi>
<mn>8</mn>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>+</mo>
<mn>2</mn>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
d1＝|p3-p7|；d2＝|p2-p8|；d3＝|p4-p6|；d4＝|p1-p5|；
d5＝|p6-p8|；d6＝|p2-p4|；d7＝|p4-p8|；d8＝|p2-p6| (4)
公式(3)中的v为分数阶积分阶次。
3.根据权利要求1所述的一种支持向量机融合分数阶积分算子的方法，其特征在于，所述步骤四中，采用分数阶积分算子构造支持向量机的测试样本的方法，具体按照以下步骤进行：
遍历噪声图像，以每一个噪声点为中心点，在其周围的5×5区域建立一个测试样本X′＝{x′1,x′2,…x′25,Y′}，其输入样本x′1,x′2,…x′25是25维向量，与训练样本的输入样本有相同的构建方式，输出样本Y′是要估计的像素值，即支持向量机的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711090297.5A CN107833192A (zh) | 2017-11-08 | 2017-11-08 | 一种支持向量机融合分数阶积分算子的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711090297.5A CN107833192A (zh) | 2017-11-08 | 2017-11-08 | 一种支持向量机融合分数阶积分算子的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107833192A true CN107833192A (zh) | 2018-03-23 |
Family
ID=61654737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711090297.5A Withdrawn CN107833192A (zh) | 2017-11-08 | 2017-11-08 | 一种支持向量机融合分数阶积分算子的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833192A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034235A (zh) * | 2018-07-20 | 2018-12-18 | 安徽理工大学 | 一种基于多特征的集成svm噪点检测方法 |
| CN110533605A (zh) * | 2019-07-26 | 2019-12-03 | 遵义师范学院 | 一种精确噪点标定方法 |
-
2017
- 2017-11-08 CN CN201711090297.5A patent/CN107833192A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034235A (zh) * | 2018-07-20 | 2018-12-18 | 安徽理工大学 | 一种基于多特征的集成svm噪点检测方法 |
| CN109034235B (zh) * | 2018-07-20 | 2021-09-28 | 安徽理工大学 | 一种基于多特征的集成svm噪点检测方法 |
| CN110533605A (zh) * | 2019-07-26 | 2019-12-03 | 遵义师范学院 | 一种精确噪点标定方法 |
| CN110533605B (zh) * | 2019-07-26 | 2023-06-02 | 遵义师范学院 | 一种精确噪点标定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
| CN103854264B (zh) | 一种基于改进型阈值函数的小波变换图像去噪方法 | |
| CN100550978C (zh) | 一种保持边缘的自适应图像滤波方法 | |
| CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
| CN103116875B (zh) | 自适应双边滤波图像去噪方法 | |
| CN102663708B (zh) | 基于方向加权中值滤波的超声图像处理方法 | |
| CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
| CN102509269B (zh) | 一种结合曲线波的基于图像子块相似性的图像去噪方法 | |
| CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
| CN103778613B (zh) | 一种窗口自适应的极化sar影像滤波方法 | |
| CN102521813A (zh) | 基于双平台直方图的红外图像自适应增强方法 | |
| CN103295225B (zh) | 弱光照条件下的列车转向架边缘检测方法 | |
| CN103886557A (zh) | 一种深度图像的去噪方法 | |
| CN106204462A (zh) | 基于图像多特征融合的非局部均值去噪方法 | |
| CN103020918A (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
| CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
| CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
| CN103475897A (zh) | 一种基于失真类型判断的自适应图像质量评价方法 | |
| CN102521800A (zh) | 一种针对多模图像的去噪及锐化方法 | |
| CN102262778A (zh) | 基于改进的分数阶微分掩模的图像增强方法 | |
| CN103208104B (zh) | 一种基于非局部理论的图像去噪方法 | |
| Youlian et al. | An improved median filtering algorithm combined with average filtering | |
| CN102663706A (zh) | 基于菱形模板的自适应加权均值滤波方法 | |
| CN105869133A (zh) | 一种基于非因果分数阶次微分的图像锐化方法 | |
| CN107833192A (zh) | 一种支持向量机融合分数阶积分算子的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180323 |