浅层CNN网络构建的噪声比例估计模型

目的 利用深度卷积神经网络（deep convolutional neural network,DCNN）构建的非开关型随机脉冲噪声（random-valued impulse noise,RVIN）降噪模型在降噪效果和执行效率上均比主流的开关型RVIN降噪算法更有优势,但在实际应用中,这类基于训练（数据驱动）的降噪模型,其性能却受制于能否对待降噪图像受噪声干扰的严重程度进行准确的测定（即存在数据依赖问题）。为此,提出了一种基于浅层卷积神经网络的快速RVIN噪声比例预测（noise ratio estimation,NRE）模型。方法 该预测模型的主要任务是检测待降噪图像中的噪声比例值并将其作为反映图像受噪声干扰严重程度的指标,依据NRE预测模型的检测结果可以自适应调用相应预先训练好的特定区间DCNN降噪模型,从而快速且高质量地完成图像降噪任务。结果 分别在10幅常用图像和50幅纹理图像两个测试集上进行测试,并与现有的主流RVIN降噪算法中的检测模块进行对比。在常用图像测试集上,本文所提出的NRE预测模型的预测准确性最高。相比于噪声比例预测精度排名第2的算法, NRE预测模型在噪声比例预测值均方根误差上低0.6% 2.4%。在50幅纹理图像测试集上,NRE模型的均方根误差波动范围最小,表明其稳定性最好。通过在1幅大小为512×512像素图像上的总体平均执行时间来比较各个算法执行效率的优劣,NRE模型执行时间仅为0.02 s。实验数据表明：所提出的NRE预测模型在受各种不同噪声比例干扰的自然图像上均可以快速而稳定地测定图像中受RVIN噪声干扰的严重程度,非盲的DCNN降噪模型与其联用后即可无缝地转化为盲降噪算法。结论 本文RVIN噪声比例预测模型在各个噪声比例下具有鲁棒的预测准确性,与基于DCNN的非开关型RVIN深度降噪模型配合使用后能妥善解决DCNN网络模型固有的数据依赖问题。     

随机值脉冲噪声滤波算法

文章详细分析了随机值脉冲噪声污染图像的局部灰度统计特征,定义了一种噪声可信度的估计函数—灰度等级共现几率,并在此基础上提出了共现几率极小的中值滤波算法。算法模拟生物视觉在注视过程中的变分辨率特性,以不同分辨率对噪声进行多层次的定位及滤波。实验结果表明,该文算法可以有效地滤除噪声,并较好地保留图像的边缘细节信息,其滤波效果比其它算法更接近理想的中值滤波,尤其是对于噪声高度污染的情况。     

种子像素滤波法去除随机脉冲噪声

为了在去除图像高密度随机脉冲噪声的同时最大程度地保护图像边缘和细节,提出一种新方法。该方法首先利用图像局部灰度相似性,提取种子像素;然后只对种子像素进行开关中值滤波,去除误判的种子像素,采用自适应变窗口尺寸;最后利用种子像素先探测漏选的种子像素,接着重构非种子像素。实验结果表明,与其他方法相比,该方法是综合性能最优之一。     

图像质量感知的混合噪声快速盲降噪算法

现有的高斯-脉冲混合噪声降噪算法多基于正则化技术采用迭代求解最优目标函数值的方式实现,执行效率普遍比较低,严重限制了其实际应用范围.为此,以卷积神经网络(convolutional neural network, CNN)为核心技术提出了一种基于图像质量感知的快速盲降噪算法(image quality-aware fast blind denoising algorithm, IQA-FBDA).在训练阶段,首先基于浅层CNN卷积神经网络设计图像质量评估模型来预测待降噪图像的图像质量值;然后,依据在大量噪声图像训练集合上获得的图像质量值统计分布规律构建混合噪声模式分类字典;最后,基于该分类字典将噪声图像集合划分为16个子集并训练与各个子集相匹配的深层CNN卷积神经网络专用降噪模型.在降噪阶段,首先利用图像质量评估模型估计给定待降噪图像的质量值,然后依据所预测的图像质量值查找噪声模式分类字典并调用与之相匹配预先训练好的深层CNN降噪模型即可快速地完成盲降噪任务.实验数据表明：IQA-FBDA算法在降噪效果方面的性能达到了与主流高斯-脉冲混合噪声降噪算法相当的水平,而在执行效率方面则有极大提高,更具实用价值.     

基于加权空间离群点度量的随机脉冲噪声降噪算法

针对排序统计类降噪算法在随机脉冲噪声（RVIN）图像降噪过程中,对图像边缘和细节部分噪声识别不够准确以及恢复比较模糊的问题,提出了基于加权空间离群点度量（SLOM）的脉冲噪声降噪算法WSLOM-EPR。该算法以优化的空间距离差为基础,引入图像邻域均值和标准差,建立反映局部边缘细节特征的噪声检测方法,提高边缘细节处噪声的识别精度;然后以精确检测结果为基础,优化保边正则（EPR）函数,提高算法的执行效率,并增强算法保留边缘细节的能力。仿真结果显示,WSLOM-EPR算法在40%到60%噪声密度下对噪声点的误检和漏检综合表现优于对比算法,且能在两者之间保持一个较好的平衡;降噪后的峰值信噪比（PSNR）好于对比算法中的大多数情况,且边缘细节在视觉上更加清晰连续。结果表明WSLOM-EPR算法提高了噪声检测精度,有效地保持了恢复图像的边缘细节信息。     

基于灰度密度和四方向的随机脉冲噪声检测

提高检测正确率的同时降低漏检率和错检率是脉冲噪声检测过程中的难点。提出了两阶段的检测方法,第一阶段,根据窗口中心点的灰度密度小于某阈值检测噪声,分5次迭代,对每次检测到的噪声进行中值滤波,滤波图像作为下一次检测的输入图像;第二阶段,用窗口4个方向检测噪声,并根据MAD值自适应设定阈值。以512×512的Lena和Boat为测试对象,添加10%至50%的随机脉冲噪声进行仿真实验,结果表明,随着噪声密度的增加,错检数都稳定在较低值,漏检数保持在理论上的低值。     

受多随机噪声和多随机脉冲干扰的非线性系统稳定性分析

针对一类受多有色噪声和多随机脉冲干扰的非线性系统(其中系统连续动态中的多随机噪声包含乘性和加性有色噪声且离散动态中多随机脉冲幅值的类型由一个齐次不可约非周期Markov链决定),分别提出概率意义和矩意义下的噪声-状态稳定性、概率意义下的全局渐近稳定性、矩意义下的指数稳定性判据.在脉冲数量受模态依赖平均脉冲区间约束下,首先基于乘性随机噪声的估计和Lyapunov函数方法,分别研究系统在矩意义下的噪声到状态稳定性和指数稳定性判据;然后基于乘性随机噪声满足大数定律的假设和Lyapunov函数方法,分别给出系统在概率意义下的噪声-状态稳定和全局渐近稳定的充分条件;最后通过仿真结果验证所提出稳定性判别准则的有效性.     

比例融合与多层规模感知的人群计数方法

针对密集场景下人群图像拍摄视角或距离多变造成的多尺度特征获取不足、融合不佳和全局特征利用不充分等问题,提出一种比例融合与多层规模感知的人群计数网络。首先采用骨干网络VGG16提取人群密度初始特征;其次,设计多层规模感知模块,获得人群多尺度信息的丰富表达;再次,提出比例融合策略,根据卷积层捕获的特征权重重构多尺度信息,提取显著性人群特征;最后,采用卷积回归策略进行密度图的回归。同时,提出一种局部一致性损失函数,通过区域化密度图的方式增强生成密度图与真实密度图的相似度,提高计数性能。在多个人群数据集上的试验结果表明,所提模型优于近年人群计数的先进方法,且在车辆计数上有较好推广性。     

利用几何结构检测去除图像中的随机值脉冲噪声

尽管中值滤波以及各种改进方法是去除图像中随机值脉冲噪声的有效方法,然而,大多数去噪方法存在门限值选取困难和对图像边缘纹理结构过平滑的缺点。针对这一问题,提出了一种基于几何结构的用于检测和去除随机值脉冲噪声的新方法。该方法首先利用图像的直方图分布来估计脉冲噪声的噪声率;然后进一步基于噪声率和细节图像的直方图分布,自适应地确定两个分类门限;最后利用两个门限,将细节图像中的像素分成‘未被污染点’、‘待定点’和‘噪声点’。其中‘待定点’主要由边缘和纹理区像素和噪声像素构成,为区分其属性,还引入了几何结构检测方法。基于各像素点的类型,细节图像被用于修正中值滤波的结果。实验结果表明,该新方法在去除脉冲噪声的同时,还很好地保留了图像的边缘结构。与已有的方法相比,具有明显的优势。     

相似邻居数目图像脉冲噪声滤波算法

为了去除图像随机脉冲噪声的同时保留边缘,提出一种新方法。该方法首先利用图像局部灰度相似性来构造相似邻居数目图,一个像素的相似邻居数目在窗口内最大或数值较大,才可能认为是没有受到噪声干扰的像素。根据噪声密度不同采用不同方法检测。实验结果表明,阈值能适应性不同图像类型,滤波结果优于大部分已有算法,且算法复杂度低于大部分改进的中值滤波算法。     

局部特定空间关系统计特征的RVIN噪声检测器

目的 随机脉冲噪声（random-valued impulse noise，RVIN）检测器将局部图像统计值（local image statistics，LIS）作为图块中心像素点是否为噪声的判断依据，但LIS的描述能力较弱，在不同程度上制约了RVIN检测器的检测正确率，影响了后续开关型降噪模块的修复效果。为此，提出了一种基于局部特定空间关系统计特征的RVIN噪声检测器。方法 以局部中心像素点的8个邻域像素对数差值排序值（rank-ordered logarithmic difference，ROLD）并结合1个最小方向对数差值（minimum orientation logarithmic difference，MOLD）共9个反映局部特定空间关系的LIS统计值构成描述中心像素点是否为RVIN的噪声感知特征矢量，并通过在大量样本图块数据上提取的RVIN噪声感知特征矢量及其对应的噪声标签作为训练对（training pairs），训练获得一个基于多层感知网络（multi-layer perception，MLP）的RVIN噪声检测器。结果 对比实验从检测正确率和实际应用效果2个方面检验所提出的RVIN检测器的有效性，分别在10幅常用图像和50幅BSD （Berkeley segmentation data）纹理图像上进行测试，并与经典的脉冲噪声降噪算法中包含的噪声检测器以及MLPNNC （MLP neural network classifier）噪声检测器相比较，以漏检数、误检数和错检总数作为评价噪声检测正确率的指标。在常用图像集上本文所提RVIN检测器的漏检数和误检数较为平衡，在错检总数上排名处于所有对比算法中的前2名，为后续的降噪模块打下了很好的基础。在BSD纹理图像集上，将本文提出的RVIN检测器和GIRAF （generic iteratively reweighted annihilating filter）算法组合构成一种RVIN噪声降噪算法（proposed-GIRAF），proposed-GIRAF算法在50幅BSD图像上的峰值信噪比（peak signal-to-noise ratio，PSNR）均值在各个噪声比例下均取得了最优结果，与排名第2的对比算法相比，提升了0.471.96 dB。实验数据表明，所提出的RVIN噪声检测器的检测正确率优于现有的检测器，与修复算法联用后即可获得一种降噪效果更佳的开关型RVIN降噪算法。结论 本文提出的RVIN噪声检测器在各个噪声比例下具有鲁棒的预测准确性，配合GIRAF算法使用后，与经典的RVIN降噪算法相比，降噪效果最佳，具有很强的实用性。     

基于相似性噪声检测的边缘保护滤波算法

为了改善受脉冲噪声污染的图像的滤波效果,提出了一种新的滤波算法。该算法包括3个阶段,首先,利用像素点之间的相似性来检测图像中受噪声污染的像素点;然后,将滤波窗口分为8个主要方向来确定边缘方向;最后,针对噪声点进行边缘保护滤波。实验结果表明,在噪声污染度较小的情况下,该算法不仅能准确地检测出噪声点,而且更多地保护了噪声图像的边缘部分以及非噪声点,具有良好的滤波效果。     

信号点自适应生长算法和图像脉冲噪声的抑制

针对脉冲噪声的抑制问题,提出了一种利用图像中未被污染的信号点向外自适应生长来消噪的快速自适应算法。算法首先利用信号阈值判决区间提取出输入图像中未被污染的信号点形成信号矩阵并作标记,同时计算信号密度;然后利用信号密度自适应控制信号点按一定幅度向外生长;最后对生长后的信号矩阵进行归一化处理和修正,得到滤波结果。与当前消噪算法相比,所提出的算法在消噪效果和复杂度方面优势较为明显。     

基于加权检测的脉冲噪声新滤波器

在分析噪声检测与噪声滤波原理的基础上,提出了用于恢复被脉冲噪声污染的图像的去噪算法。该算法基于方向差异性将检测窗口分解为四个子窗口,并取子窗口的中间像素与相邻像素的灰度值之差的加权平均值与预先定义的阈值进行比较,较准确地区分噪声点和信号点;然后根据方向相关依赖性,采用一种边缘保持滤波方法来重构被噪声污染像素的灰度值。实验结果证明,该算法在提高图像信噪比的同时,可以更好地保持图像的细节信息。     

一种有效去除脉冲噪声的新方法

提出了一种新的滤波方法。首先从原噪声图像和其中值滤波图像得到细节图像。通过使用一种新的噪声检测方法得到另一幅图像,使其只保留细节图像中的噪声。通过这个图像,可以更加准确地检测出污染图像中的噪声。对噪声图像中的每个像素,相应滤波器输出为原像素灰度值和窗中像素中值的线性组合。当前像素是一个脉冲的可能性越大,滤波过程中对它改变的就越多。与其它的中值类滤波方法相比,该方法不仅可以有效地去除噪声,而且更好地保留了图像细节。     

多层感知器在机械故障诊断中的应用

提出一种动态调整学习率和附加梯度变化量与动量项相结合的权值优化方法,同时引入绝对误差函数用于对多层感知器中BP算法的改进,并将改进算法用于旋转机械故障诊断实例样本的学习。仿真结果表明,改进的BP算法可显著加速网络训练速度,学习过程具有较好的收敛性,并能正确地诊断出存在的故障,具有一定的实用价值。