一种基于GWO和BEMD优化的自适应PCNN图像去噪方法

摘要

本发明公开了一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，使用BEMD将原始噪声图像分解，使用GWO对PCNN参数进行优化，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像。本发明有效确定了PCNN关键参数，解决了高强度噪声的抑制问题，与现有图像去噪方法相比不仅具有更快的收敛速度而且产生了更好的去噪效果。

说明书

技术领域

本发明涉及现代信息处理的图像和数据去噪技术，具体地说，是指一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。

背景技术

随着数字技术和多媒体通信的蓬勃发展，关于非线性和不稳定数据的数字图像分析方法特别是数字图像处理在数据传输、图像匹配、目标检测、遥感等许多领域中得到广泛应用。然而，图像噪声的存在不可避免地会使图像质量下降，最终导致有效像素的毛刺和失真，因此对于数字图像，为了提高有效像素的识别精度，必须通过可靠有效的图像去噪方法保证视觉像素的质量。现有图像去噪算法都存在搜索机制复杂、容易陷入局部最优、泛化能力低等问题。

发明内容

发明目的：为了解决现有图像去噪方法存在的搜索机制复杂、局部最优、保留细节信息不完整等问题，本发明提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。

技术方案：一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，包括以下步骤：

输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；

利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数α

对于分解后的二维本征模函数分量和残差函数分量，用优化后的PCNN参数分别进行去噪处理，输出去噪后的多个频率不同的二维本征模分量和残差函数分量；根据去噪前后的二维本征模分量和残差函数分量计算灰狼函数适应度，更新搜索灰狼的位置向量，选取函数适应度最大时对应的参数α

进一步地，所述去噪处理步骤包括：将分解后的二维本征模函数分量和残差函数分量作为输入信号，输入PCNN的输入区，通过伽玛变换增强分量对比度的操作得到信号强度L

U

其中，F

将U

激活神经元后对神经元的信号强度L

进一步地，对原始噪声图像BEMD分解的方法为：

二维经验模态分解将原始噪声图像通过满足终止约束条件：

将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：

其中h

进一步地，在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：

其中t表示当前迭代，

进一步地，函数适应度的计算公式为：

其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数(p＝2)，M和N分别是原始噪声图像分量的大小和去噪后图像分量的大小。

有益效果：本发明提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，相比较现有技术，该方法通过BEMD将原始噪声图像分解成多个二维固有模态函数(BIMFs)分量和一个残余分量r，使用GWO对PCNN参数进行优化后，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像，实现了更好的去噪效果；

通过GWO连续层级筛选和多次迭代后准确地全局优化PCNN参数，这样不仅有效解决PCNN模型关键参数设置问题，而且大大加快了整个模型运算速度；

通过BEMD将原始噪声图像自适应地分解成多个频率高低不同的BIMFs和一个残余分量r，用GWO优化后的PCNN针对不同频率的BIMFs和r分别进行去噪处理，最终消除了高强度噪声并使整个去噪过程更加有效，产生更好的去噪效果。

附图说明

图1是PCNN结构示意图；

图2是基于GWO优化和BEMD分解的自适应PCNN复合图像去噪方法流程图；

图3(a)是原始Pepper图像；

图3(b)是含有椒盐噪声的Pepper图像；

图3(c-e)是原始Pepper图像频率不同的二维本征模函数分量

图4是GWO和其余两种方法的收敛曲线图；

图5(a-c)是GWO优化的PCNN对Pepper图像分解的各个分量去噪效果图；

图5(d-h)是BEMD-GWO-PCNN以及其他图像去噪方法去噪后重建的Pepper图像对比。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

本实施例使用PCNN模型，如图1所示，PCNN模型结构完全不需要训练，但是其参数优化问题对图像去噪效果至关重要。本实施例中所有PCNN模型的神经元都采用相同连接方式，并将每个像素的亮度信息输入到相应的神经元。每个神经元将与3×3个相邻区域的神经元相连，每个神经元(i，j)的输入区F

如图2所示，一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，包括以下步骤：

步骤一：输入原始噪声图像，为了更有利于提取源图像的各种细节和边缘，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量BIMF1分量、BIMF2分量和一个残差函数分量r，如图3(c)-(e)。

二维经验模态分解将原始噪声图像通过满足终止约束条件：

将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：

其中h

表1为各分量分别对应的α

表1 BEMD分解的含有椒盐噪声Lena和Pepper图像的各个分量

由图3可以看出，由于噪声干扰无法清晰地区分图像的原始轮廓和细节，其中BIMF1和BIMF2还包含有不规则黑白点云的很多噪声点，而残余分量r中则包含大量图像轮廓和原始细节信息；

本实施例中，图3(a)为原始Pepper图像，图3(b)为与浓度δ＝0.05(即包含噪声值的图像区域的百分比)椒盐噪声叠加后的噪声图像。

步骤二：使用GWO算法对PCNN参数进行优化，用优化后的PCNN参数对各个分量进行去噪处理。

(1)GWO优化PCNN参数，所述PCNN参数包括指数衰减时间常数α

在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：

其中t表示当前迭代，

A＝2r

C＝2·r

其中参数r

(2)噪声检测和处理。计算3×3区域PCNN中每个神经元的L

U

与E

激活函数为：

激活后进行形态开运算处理，从而输出去噪后的多个频率不同的二维本征模分量和残差函数分量；

(3)计算灰狼函数适应度，更新搜索灰狼的位置向量，输出优化参数α

其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数(p＝2)，M和N分别是原始噪声图像分量和去噪后图像分量的大小。

本实施例中，为了验证GWO算法的收敛速度，给出一个测试拟合函数F(x

图5(d-h)将本发明提出的图像去噪方法(BEMD-GWO-PCNN)与其他图像去噪方法如COR-PCNN(常规随机PCNN)、中值滤波器(Median filter)、PSO-PCNN(粒子群优化的PCNN)、GACA-PCNN(遗传蚁群算法优化的PCNN)进行对比。

步骤三：将去噪后的各分量进行重建得到去噪后图像。

本实施例中，图5(d-h)表明虽然各种图像去噪方法对椒盐噪声可以进行有效抑制并使图像轮廓和边缘恢复良好，但是本实施例提出的BEMD-GWO-PCNN复合图像去噪方法整体效果明显优于其他方法。

为了更进一步验证本文提出的BEMD-GWO-PCNN复合图像去噪方法对高强度噪声的去噪性能，分别将不同浓度的δ＝0.1/0.2/0.3椒盐噪声添加到Pepper图像中，然后通过本文提出的BEMD-GWO-PCNN复合图像去噪方法与其他图像去噪方法如COR-PCNN、Medianfilter、PSO-PCNN、GACA-PCNN对原始和添加重椒盐噪声的Pepper图像进行处理，利用交互信息(MI)、结构相似度(SSIM)、峰值信噪比(PSNR)和标准差(STD)等指标进行定量计算和分析对比，结果如表2所示：

表2各种图像去噪方法对高强度噪声的Pepper图像去噪效果对比图

该BEMD-GWO-PCNN复合图像去噪方法中STD、MI、SSIM和PSNR值均高于其他图像去噪方法，较高的PSNR和STD值很好地反映了去噪后图像质量显著提高，较高的MI和SSIM值很好地描述了图像细节恢复程度。

本方法中，通过筛选和迭代将GWO应用于全局优化解决了PCNN参数优化和收敛速度的关键问题，通过BEMD自适应分解方法将原始噪声图像分解成多层图像分量和残余分量，使得GWO优化后的PCNN更有针对性地对分层后的图像进行隔离噪声像素点，最终不仅使图像细节信息得以完整保留而且更能有效抑制高强度噪声。