论文部分内容阅读
目前数字图像是日常生活中大量信息的载体,然而数字图像在获取过程中,会受到噪声等很多因素的影响,这样可能会导致图像的部分细节丢失,因此,图像去噪就成为解决这一问题的重要手段。本文提出了基于支持向量机的图像去噪算法和基于非局部均值滤波的图像去噪算法,其具体算法如下：(1)频域小波矩的非局部均值图像去噪算法为了很好地去除噪声,提高图像质量,对原始的非局部均值滤波(NL-Means)进行了改进,采用小波矩来代替传统的像素计算相似度方法,提出了频域小波矩的非局部均值滤波图像去噪算法。首先对图像进行非下采样小波变换,得到低频和高频系数,其次以固定大小进行分块,然后利用小波矩计算像素间的相似度,最后利用权值对图像进行去噪并进行非下采样小波逆变换得到去噪图像。(2)基于最小二乘支持向量机的非下采样轮廓变换图像去噪算法为了提高支持向量机的分类性能,本文以最小二乘线性系统为损失函数的支持向量机为基础,提出了基于最小二乘支持向量机的非下采样轮廓变换图像去噪算法。首先对噪声图像进行非下采样轮廓变换(NSCT),得到低频和高频系数,其次确定适当的阈值来构造二元表,然后利用空间规则进行特征向量的构造并送入最小二乘支持向量机(LS-SVM)中训练,最后依据公式计算不同尺度、不同方向的阈值进行去噪处理,然后对去噪后的系数进行非下采样轮廓逆变换从而得到去噪图像。(3)基于模糊支持向量机的曲波变换图像去噪算法由于支持向量的分类不精确,本文以引入隶属度函数的支持向量机(SVM)为基础,提出了基于模糊支持向量机的曲波变换图像去噪算法。首先对含噪图像进行曲波(Curvelet)变换,得到一个低频和多个高频子带,其次通过阈值构造二元表,然后利用空间规则确定模糊支持向量机(FSVM)的特征向量并送入模糊支持向量机中进行训练,最后利用软阈值函数进行去噪处理并通过曲波逆变换得到去噪图像。