基于多特征結(jié)合與支持向量機(jī)集成的噪聲檢測與圖像去噪.pdf

1、圖像去噪是圖像處理中關(guān)鍵的預(yù)處理環(huán)節(jié)。由于在含噪圖像中，大部分噪聲和圖像細(xì)節(jié)分布在高頻區(qū)域，不易區(qū)分，導(dǎo)致去噪時(shí)會不同程度地?fù)p壞圖像的細(xì)節(jié)信息。因此，如何能在去噪的同時(shí)最大限度地保持細(xì)節(jié)信息是圖像去噪研究的重點(diǎn)。
　　 針對在僅依賴單個(gè)圖像特征時(shí)，基于支持向量機(jī)(Support Vector Machine,SVM)的圖像去噪方法未能獲得較好的去噪效果且會導(dǎo)致噪聲點(diǎn)的識別率較低、分類器性能較差的問題，本文在分析總結(jié)圖像去噪相關(guān)算

2、法的基礎(chǔ)上，探索了一種基于多特征結(jié)合與支持向量機(jī)的圖像去噪方法。該方法根據(jù)圖像中相鄰像素的相關(guān)性及椒鹽噪聲的特點(diǎn)，利用多種特征相結(jié)合的方式來全面的描述像素點(diǎn)的屬性，從而準(zhǔn)確地區(qū)分噪聲點(diǎn)和非噪聲點(diǎn)。實(shí)驗(yàn)結(jié)果表明，基于多特征結(jié)合與支持向量機(jī)的圖像去噪方法的去噪效果更優(yōu)。此外，相對于基于單個(gè)特征的支持向量機(jī)分類器，基于多特征結(jié)合的支持向量機(jī)分類器對噪聲點(diǎn)的識別率較高，且分類器性能更優(yōu)。
　　 鑒于支持向量機(jī)集成(Support Vec

3、tor Machine Ensemble,SVM Ensemble)的分類性能優(yōu)于單個(gè)支持向量機(jī)，且穩(wěn)定性、泛化能力更好，本文將支持向量機(jī)集成應(yīng)用于圖像去噪，提出了一種基于多特征結(jié)合與支持向量機(jī)集成的圖像去噪方法。首先，根據(jù)圖像中相鄰像素的相關(guān)性及椒鹽噪聲的特點(diǎn)，提取含噪圖像中的多種特征，并將其結(jié)合構(gòu)成樣本集；其次，對樣本集進(jìn)行歸一化處理，并采用同時(shí)擾動訓(xùn)練樣本和分類器模型參數(shù)的二重?cái)_動機(jī)制及多數(shù)投票法構(gòu)造支持向量機(jī)集成分類器；然后，利