【正文】 但在極端情況下，當(dāng) DF WW ? 時(shí)， 0?m ，則要繼續(xù)擴(kuò)大濾波窗口尺寸，直到 m﹥ 0 為止。 窗口 自適應(yīng)中值濾波器的濾波方式和常規(guī)的中值濾波器一樣，都使用一個(gè)矩形區(qū)域的窗口，不同的是在濾波過程中，自適應(yīng)濾波器會(huì)根據(jù)一定的設(shè)定條件改變 (即增加 )濾波窗的大小，同時(shí)當(dāng)判斷濾波窗中心的像素是噪聲時(shí)，該值用中值代替，否中值濾波器 分類器 有噪 圖像 開關(guān)單元 濾波后圖像 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 30 則不改 變其當(dāng)前像素值，這樣用濾波器的輸出來替代 目前濾波窗中心的坐標(biāo) 像素 的值。所以，它仍具有很大的局限性。因此我們需要對(duì)中值濾波法進(jìn)行改進(jìn)。 （ 2） 對(duì)某些信號(hào)的不變性 。模板在圖像中按照像素為單位，從左到右、從上到下進(jìn)行。這種濾波器的優(yōu)點(diǎn)是運(yùn)算簡單而且速度較快，在濾除疊加白噪聲和長尾疊加噪聲方面顯示出了極好的性能。利用這兩種誤差數(shù)據(jù)繪出圖 33 中的兩種均方誤差隨訓(xùn)練次數(shù)變化的曲線。即使是同一類樣本也要照顧樣本的多樣性與均勻性。根據(jù)該算法，在訓(xùn)練過 程中影響小的權(quán)值將逐漸衰減到零，因此可以去掉相應(yīng)的節(jié)點(diǎn)，最終能夠保留下來的即為最佳的隱含層節(jié)點(diǎn)數(shù)。另一方面，隱含層節(jié)點(diǎn)數(shù)量過多，則有可能把非規(guī)律性的內(nèi)容如噪音也學(xué)會(huì)記牢，從而出現(xiàn)“過擬合”的現(xiàn)象，反而降低了神經(jīng)網(wǎng)絡(luò)的泛化能力。 2. 輸入層節(jié)點(diǎn)數(shù) 在前文中己經(jīng)說明本文章中輸入變量為 由弱分類器分類得到的 0,1 序列。在訓(xùn)練樣本選擇上遵循如下準(zhǔn)則： （ 1） 半數(shù)以上弱分類器能夠正確分類的像素點(diǎn)作為待選樣本，確保樣本特征明顯； （ 2） 樣本數(shù)量約為網(wǎng)絡(luò)連接權(quán)總數(shù)的 10 倍，確保樣本的多樣性； （ 3） 不同類別樣本（目標(biāo)結(jié)果為 0 或 1）數(shù)量大致相等，確保樣本的均勻性； （ 4） 隨機(jī)抽取，確保樣本間的不相關(guān)性。即使是同一類樣本也要照顧樣本的多樣性與均勻性。 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)包括訓(xùn)練樣本集設(shè) 計(jì)、 訓(xùn)練與測試 和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 三方面內(nèi)容。以當(dāng)前點(diǎn)為中心定義一個(gè) ww? 窗口： ?????? ????????? NkkwwtswtsW ,12。 W 初始化為全 1 矩陣，在進(jìn)行噪聲檢測的過程中， 根據(jù)脈沖噪聲的檢測結(jié)果將矩陣中的元素值設(shè)置為 0 或保持原值 1。另一種方法是在所有的樣本輸入之后，計(jì)算網(wǎng)絡(luò)的總誤差 總E 總E = ? ???? ? ?Pplkpkpk od12121 (226) 然后根據(jù)總誤差計(jì)算各層的誤差信號(hào)并調(diào)整權(quán)值，這種積累誤差的批處理方式稱為批訓(xùn)練或周期訓(xùn)練。 對(duì)于輸出層，利用式 (27)，可得 )(kkk odoE ????? (220) 對(duì)于隱層，利用式 (28)，可得 ?? ???? lk jkkkkj wne tfodyE139。 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 13 BP 算法的原理推導(dǎo) 式 (28)僅是對(duì)權(quán)值調(diào)整思路的 數(shù)學(xué)表達(dá)，而不是具體的權(quán)值調(diào)整計(jì)算公式。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。在工程上及許多技術(shù)領(lǐng)域中經(jīng)常遇到這樣的問題：對(duì)某輸入 — 輸出系統(tǒng)已經(jīng)積累了大量相關(guān)的輸入— 輸出數(shù)據(jù)，但對(duì)其內(nèi)部蘊(yùn)含的規(guī)律仍未掌握，因此無法用數(shù)學(xué)方法來描述該規(guī)律。一般習(xí)慣將單純隱層前饋網(wǎng)成為三層前饋網(wǎng)或三層感知器，所謂三層包括了輸入層、隱層和輸出層。 BP 算 法的基本思想是，學(xué)習(xí)過程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成。如果環(huán)境是非平穩(wěn)的，通 常的監(jiān)督學(xué)習(xí)沒有能力跟蹤這種變化，為解決此問題，需要網(wǎng)絡(luò)有一定的自適應(yīng)能力，此時(shí)對(duì)每一不同輸入都作為一個(gè)新的例子來對(duì)待。 ③ 再勵(lì)學(xué)習(xí) 再勵(lì) 學(xué)習(xí)介于上面 兩種情況 之間，外部環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)信息 (獎(jiǎng)勵(lì)或者懲罰 )而不是給出正確答案。 ANN 學(xué)習(xí)對(duì)于 訓(xùn)練數(shù)據(jù)中的錯(cuò)誤健壯性很好， 且 已被成功應(yīng)用到很多領(lǐng)域 中 ，例如文本識(shí)別、語音識(shí)別、圖像復(fù)原、圖像分割、目標(biāo)跟蹤等。因 而，在輸出層中，神經(jīng)元 之間有近揚(yáng)遠(yuǎn)抑的反饋特性 ， 從 而 使 Kohonen 網(wǎng)絡(luò)可以作為模式特征的檢測器。這個(gè)網(wǎng)絡(luò)習(xí)以完成制約優(yōu)化和聯(lián)想記憶等功能。人們按不同的角度對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，通?？砂?5 個(gè)原則進(jìn)行神經(jīng)網(wǎng)絡(luò)的歸類。細(xì)胞體突起的最長的外伸管狀纖維稱為軸突。神 經(jīng)網(wǎng)絡(luò)是一個(gè)高度非線性動(dòng)力學(xué)系統(tǒng)， 用神經(jīng)網(wǎng)絡(luò)可以表達(dá)實(shí)際物理世界的各種現(xiàn)象。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù) (activation function)。 在具體的仿真實(shí)驗(yàn)中常常要人為的加入某種特 定的人工噪聲，以測試去噪方法對(duì)特定噪聲模型的去噪效果。 之所以考察這種噪聲是因?yàn)樗?存在范圍較廣，具有典型的代表性。這些測量的主要缺點(diǎn)是 它們與人主觀判定準(zhǔn)則相對(duì)來說差得較遠(yuǎn)。實(shí)際上，濾波器 性能完全取決于 應(yīng)用場合。 濾波的方法 為消除脈沖噪聲，人們提出了各種濾波方法。 在數(shù)字圖像處理領(lǐng)域，有很多傳統(tǒng)的圖像去噪方法它們可能已經(jīng)被提出 以至被應(yīng)用很久了。像素值可反映圖像的層次細(xì)節(jié)，是構(gòu)成圖像必不可少的基本要素之一。 adaptive switching median filters 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） I 目 錄 第 1 章 概述 ....................................................... 1 圖像去噪技術(shù)研究的意義 ..................................... 1 噪聲檢測的方法 ............................................. 2 濾波的方法 ................................................. 2 噪聲種類與圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn) ................................. 2 本文的主要工作 .............................................. 4 第 2 章 BP 神經(jīng)網(wǎng)絡(luò)簡介 ............................................. 5 人工神經(jīng)網(wǎng)絡(luò)簡介 ........................................... 5 BP 神經(jīng)網(wǎng)絡(luò) ................................................ 9 多層前饋網(wǎng)絡(luò)的主要能力 .................................... 11 BP 學(xué)習(xí)算法 ................................................ 11 本章小結(jié) .................................................. 17 第 3 章 基于 BP 神經(jīng)網(wǎng)絡(luò)的脈沖噪聲檢測 ............................... 18 脈沖噪聲圖像的數(shù)學(xué)模型 .................................... 18 噪聲檢測弱分類器的設(shè)計(jì) .................................... 19 噪聲檢測強(qiáng)分類器的設(shè)計(jì) .................................... 20 本章小結(jié) .................................................. 25 第 4 章 窗口自適應(yīng)開關(guān)中值濾波 ..................................... 26 中值濾波的基本理論 ........................................ 26 開關(guān)中值濾波器 ............................................ 28 窗口自適應(yīng)開關(guān)中值濾波 .................................... 29 本章小結(jié) .................................................. 31 第 5 章 實(shí)驗(yàn)結(jié)果與討論 ............................................ 32 性能評(píng)價(jià)指標(biāo)定義 .......................................... 32 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） II 視覺效果對(duì)比 .............................................. 32 噪聲檢測性能對(duì)比 .......................................... 32 去噪性能對(duì)比 .............................................. 34 實(shí)驗(yàn)結(jié)果討論 .............................................. 35 結(jié)論 ............................................................ 36 參考文獻(xiàn) ........................................................ 37 致 謝 ........................................................... 38 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 1 第 1 章 概述 圖像去噪技術(shù)研究的意義 圖像作為人們感知世界的視覺基礎(chǔ)，是人類獲取信息、表達(dá)信息和傳遞信息的重要手段。 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 摘 要 在信息化的社會(huì)里，圖像在信息傳播中所起的作用越來越大， 而數(shù)字圖像在獲取與傳播中，可能會(huì)受到脈沖噪聲的污染 。 研究表明，人類獲取的視覺圖像信息在人類接受的信息中的比重達(dá)到四分之三。另一個(gè)基本要素是圖像空間分辨率，可由像素值在可分辨條件下的像元總數(shù)來表示。在這樣的學(xué)術(shù)背景下依然研究圖像去噪的意義在于 ： （ 1） 在圖像去噪領(lǐng)域，傳統(tǒng)方法呈百花齊放之態(tài)，但是這些方法并非十全十美，主要表現(xiàn)在去噪的同時(shí)對(duì)圖像細(xì)節(jié)的丟失。由于線性濾波器會(huì)引起圖像的嚴(yán)重模糊，而非線性濾波器更有利于保護(hù)圖像細(xì)節(jié)，因此，非線性濾波方法被廣泛采用 [5]。常用的一些濾波器性能測量項(xiàng)目有 :對(duì)不同類型噪聲的濾波特性 ；邊緣保護(hù) ； 細(xì)節(jié)信息保護(hù) ； 無偏性 ； 計(jì)算復(fù)雜度。主要原因是人的視覺相對(duì)復(fù)雜得多，它的特性無法用一個(gè)性能表達(dá)函數(shù)來描述。對(duì)濾波效果從主觀視覺評(píng)價(jià)和客觀參數(shù)標(biāo)準(zhǔn) (PSNR 峰值信噪比 )兩個(gè)角度進(jìn)行度量。在具體評(píng)價(jià)去噪模型時(shí)，我們需要考慮的幾個(gè)因素總結(jié)如下 ： 去噪后圖像應(yīng)盡量的平滑，不存在或有較少的噪聲痕跡 ； 去噪結(jié)果不能使圖像過渡的失去結(jié)構(gòu)細(xì)節(jié)變得模糊 ；沒有由于 具體去噪方法產(chǎn)生的人工噪聲 ； 方法噪聲盡量地接近自然隨機(jī)噪聲 ； 峰值信噪比 (PSNR)盡可能大，歸一化均方差 (NMSE)盡可能小。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于 通過該連接信 號(hào) 的加權(quán)值，稱之為權(quán)重 (weight)，這相當(dāng)于 人工神經(jīng)網(wǎng)絡(luò)的記憶。 神經(jīng)元是神經(jīng)網(wǎng)絡(luò)基 本元素。軸突最長可達(dá) 1 米以上。按照網(wǎng)絡(luò)的結(jié)構(gòu)區(qū)分，則有前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。 BP 網(wǎng)絡(luò)是反向傳 播 (Back Propagation)網(wǎng)絡(luò) [10]。 ART 網(wǎng)絡(luò)也是一種自組織網(wǎng)絡(luò)模型。 一般 而 言， ANN 與經(jīng)典計(jì)算方法相比并非優(yōu)越，只有當(dāng)常規(guī)方法解決不了或效果不佳時(shí) ANN 方法才能顯示出其優(yōu)越性 [11]。學(xué)習(xí)系統(tǒng)通過強(qiáng)化那些受獎(jiǎng)勵(lì)的動(dòng)作來改善自身性能。 東北石油大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 9 BP 神經(jīng)網(wǎng)絡(luò) BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，全稱是基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(luò) [12]。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。 三層前饋網(wǎng)中，輸入向量為 Tni xxxxX ),( 21 ??? ，如加入 10 ??x ，可為隱層神經(jīng)元引入閾值；隱層輸出向量為 Tmj yyyyY ),( 21 ??? ，如加入 10 ??y ，可為輸出層神經(jīng)元引入閾值；輸出層輸出向量 Tlk ooooO ),( 21 ??? ；期望輸出向量為 Tlk dddd ),(d 21 ??? 。這一類為題的共同特點(diǎn)是： ① 難以得到解析解； ② 缺乏專家經(jīng)驗(yàn)； ③ 能夠表示和轉(zhuǎn)化為模式識(shí)別或非線性映射問題。若輸出層的實(shí)際輸出與期望輸出（教師信號(hào)）不符，則轉(zhuǎn)入是、誤差的反向傳播階段。下面推導(dǎo)三層 BP 算法權(quán)值調(diào)整的計(jì)算公式。 )()( (221)