基于支持向量神经网络的模糊混合滤波器在图像去噪中的应用研究

沙特国王大学学报基于支持向量神经网络的模糊混合滤波器在灰度图像Sagenela Vijaya Kumara，c，C.纳加拉朱baRajiv Gandhi Memorial College of Engineering and Technology，Andhra Pradesh 518501，IndiabYSR Engineering College of Yogivemana University，Andhra Pradesh 516360，IndiacDepartment of CSE，JNTU，Hyderabad，India阿提奇莱因福奥文章历史记录：2018年1月18日收到2018年4月10日修订2018年5月24日接受在线提供2018年关键词：图像去噪脉冲噪声SVNN分类器模糊滤波NLM滤波A B S T R A C T去噪是从受损的低质量图像中恢复图像特征，提高图像感知质量的除了在图像去噪领域具有显著的优势外本文将模糊滤波器与非局部均值滤波器相结合，设计了一种新的滤波器。该方法分两个阶段去除图像中的脉冲噪声：1）噪声识别，2)去噪阶段通过构造基于支持向量神经网络（SVNN）分类器的二值映射进行噪声识别。SVNN分类器的训练基于遗传算法（GA），以确定最佳的权重和偏见。从图像中提取用于训练的特征，并且因此，训练过程将噪声像素与良好像素区分开。在去噪阶段，启用混合滤波器以去除图像中的脉冲噪声。该模型使用五个标准图像，如狒狒，摄影师，莉娜，辣椒和Pemaquid点灯塔图像的实验目的。从仿真结果来看，很明显，所提出的混合滤波器与SVNN分类器一起实现了改进的结果，对于PSNR、SSIM和SDME，分别为47.278 dB、0.978和61.637 dB©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像去噪被认为是图像处理中的重要步骤，因为图像中噪声的存在影响图像的质量。图像去噪是图像处理过程中的一个预处理步骤 。 几 项 工 作 将 影 响 图 像 质 量 的 噪 声 视 为 加 性 高 斯 白 噪 声（AWGN）（Shaoping等人，2017年）。各种研究都考虑通过像素增强和调整孔径大小来抑制图像中的噪声此外，基于软件的方案已用 于 减 轻 图 像 中 脉 冲 噪 声 的 影 响 （ Chatterjee 和 Milanfar ，2012）。*通讯作者。电 子 邮 件地 址 ：svksr105@gmail.com（ S.V.Kumar ） ，cnrcse@gmail.com（C.Nagaraju）。沙特国王大学负责同行审查制作和主办：Elsevier图像去噪模型需要在降低噪声的同时保留图像纹理和边缘细节（Karami和Tafakori，2017）。在图像采集和传输期间，图像可能经受各种类型的噪声，即高斯噪声、脉冲噪声和斑点噪声（Yu等人，2017年）。可以基于图像的外观来检测噪声的存在，因此，基于亮度质量来测量脉冲噪声图像受脉冲噪声影响的其他原因是由于模数转换、图像中存在死像素等（Stankovic等人，2017年）。图像中脉冲噪声的存在可以通过识别图像中的噪声像素来去除，并在滤波器的帮助下对图像进行去噪（Jiang，2017）。图像模糊的主要原因之一（Jiang，2017）是噪声的存在，例如高斯噪声（Beck和Teboulle，2009）、脉冲噪声（Cai等人，2010）、混合噪声和泊松噪声。文献中讨论的去噪方案可以大致分为三类，即基于变换的方法、非局部方法和基于滤波器的方法。基于滤波器的图像去噪方案进一步分为线性和非线性模型（Karami和Tafakori，2017）。一https://doi.org/10.1016/j.jksuci.2018.05.0111319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University821工作中讨论的中值滤波器（Burian和Kuosmanen，2002）是一种非线性滤波器，它比其他非线性滤波器（Karami和Tafakori，2017）具有显着的性能。降噪方案使用各种滤波器，如中值、均值或形态滤波器，以去除脉冲噪声（Schuster和Sussner，2017）。文献介绍了采用内核的贪婪方法（Papageorgiou等人，2017），以及用于消除图像中的脉冲噪声的自适应中心加权中值滤波器（Lin，2007）。文献已经提出了用于噪声消除的各种方案，诸如空间滤波器技术（Lucat等人，2002）、偏微分方程算法（You和Kaveh，2000）、小波阈值滤波器（Luisier等人，2007）、基于非局部均值（NLM）的技术（Buades等人，2005）、基于稀疏表示（SR）的技术（Liu等人， 2016）等，用于去除脉冲噪声。本文提出了一种基于模糊的混合滤波器来去除图像中的脉冲噪声。该系统通过噪声识别和噪声去除两个步骤去除图像中的脉冲噪声。在噪声识别阶段，SVNN分类器用于构建二值映射，其中二值映射具有关于图像中的噪声像素的信息。SVNN分类器的训练基于遗传算法确定最佳的权重和偏见。基于基于预测的参数分量从图像中提取特征基于所提取的特征，SVNN被训练以找到图像中的噪声和原始像素然后，所提出的混合滤波器校正图像中存在的噪声像素。提出的混合滤波器是通过混合的模糊滤波器和非局部均值滤波器，基于自适应权重。本研究对去噪方案发展的主要贡献简述如下，提出了一种新的二值映射模型来识别图像中的噪声像素。提出的二值映射是基于SVNN分类器通过训练构建的，SVNN训练是通过从图像中提取合适的特征来完成的设计一个去噪方案与建议的混合滤波器，以消除图像中存在的噪声。该混合滤波器结合了模糊滤波器和非局部均值滤波器，并具有自适应权值。本文的结构如下：第一节介绍了图像去噪方案，第二节回顾了与图像去噪相关的文献第3节介绍了图像去噪的方法与建议的混合滤波器的描述。第4节解释了所提出的混合滤波器的结果，结论在第5节中提供。2. 动机2.1. 文学作品在这里，讨论了各种文献中与图像去噪相关的工作，并分析了各种技术的优缺点。Papageorgiou等人（2017）提出了用于减少图像中噪声的鲁棒非线性回归模型。他们提出了基于正交匹配追踪的核贪婪算法用于图像去噪。该模型能较好地抑制图像中椒盐噪声的存在，同时也能抑制有界噪声成分的存在Hao和Su（2017）提出了基于块的模型，用于在多帧环境中对图像进行去噪。模型使用非局部相似性方案来恢复较低质量的像素。在图像复原过程中，采用了基于秩的算法，并采用了自适应秩调整策略。此外，改进的模型质量没有提供定义像素质量的各种参数之间的定量关系。Wang et al.（2017）提出了一种通过混合频谱空间自适应机制和良好平衡流（WBF）模型的算法。该算法利用可调加权函数对图像中的噪声像素进行增强，从而控制了模型的扩散行为。该算法提供了改进的边缘保持，但参数对变化的环境具有适应性Xu（2017）提出了非局部集中式稀疏表示（NCSR）算法的扩展版本，即快速NCSR算法，其中包括用于降低噪声的自适应参数。提出了一种基于字典学习的 图 像 去 噪 方 法 ， 该 方 法 采 用 K-means 算 法 进 行 噪 声 识 别 。Stankovic等人（2017）提出了基于梯度下降模型的算法。该算法使用基于随机共振的模型来识别和去除图像中的噪声。不需要识别像素的位置来识别噪声，因此，该模型在去噪阶段之后提供了更好质量的图像Jiang （2017 ）提出了具有多参数的正则化模型，即总变差（TV）和小波框架（WF），用于去除图像中的脉冲噪声。该模型使用参数来构造算法。该模型提供了一个图像的恢复过程中的改善强度。此外，在去噪过程中，图像的纹理没有被保留Schuster 和Sussner（2017）使用中值滤波器去除图像中的脉冲噪声，并使用直接模糊变换（FT）恢复图像。用改进后的像素点代替噪声像素点图像，并通过模糊检测器对噪声像素点进行识别该方法通过消除噪声来改善图像的纹理。Karami和Tafakori（2017）提出了用于减少图像中脉冲噪声影响的广义Cauchy（GC）分布该模型提供了一个更容易的实时实现，但该模型的计算负荷是显着的高。2.2. 挑战下面讨论从图像中去除噪声所涉及的挑战来自数字系统的图像可能由于传感器中发生的错误、传输故障和各种存储故障而受到影响。它们在系统中引入了脉冲噪声，从而降低了系统的质量。系统中噪声的存在妨碍像素，并且因此降低了系统的整体质量（Zhong等人， 2017年）。当图像被存储并通过长距离传输线时，脉冲噪声影响图像。由于图像中脉冲噪声的存在会影响质量，因此有必要在不影响图像纹理的情况下消除噪声（Schuster和Sussner，2017）。由于非特定源的存在产生了噪声，因此从图像预测由数据采集过程产生的脉冲噪声面临困难（Bagheri等人， 2017年）。●●●●●822S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud UniversityωðÞ文献中讨论的图像去噪算法没有实现适当的降噪，并且算法的运行时间更长（Xu等人， 2017年）。3. 基于SVNN分类器和混合滤波器的图像去噪算法本研究介绍了图像去噪模型，用于去除图像中存在的脉冲噪声。这项工作介绍了一种新的过滤器，通过杂交的方法模糊滤波器和NLM滤波器用于从图像中去除脉冲噪声。所提出的模型在以下阶段中去除脉冲噪声，● 噪声识别阶段● 噪声去除/去噪阶段在噪声识别阶段，通过构造二值映射来识别关于输入图像中存在损坏像素的信息。因此，为了训练的目的，从图像中提取几个特征。从这项工作中提取的每个特征被识别为基于预测的参数分量。然后，在噪声去除阶段，将所提出的滤波器应用于图像以去除噪声的存在。图像中的脉冲噪声。建议的混合滤波器使用新设计的自适应常数，通过集成模糊和NLM滤波器的噪声像素校正。所提出的混合滤波器的自适应常数取决于二进制映射从SVNN分类器构建。最后，通过混合滤波器的应用，得到了去除脉冲噪声的增强图像。图1呈现了所提出的去噪模型的架构以及对所提出的混合滤波器的描述。3.1. 特征提取在图像处理的图像采集阶段期间，图像可能经受脉冲噪声。脉冲噪声影响图像中存在的一些像素，并且因此损害图像的可见性。假设I是输入图像，n是该图像中的像素数。输入图像I在等式（1）中表示。（一）.IIijg16i6U16j6V1其中，Iij指示存在于图像的第i行和第j列中的像素。被认为是去噪方案的图像具有UV的大小。可以通过从输入图像中提取特征来识别图像中存在的噪声像素。这里，总共有10个特征，即预测误差Δ1λ、中值像素和中心像素的偏差Δ2λ、操作下的像素Δ3λ、像素的中值Δ4λ、操作下的核的平均值Δ5λ、新像素差（NPD）Δ6λ、熵Δ7λ、偏度Δ8λ、峰度Δ9λ和信息增益Δ 10。当量（2）表示特征向量，其包括特征的数量。Fig. 1. 使用所提出的混合滤波器的图像去噪模型的框图。●S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University823XXk;l¼我;KK10夸脱1/1n¼8×½;我1XD4A¼ f A 1; A 2;. ; A f;.. . ; A 10g/kg其中，Af是指从图像中提取的模糊特征，并且f的值在1到10之间变化，因为本工作从图像中提取了10个特征。从输入图像提取的每个特征被简要如下，3.1.1. 预测误差（A1）预测误差（Roy等人，2016）确定由于脉冲噪声的存在而在图像中发生的各种失真。目标像素的相邻像素的预测误差表示为，3.1.7. 熵（A7）在熵特征的帮助下识别图像内存在的唯一像素，熵特征在等式（1）中定义（九）、u iijA7¼- Pi× log Pi91/ 1其中，u_i_i_i表示图像中的唯一像素，并且项P_i指的是图像中的第i个像素的概率值。3.1.8. 信息增益（A8）信息增益取决于条件熵，ck;l ¼sij×zk-i;l-j32.2W其中，Sij表示像素之间的相似性度量的全息熵函数，这是定义在方程。（十）、A8¼Jzkl-mKi;l; Kj;l 10其中，jzklk表示全熵函数，在图像中，z=k-i;l-j=是周围;mj Ki;l;Kj;l表示条件熵。中心像素。类似地，中心像素k k的预测误差的图像表示在Eq.（4）、Ck;l¼abs½zk;l-pk;l]4其中，项W表示窗口大小为103×304，z k;l表示图像中的中心像素，并且p c 是预测误差。3.1.9. 偏度（A9）偏斜度定义中心像素与邻域像素的对称性度量如果中心像素具有n个相邻像素，则中心像素的偏斜度度量被定义为，PnIi-¼93.1.2. 中间像素和中心像素的偏差（A2）这里，中值像素和中心之间的偏差Ai¼1nD3ð11Þ像素（Roy等人，2016）的图像进行测量，它提供了图像是否被污染的信息A2¼ jzk;l-Bj5其中，项B指示中值像素值。3.1.3. 像素下操作（A3）操作中的像素（Roy等人， 2016）基于目标的两个相邻像素定义选择因子，其中，Ii是指图像中的单变量数据像素，<$I定义数据像素的平均值，d表示图像中每个像素的标准偏差3.1.10. 峰度（A10）峰度通过分析频率分布曲线的峰度来定义中心像素的统计度量，并且其被定义为，4PnðIi—¯IÞz1 z2zk;l-zk; l32ð6Þ3.2. 噪声识别：使用SVNN分类器其中，项zz1和zz2指示所关注的附近像素。k;lk;l扫描图像的中心像素。3.1.4. 像素的中值（A4）中值（Roy等人，2016）确定输入图像中存在的像素点的中值。从这个特征可以发现像素的均匀性。当量（7）代表第四个特征。A4¼中位数fzki;ljg703.1.5. 操作下核的平均值（A5）该特征识别图像中同质像素和异质像素的存在。3.1.6. 相邻像素差异特征（A6）在该特征中，利用核窗口来扫描图像以确定目标像素与其相邻像素之间的噪声差异。NPD的表达式定义在Eq.（八）、8A6 zkl- za]81/1将从先前步骤提取的特征提供给SVNN分类器（Kohli等人，2010）来构造输入图像的二进制映射。SVNN分类器是一种二值分类器，具有支持向量机（SVM）和神经网络（NN）的特点。通过使用正则化技术，降低了NN分类器的复杂性。正则化是一种用来防止学习算法过拟合训练数据的方法。在SVNN中，一种称为特征值衰减的正则化方法用于提高分类边缘。特征值衰减使用与SVM相似的原理，将这种特征值衰减引入到NN中称为SVNN。SVM是一种有监督的机器学习算法，用于分类和回归问题。无论如何，它主要用于分类问题。在遗传算法中，好的核函数的选择是困难的。对于大数据集，它需要很长的训练时间。支持向量机将过拟合问题从参数优化问题转移到模型选择问题。非线性核支持向量机在实时应用中需要很高的计算代价。因此，最大间隔神经网络是一个合适的选择，它产生具有良好的泛化能力的快速非线性分类SVNN是最大间隔训练分类器，其中，Za是指围绕中心像素的邻域像素。基于进化计算和正则化方法（Ludwig等人， 2014年）。SVNN分类器具有一个输入p内核窗口中的线分量不被声明为噪声。因此，特征A3被定义为，ð12Þ一824S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University“. X！ #Maxminn我X图二. 用SVNN分类器生成二进制映射。层、隐藏层和输出层。SVNN分类器用特征训练，并且SVNN声明图像中的像素是噪声像素还是非噪声像素。SVNN分类器为输入图像产生二进制图，并将二进制图中存在的噪声和非噪声像素分别声明为1和0。图2呈现了用于二进制映射生成的SVNN分类器的框图。3.2.1. SVNN分类器的体系结构SVNN分类器是用这十个特征训练的，因此，3.2.3. SVNN的适应度计算SVNN分类器考虑用于获得用于构造二进制图的最优权重的适应度函数，并且适应度准则取决于误差函数。适应度取决于输出和地面实况信息之间的误差差。此外，适应度函数考虑了SVNN中使用的向量的特征值，并且适应度的表达式表示如下：GnD¼ggjOi- Oωj141/1它有十个输入神经元，一个隐藏神经元和一个输出神经元。对于每个训练信息，SVNN被提供有输入层和隐藏层的权重。基于输入、最优权重和偏置，输出层将像素分类为无噪声像素或噪声像素。表达式（13）指示SVNN分类器的输出层。10O i¼Q R× log sigA fωQ f电话：+86-10-8888888第1页其中，L1和L2指的是SVNN的输入和输出层中存在的偏置，Af表示特征，而项Qf表示每个特征的权重。隐藏层的权重表示为QR。3.2.2. SVNN的解表示在这项工作中采用的SVNN分类器用于计算的二进制映射的输入图像。SVNN分类器的训练基于遗传算法确定最佳的权重和偏见。这里，从图像获得的十个特征被提供给SVNN用于训练目的。因此，对于每个特征，输入层中需要十个权重以及隐藏层中使用的权重，以及两个偏置L1和L2。SVNN分类器的解向量具有1*13的大小。图3呈现了用于二进制映射生成的解向量的表示。图三.用于二进制映射生成的SVNN的解编码。其中，Oiω表示第i个像素的地面信息，G表示正则化因子。g的表达式取决于权重，表示如下：g/tg/tg/tgg最大值最大值g最小值最小值g16g其中，Q是权重。3.2.4. SVNN分类器的训练阶段SVNN是用图像中像素的特征向量训练的。因此，训练产生必要的信息，并将像素声明为无噪声或有噪声。训练SVNN分类器的目的是为SVNN网络找到合适的权重和偏差，训练是通过优化过程完成的。在这里，遗传算法被用于SVNN训练，因为遗传算法提供了优点，如简单，灵活，和更容易的收敛速度。此外，遗传算法提供了更多的中间解决方案，以确定最优解。与传统的从单点开始搜索的方法不同，遗传算法从多个点开始并行搜索。从而避免了陷入局部最优解的陷阱。遗传算法利用概率选择规则，它的工作染色体，这是潜在的解决方案参数的编码版本。此外，它利用的适应度得分，这是从目标函数，没有其他衍生信息。用GA训练SVNN分类器的步骤定义如下：首先，SVNN中使用的权重和偏差是随机选择的，而在GA中，解决方案表示为染色体。SVNN训练的随机初始化解如下所示，StfSxt;16x 6Eg，1 7mm其中，E表示随机解的总数S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University825X--X>：ðÞðÞðÞXð Þ;二ð ÞXij2<1-½zik;jl-zmedi;j];zme di;j6zik;jl6zma xi;j=11>½z[医]甲状旁腺素最大医学J适应度测度：然后，找到随机初始解的适应度值基于在（14）中导出的等式来计算适应度值。基于交叉的解决方案更新：在这里，解决方案经受交叉操作以生成新的解决方案。交叉操作将旧的解决方案组合以生成新的解决方案。基于交叉操作的解更新的表达式表示为，ScrossoverScrossover ScrossoverScrossover3.3. 使用所提出的混合滤波器对图像进行去噪本文介绍了一种混合滤波器，用于去除图像中的噪声.在SVNN分类器的帮助下从图像构建的二进制映射具有关于图像中存在噪声的信息。图像中存在的脉冲噪声是在图像采集过程中产生的，因此，用于去除脉冲噪声的中值滤波器的应用破坏了图像边缘。因此，在这项工作中，模糊滤波器（Kwan和Cai ，2002 ）和NLM滤波器（Buades等人，2005）适用于去除图像中的脉冲噪声存在各种类型y¼ roundq-z¼ round旋转轴q-Zr11Z-11Zr21Z-1战斗机ð19Þð20Þ模糊滤波器在文献中可用于减轻图像中的脉冲噪声。其中，非对称三角函数中值滤波（ATMED）在抑制脉冲噪声方面取得了较好的效果。模糊滤波器的本质是增强图像中的好/无噪声像素，从而，其中，项r1和r2指示具有在区间1/20;1]中的值的随机数，并且q是指选择压力，并且项Sy和Sz是指溶液中的第y和第z染色体基于适应度找到最佳解决方案：SVNN分类器的分类结果的准确性取决于权重参数。在这里，从先前的结果获得的权重参数基于适应度度量被细化。在这一步中，具有较好适应度值的解被保留为最佳解，然后，在下一次迭代中采用最佳解进行优化。这会消除噪音的影响。NLM滤波器启用非局部均值算法以减少脉冲噪声的影响。NLM滤波器为识别脉冲噪声提供了改进的鲁棒性，因为它找到了图像中噪声像素的移动平均值。图4呈现了所提出的方案中的去噪阶段的架构。为了对图像进行去噪，将输入图像I提供给所提出的混合滤波器。从SVNN分类器构造的输入图像I的二进制映射用作所提出的混合滤波器的辅助，用于区分非噪声像素和噪声像素。3.3.1. 用模糊滤波器S ωx=1.01。Scrossovert1ð21Þ这项工作使用ATMED模糊过滤器（关和蔡，2002年），其中，术语Sωx是指在各种解中具有最大适应度的最佳解终止：GA迭代直到达到最大迭代T，最后，在迭代结束时从最佳解返回最优权重。3.2.5. SVNN分类器的测试阶段：识别噪声改善图像内的无噪声像素。ATMED滤波器使用非对称三角函数以及中值，因此，启用窗口函数的中心值在滤波器中，8>1- 1/2zmedi;j-zik;jl];zmi ni;j6zik;jl6zme di;j9>l/2zmediumi;j-zmini;j]像素在SVNN的测试阶段，对于测试图像，Itest，基于训练信息生成二进制映射。1;z中位数i;j中位数-z最小值i;j中位数 0或zmaxi;j-zmedi;j^025>;二进制映射提供了关于测试图像中的噪声像素的信息。分类器的输出值为0和1。值0指示像素无噪声，像素值1指示像素有噪声。用于测试图像的SVNN的输出（22），其中，zmedi; j、zmini; j和zmaxi; j表示滤波器窗口中的中值、最小值和最大值3.3.2. 基于NLM滤波器的噪声像素增强NLM滤波器（Buades等人，2005年，用于NLM滤波器 ，我测试了1/4。1;噪声像素ð22Þ在噪声像素中形成更好，因此，NLM滤波器找到int0;无噪声像素当量（22）表示SVNN针对单个像素值的输出，并且针对测试图像中的每个像素继续该过程3.2.6.二进制映射的表示二进制映射具有与输入图像相同的大小，因为图像中像素的加权平均，用于增强噪声象素NLM滤波器函数在等式中描述（26）.NfIi jg¼gi：j iij2 6j¼ I其中，g i;j是指NLM滤波器中使用的权重族，并且权重函数取决于相似度值。NLM滤波器中使用的权重函数描述如下，-kvwi- vwjk2分类器识别图像中每个像素的噪声强度。SVNN分类器产生每个像素的噪声强度并因此将像素中噪声的存在指示为1，而将不存在指示为1。g i j1e2;ah22027年噪音为0。二进制映射的表达式在等式中给出（二十三）M¼ f Mijg23. 1;噪声像素其中，kv_w_i_j_k_2_a表示加权欧几里得距离，并且Y_i表示权重函数的归一化常数。归一化常数表示为，-kvw-vwk2 a我的天0的整数;无噪声像素ð24ÞYiqiangh22028年其中，Mij基于分类信息取0或1的值SVNN分类器其中，vrw_i_n和vrw_w_j_n表示图像的灰度级强度。图像中的像素，并且术语h指的是滤波的程度F½zik;jl]¼ΣΣ>826S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud Universitym¼ 1;噪声像素ij见图4。 用提出的混合滤波器对输入图像进行去噪。3.3.3. 使用自适应权重利用模糊滤波器和NLM滤波器对二值地图中的噪声和非噪声像素进行增强。从两个过滤器得到的图像被提供给所提出的混合过滤器。建议的混合滤波器利用自适应权重的模糊和NLM滤波器的结果进行整合由于模糊滤波器增强非噪声像素，而NLM滤波器增强噪声像素，因此需要在自适应常数的帮助下对由两种滤波器产生的图像进行积分。在这里，两个自适应常数，a和b，用于集成的模糊和NLM滤波器的结果图像。自适应常数测量二进制图中表示的每个像素周围的总无噪声像素和噪声像素的比率。所提出的混合滤波器使用自适应权重a来修改模糊滤波器的结果，并且使用自适应权重b来修改NLM滤波器的结果。对于图像中存在的每个像素，自适应常数为自适应常数a定义目标像素周围的非像素的数量与目标像素周围的像素总数的比率。自适应常数a的表达式表示为Eq. （29页）。无噪声最后，模糊滤波器和NLM滤波器的综合结果以及自适应权重产生无噪声图像。所提出的混合滤波器的最终输出表示在等式中。（31）.Ha：Fb：N31其中，F和N是来自模糊滤波器和NLM滤波器的输出。从Eq。在公式（31）中，观察到对于a的最大值，输出基于从模糊滤波器得到的图像，并且对于最大b值，输出基于从NLM滤波器表1给出了所提出的具有混合滤波器的去噪方案的伪代码。在去噪中涉及的步骤被解释为两个阶段：1）噪声识别和2）去噪。首先，从经受去噪的图像中提取特征，并且将特征提供给SVNN分类器用于训练。经过训练的SVNN分类器为输入图像产生二进制由SVNN构造的二元映射表1数学描述了混合滤波器的图像去噪模型SL. 无图像去噪与建议的混合滤波器输入：I =带脉冲噪声的a¼wð29Þ输出：H =增强图像开始对于图像中的每个像素（i = 1到n）其中，wnon-noisy表示目标像素周围的无噪声像素，w是目标像素周围的像素总数。类似地，用于对NLM滤波器的结果进行积分的自适应常数b被表示为目标像素周围的噪声像素数与目标像素周围的像素总数的比率，如下所示：w噪声b¼宽30厘米其中，w_noisy表示目标像素周围的噪声像素的数量得到了w，w有噪和w无噪求特征A ¼ f A 1; A 2;.. . ; A f;.. . ; A 10g调用SVNN算法用特征A构造二进制映射M 1/4。mij ¼ 0;非噪声像素对于图像中的每个像素（i = 1到n）根据M求出自适应常数a和b用模糊滤波器增强非噪声像素并找到输出F用NLM滤波器增强噪声像素并找到其输出N基于Eq. （三十一）端返回增强图像首尾互掉通过从SVNN分类器构造的二进制映射S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University827Max岑.我;e1e2zSDME¼-e.Max.i; j分类器包含关于噪声像素的信息，其中，zi; ji; jmin 和zi; j参考最大像素值，形象接下来，图像进行去噪使用亲，混合滤波器从二进制映射中的信息，自适应常数推导出用于构建建议的最后，图像去噪与建议的混合滤波器的帮助下。4. 结果和讨论文中给出了基于混合滤波器和SVNN分类器的图像去噪模型的仿真结果。对现有的各种模型进行了对比分析，并利用三幅标准图像对各模型的结果进行了分析。4.1. 实验装置图像去噪方案与建议的混合滤波器使用MATLAB工具的仿真目的。此外，用于实验的PC 配置有Windows 10 操作系统、4 GBRAM和Intel I3处理器。4.1.1. 待固定在所提出的方法中使用的参数是群体大小E1/410，v1/40： 7。4.1.2. 数据集描述基于混合滤波器的去噪方案的实验使用了三种标准图像，即摄像人图像、Lena图像和狒狒图像。图像以未压缩的TIF格式使用，大小为512*512。4.1.3. 评估指标使用诸如峰值信噪比（PSNR）、结构相似性（SSIM）和二阶导数类增强度量（SDME）的度量来完成对用于对图像进行去噪的所提出的混合滤波器的评估，并且每个度量的表达如下：i）PSNR：PSNR定义了关于均方误差（MSE）的图像中的噪声破坏的功率的度量。MSE是用于测量去噪过程的质量的常用度量之一，并且其表示如下，最小像素值和中心像素值，并且E1和E2表示图像块。4.1.4. 比较模型此外，将所提出的具有混合滤波器的去噪方案与现有的工作进行比较 ， 诸 如 基 于 自 适 应 模 糊 的 切 换 加 权 平 均 （ AFSWA ） 滤 波 器（Varghese等人， 2014）、基于非对称滤波器的改进决策（MDBU）（Vasanth等人，2015）、基于决策的高密度脉冲噪声去除算法（DBAIN）（Srinivasan和Ebenezer，2007）、边界判别噪声检测（BDND）（Ng和Ma，2006）、T2FCS滤波器和基于SVM分类的模糊滤波器（SVMF）（Roy等人，2016）过滤器和基于模糊萤火虫的过滤器（FFB过滤器）。模型描述如下：AFSWA：AFSWA滤波器使用模糊函数和高斯函数来改善由于脉冲噪声而受影响的像素MDBU：该模型使用基于决策的滤波器来去除图像中的噪声。此外，它使用的非对称函数的噪声识别。DBAIN：DBAIN滤波器通过应用窗口函数识别并去除图像中存在的脉冲噪声。该过滤器为模糊图像提供了改进的结果。BDND：该算法定义了分类噪声和非噪声像素的边界标准。T2FCS：T2FCS模型使用2型模糊过滤器以及布谷鸟搜索算法（CSA）（Gandomi et al.，2013），用于去除脉冲噪声。SVMF滤波器：SVMF滤波器使用SVM分类器和模糊滤波器来去除灰度图像中的脉冲噪声。FFB滤波器：萤火虫算法与CSA集成（Gandomi等人，2013）用于识别二进制映射，以及模糊滤波器用于去除脉冲噪声。4.2. 实验结果在这里，所提出的混合滤波器的去噪方案的实验结果进行解释。针对不同的噪声水平分析了三个标准数据图像，的建议的混合滤波器的标准图像，峰值信噪比（PSNR）：10 log102Maxð32Þ图 五、最初，标准的形象，如狒狒，摄影师，MSE其中，Imax表示图像中像素的最大值。ii）SSIM：SSIM定义了去噪方案的原始和输出之间的结构相似性。由于SSIM度量包含了图像的亮度和对比度掩蔽等重要因素，因此它提供了比PSNR和MSE更好的质量度量。以下表达式定义SSIM指数的数学形式，莉娜，辣椒，和Pemaquid点灯塔如图所示。 5a作为输入提供给所提出的混合滤波器。由于脉冲噪声而受到影响的标准图像集如图5b所示，并且为了进行分析，选择0.5的噪声水平强度。当对图像应用模糊滤波器时，它增强了无噪声像素，并且应用模糊滤波器后的结果图像如图5c所示。图5d示出了在应用NLM滤波器之后得到的图像。从结果来看，NLM滤波器增强了图像中的噪声像素。最后对结果SSIMij2ljljl2ð33Þ图5e中示出了由所提出的混合滤波器获得的结果，因此，所提出的混合滤波器连同SVNN分类器i j i j其中，li和lj表示平均值，ri和rj是方差，rij表示像素的协方差。项b1和b2表示SSIM计算的常数iii）SDME：SDME度量通过计算二阶度量来识别增强图像的视觉质量SDME度量的表达式表示如下，已经显示出对于受脉冲噪声影响的图像的改进的性能。4.3. 比较分析所提出的过滤器以及SVNN分类器的性能进行了比较与各种现有的模型。分析1XXei; j.-2zi; j.是通过图像的噪声水平的变化来完成的，ð34Þ所考虑的各种噪声级为0.1、0.2、0.3、0.4和1：2i1 j 1. zmax = 2zcen =2zmin.0.5，分别。，zi;j20ln拉斯中国！最小i; j828S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University图五、标准图像的实验结果（a）输入图像，（b）具有脉冲噪声的输入图像，（c）（a）使用模糊滤波器的输出图像，（d）(a)使用NLM滤波器，以及（e）使用所提出的混合滤波器输出（a）的图像。4.3.1. 使用Lena图像进行图6示出了针对噪声水平的各种强度的Lena图像上的比较模型的性能。如图6.a所示，比较模型，如AFSWA，MDBU，DBAIN，BDND，T2FCS，SVMF，FFB，QVNN + Global的性能l-稳定性，QVNN +全局指数稳定性和QVNN +全局耗散比所提出的混合滤波器具有降低的性能，其PSNR值为25.224dB 、 21.2462 dB 、 9.154658 dB 、 31.237 dB 、 40.52938 dB 、18.71471 dB、44.62988 dB，对于噪声级0.1，分别为27.6205 dB、29.8015 dB和31.0947 dB。同时，建议的混合滤波器与SVNN分类器具有较高的PSNR值为57.27824dB的噪声水平为0.1。基于SSIM度量的分析（如图6b所示）表明，对于噪声水平为0.1的Lena图像，所提出的模型具有0.9788和0.7406的改进的SSIM值分别为0.5 图6c显示了比较模型的基础上SDME度量的莉娜图像。在此，现有模型，诸如AFSWA 、 MDBU 、 DBAIN 、 BDND 、 T2 FCS 、SVMF 、 FFB 、QVNN+全局I-稳定性、QVNN+全局博览稳定性和QVNN +全局耗散率，具有42.70598 dB、24.4484 dB、24.23243 dB、24.8997 dB、46.55056 dB、34.70428 dB、49.94728 dB、25.5987 dB、32.4791dB和36.3312 dB的噪声水平为0.5。然而，所提出的混合滤波器具有更好的性能比现有的作品与SDME值为53.24406 dB的Lena图像时，噪声水平为0.5。4.3.2. 使用摄像师图像进行图7示出了针对不同噪声水平强度的摄像师图像的比较模型的性能。如图所示在图7a中，现有的工作，如AFSWA，MDBU，DBAIN，BDND，T2FCS，SVMF，FFB，QVNN + Global的性能S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University829图六、 基于（a）PSNR、（b）SSIM和（c）SDME的Lena图像去噪模型的比较分析图7.第一次会议。基于（a）PSNR、（b）SSIM和（c）SDME的摄影师图像去噪模型的比较分析1-稳定性、QVNN +全局指数稳定性和QVNN +全局耗散性具有比所提出的混合滤波器降低的性能，PSNR值为24.49811 dB，21.5553 dB、9.106112 dB、31.21135 dB、42.29099 dB、16.43229 dB、分别为44.62562 dB、27.62054 dB、29.8015 dB和31.0947 dB，实际上，对于噪声水平为0.1的摄像师图像为830S.V. 库马尔角，澳-地Nagaraju/ Journal of King Saud University在相同的图像噪声水平下，与SVNN分类器的混合滤波器具有更高的PSNR值为55.74662 dB。基于SSIM度量的分析，如图7b所示，表明所提出的模型对于噪声水平分别为0.1和0.5的摄像师图像具有0.9648和0.6882的改进的SSIM值。图7c呈现了基于摄像师图像的SDME度量的比 较 模 型 的 性 能 。 这 里 ， 比 较 模 型 ， 例 如 AFSWA 、 MDBU 、DBAIN、BDND、T2 FCS、SVMF、FFB、QVNN +全局I-稳定性、QVNN +全局指数稳