基于监督性机器学习算法的图像辅助去噪

摘要

针对传统图像辅助去噪方法存在去噪效果差、图像细节信息少、耗时长等问题,提出基于监督性机器学习算法的图像辅助去噪方法.通过监督性机器学习计算,对存在噪声图像做问题描述,通过非下采样转换,获得多尺度与全方向的非下采样轮廓转换因子.融合噪声分布与空间结构特征,构建最小支持向量机特征向量,计算最优阈值.并对高频率因子做辅助去噪处理,将辅助去噪因子变换,获得辅助去噪后图像.实验结果表明,上述方法可以精准估算噪声部分,并保留图像轮廓细节信息,提升图像质量,运行时间短,具有较高鲁棒性,为图像去噪处理提供科学依据.