CN111986100A - 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 - Google Patents
一种基于自适应遗传算法改进的pcnn图像去噪优化方法 Download PDFInfo
- Publication number
- CN111986100A CN111986100A CN202010636075.4A CN202010636075A CN111986100A CN 111986100 A CN111986100 A CN 111986100A CN 202010636075 A CN202010636075 A CN 202010636075A CN 111986100 A CN111986100 A CN 111986100A
- Authority
- CN
- China
- Prior art keywords
- image
- genetic algorithm
- pcnn
- adaptive
- method based
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002068 genetic effect Effects 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 230000006872 improvement Effects 0.000 title claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 9
- 238000001914 filtration Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002856 peripheral neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Picture Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术，具体是一种基于自适应遗传算法改进的PCNN图像去噪优化方法。本发明能够根据遗传算法多次迭代自适应地控制搜索过程得到满足性能指标的问题最优解，对参数智能寻优，更好的去除图像噪声。一种基于自适应遗传算法改进的PCNN图像去噪优化方法，该方法是采用如下步骤实现的：步骤一：对输入图像的参数进行初始化；步骤二：利用GA改进的PCNN模型进行迭代计算；步骤三：对β和VE进行二进制编码；步骤四：计算适应值；步骤五：根据适应值选择最佳个体进行双点交叉和变异；步骤六：判断精英种群是否满足终止条件。本发明的优点在于：(1)去噪性能更好；(2)避免了传统图像去噪方法引起的图像边缘模糊化，很好的保持边缘细节。
Description
技术领域
本发明涉及图像处理技术，具体是一种基于自适应遗传算法改进的PCNN图像去噪优化方法。
背景技术
图像处理是指利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为。图像处理包括图像编码、图像压缩和增强复原。图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。现如今由于图像在生成或者传输过程中会受到各种噪声污染，使得图像质量受到严重损害，这不仅不符合人们的视觉效果，而且对图像的后续处理极为不利。因此，非常有必要进行图像去噪。图像去噪通过改善实际给定图像质量，从而可有效解决由于噪声干扰而导致图像质量降低的问题。数字图像处理技术已经广泛深入地应用于国计民生休戚相关的各个领域。
当前对图像进行去噪处理有以下三种方法：(1)均值滤波法，是一种线性滤波算法，用全体像素的平均值代替原来像素值；(2)中值滤波，是一种非线性平滑技术，将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。(3)维纳滤波，是一种基于最小均方误差准则、对平稳过程的最优估计器。
通过对PCNN神经元及网络的运行机制进行分析，其表现出来的特性非常适合图像预处理领域。但其还存在一些局限性，如神经元之间存在大量反馈连接，使得神经网络具体运作进行数学分析变得十分困难等问题；PCNN不仅需要恰当设置其数学模型中门限参数、衰减时间参数、加权因子等参数，而且确定其循环迭代终止条件更是一个难题。因此，需要对其进行优化并结合其他相关模型或者算法才可以达到更大的应用效果，所以采用遗传算法GA改进PCNN，得到最佳参数适应值。基于GA改进的PCNN在实际应用中，需要设定最佳参数，参数的设定对执行效率和结果有着至关重要的影响。
发明内容
本发明为了解决上述问题，提出一种基于自适应遗传算法改进的PCNN图像去噪优化方法，能够根据遗传算法多次迭代自适应地控制搜索过程得到满足性能指标的问题最优解，对参数智能寻优，更好的去除图像噪声。
本发明是采用如下技术方案实现的：
一种基于自适应遗传算法改进的PCNN图像去噪优化方法，该方法是采用如下步骤实现的：
步骤一：对输入图像的参数进行初始化；
步骤二：利用GA改进的PCNN模型进行迭代计算，得出连接系数β和阈值放大系数VE；
步骤三：对β和VE进行二进制编码；
步骤四：计算熵值，根据熵值选择适应度算法，计算适应值；
步骤五：根据适应值选择最佳个体进行双点交叉和变异，保持群体多样性；
步骤六：判断精英种群是否满足终止条件，若是，则获得最佳参数；若不是，返回步骤四。
进一步地，还包括步骤七：利用基于GA-PCNN的各向异性扩散脉冲噪声滤波器对图像进行预处理，缩小受脉冲噪声干扰的像素灰度值与周围其他像素灰度值的差异。
进一步地，还包括步骤八：根据局部中值算法和反白处理去除图像中的噪声点。
进一步地，还包括步骤九：依据去噪后的图像进行图像恢复。
本发明的优点在于：(1)将遗传算法GA和PCNN两者的优势结合起来，由于PCNN同步输出特性反映了图像的区域、纹理等信息，而GA能在搜索过程中自动获取和积累有关搜索空间的知识，通过多次迭代自适应地控制搜索过程得到满足性能指标的问题最优解，因此将两者结合起来的去噪方法相比传统的去噪方法，其去噪性能更好；(2)利用各向异性扩散滤波器来替代中值滤波，该滤波器通过局部中值算法和反白处理对图像的噪声点进行处理，避免了传统图像去噪方法引起的图像边缘模糊化，很好的保持边缘细节。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面将结合附图和实例对本发明的具体实施方式作进一步的详细说明。
如图1所示，一种基于自适应遗传算法改进的PCNN图像去噪优化方法，该方法是采用如下步骤实现的：
步骤一：对输入图像的参数进行初始化；
步骤二：利用GA改进的PCNN模型进行迭代计算，得出连接系数β和阈值放大系数VE；
在本实施例中，使用GA改进的PCNN模型神经元按照式(1)～(5)进行迭代计算：
Fij[n]＝Iij (1)；
Uij[n]＝Fij[n](1+βLij[n]) (3)；
其中，Iij是外部输入激励，即点(i,j)对应像素点灰度值；Fij是神经元输入项；Iij、Uij、Yij、Eij分别是各神经元的连接输入、内部活动项、脉冲输出和动态阈值；可以看到，该简化的PCNN神经元模型去掉了输入域和连接域的漏电积分器；在连接域，周围神经元的脉冲输出作为反馈直接进行加权求和，然后作为神经元的连接输入；在输入域，外部输入信号直接作为神经元的输入；神经元的脉冲发生器部分保持不变，当神经元输出脉冲时阈值函数输出预设阈值VE，随后按指数规律衰减；
步骤三：对β和VE进行二进制编码；
在遗传算法理论在有两种主要的编码方式：二进制编码和浮点数编码，二进制编码进化的层次是基因，浮点数进化的层次是个体；大量实验结果表明：对同一优化问题二进制编码和浮点数编码，遗传算法不存在明显的性能差异；
在本实施例中，对于简化模型PCNN中需要优化的两个参数：连接系数β和阈值放大系数VE均采用了二进制编码(因为数量少，搜索空间有限，便于编程实现)；
步骤四：计算熵值，根据熵值选择适应度算法，计算适应值；
遗传算法在搜索进化过程中一般不需要其他外部信息，仅用适应度来评价个体的优劣，并以此作为遗传操作的依据；设计一个好的适应度函数对于遗传算法的执行效率和结果有着至关重要的影响；为了调节选择压力，保持群体的多样性，适应度函数为目标函数的加密值；在选择适应度算法时，首先需要计算熵值，之后根据适应度函数计算适应值；
步骤五：根据适应值选择最佳个体进行双点交叉和变异，保持群体多样性；
交叉互换能产生不同于母体的后代，交叉的概率越高，群体中新结构的引入越快；如果交叉概率太低，则收敛速度可能降低，导致搜索阻滞；变异操作是保持群体多样性的有效手段；变异概率太小，可能是某些基因位过早丢失的信息无法恢复；而变异概率过高，遗传搜索将变成随机搜索；
在本实施例中，采用双点交叉和基本变异算子；
步骤六：判断精英种群是否满足终止条件，若是，则获得最佳参数；若不是，返回步骤四；
任何算法设计的最后一步都是要分析它的收敛条件，保证算法收敛的策略：采用了杰出人才保持模型，即用每一代内的最优个体替代下一代内的最差个体，从而使得算法完全收敛。
进一步地，还包括步骤七：利用基于GA-PCNN的各向异性扩散脉冲噪声滤波器对图像进行预处理，缩小受脉冲噪声干扰的像素灰度值与周围其他像素灰度值的差异。
进一步地，还包括步骤八：根据局部中值算法和反白处理去除图像中的噪声点。
进一步地，还包括步骤九：依据去噪后的图像进行图像恢复。
Claims (4)
1.一种基于自适应遗传算法改进的PCNN图像去噪优化方法，其特征在于：该方法是采用如下步骤实现的：
步骤一：对输入图像的参数进行初始化；
步骤二：利用GA改进的PCNN模型进行迭代计算，得出连接系数β和阈值放大系数VE；
步骤三：对β和VE进行二进制编码；
步骤四：计算熵值，根据熵值选择适应度算法，计算适应值；
步骤五：根据适应值选择最佳个体进行双点交叉和变异，保持群体多样性；
步骤六：判断精英种群是否满足终止条件，若是，则获得最佳参数；若不是，返回步骤四。
2.根据权利要求1所述的一种基于自适应遗传算法改进的PCNN图像去噪优化方法，其特征在于：还包括步骤七：利用基于GA-PCNN的各向异性扩散脉冲噪声滤波器对图像进行预处理，缩小受脉冲噪声干扰的像素灰度值与周围其他像素灰度值的差异。
3.根据权利要求1所述的一种基于自适应遗传算法改进的PCNN图像去噪优化方法，其特征在于：还包括步骤八：根据局部中值算法和反白处理去除图像中的噪声点。
4.根据权利要求1所述的一种基于自适应遗传算法改进的PCNN图像去噪优化方法，其特征在于：还包括步骤九：依据去噪后的图像进行图像恢复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010636075.4A CN111986100A (zh) | 2020-07-04 | 2020-07-04 | 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010636075.4A CN111986100A (zh) | 2020-07-04 | 2020-07-04 | 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111986100A true CN111986100A (zh) | 2020-11-24 |
Family
ID=73438355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010636075.4A Pending CN111986100A (zh) | 2020-07-04 | 2020-07-04 | 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986100A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785522A (zh) * | 2021-01-21 | 2021-05-11 | 国网山西省电力公司电力科学研究院 | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 |
| CN113409166A (zh) * | 2021-08-19 | 2021-09-17 | 国网江西综合能源服务有限公司 | 基于XGBoost模型的用户异常用电行为检测方法及装置 |
-
2020
- 2020-07-04 CN CN202010636075.4A patent/CN111986100A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785522A (zh) * | 2021-01-21 | 2021-05-11 | 国网山西省电力公司电力科学研究院 | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 |
| CN112785522B (zh) * | 2021-01-21 | 2024-02-20 | 国网山西省电力公司电力科学研究院 | 一种基于gwo和bemd优化的自适应pcnn图像去噪方法 |
| CN113409166A (zh) * | 2021-08-19 | 2021-09-17 | 国网江西综合能源服务有限公司 | 基于XGBoost模型的用户异常用电行为检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Heckel et al. | Deep decoder: Concise image representations from untrained non-convolutional networks | |
| CN111275643B (zh) | 基于通道和空间注意力的真实噪声盲去噪网络系统及方法 | |
| Wang et al. | Channel and space attention neural network for image denoising | |
| EP0998720A4 (en) | DEVICE AND METHOD FOR IMAGE AND SIGNAL PROCESSING | |
| CN108765330B (zh) | 基于全局和局部先验联合约束的图像去噪方法和装置 | |
| CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
| CN111986100A (zh) | 一种基于自适应遗传算法改进的pcnn图像去噪优化方法 | |
| CN110648292A (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
| CN110246094B (zh) | 一种用于彩色图像超分辨率重建的6维嵌入的去噪自编码先验信息算法 | |
| CN109671041B (zh) | 一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法 | |
| Hsu et al. | A high-capacity QRD-based blind color image watermarking algorithm incorporated with AI technologies | |
| CN112488934B (zh) | 一种基于cs-tcgan的指静脉图像去噪方法 | |
| Maity et al. | Impulsive noise in images: a brief review | |
| CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
| CN116703772B (zh) | 一种基于自适应插值算法的图像去噪方法、系统及终端机 | |
| Lin | Partition belief median filter based on Dempster–Shafer theory for image processing | |
| US20240054605A1 (en) | Methods and systems for wavelet domain-based normalizing flow super-resolution image reconstruction | |
| CN111489306A (zh) | 基于强化学习的图像去噪方法 | |
| CN110910329B (zh) | 一种以需求为导向的图像去噪方法 | |
| CN116862795A (zh) | 一种基于逐像素退化预测网络的多级去运动模糊方法 | |
| CN111145103A (zh) | 基于细节保留神经网络模型的蒙特卡洛去噪方法 | |
| Yang et al. | Mixed noise removal by residual learning of deep cnn | |
| CN115358952A (zh) | 一种基于元学习的图像增强方法、系统、设备和存储介质 | |
| Xu et al. | Unsupervised facial image de-occlusion with optimized deep generative models | |
| CN114862699A (zh) | 基于生成对抗网络的人脸修复方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201124 |
|
| WD01 | Invention patent application deemed withdrawn after publication |