图像是人类视觉的基础,是自然事物的客观反映,也是人类认识世界和人类本身的重要源泉,但在获取以及传输的过程中,图像往往会受到很多不可避免的噪声污染。图像去噪就是寻求一种可以有效去除图像噪声的方法,与此同时,还能保护图像原有的细节信息不被改变。传统的开关图像去噪方法的噪点判据过于单一,非常容易出现漏判和误判。支持向量机(SVM)作为一种针对小样本情况的机器学习方法,被广泛地应用于图像分类、分割和识别等领域。SVM与集成学习相结合更适用于图像去噪中,集成学习可以综合考虑多个子分类器间的差异性,提高图像噪点检测率。本文设计了误差多样性集成SVM(SVM-WCEC)和迭代更新权重集成SVM(SVM-IUSW)两种方法用于图像去噪。具体工作如下:SVM-WCEC以子分类器间的误差多样性为度量来训练多个子SVM来构成集成SVM噪点分类模型。训练样本和测试样本均由3X3移动窗口提取图像中每个像素点的局部二值特征和加权差分特征共同形成,训练多个子SVM分类器,根据不同SVM组合的分类结果计算加权计数值(WCEC),投票得到集成SVM噪点分类模型。仅针对噪点进行滤波操作后,与信号点像素值重构得到去噪后图像。实验表明,SVM-WCEC算法恢复BSD68图像集的平均PSNR和SSIM值分别比DAMF算法高出 1.8080dB/0.1504。SVM-IUSW采用迭代更新权重的集成思想构建集成SVM噪点分类模型。对训练样本设置了初始权重后训练首个子SVM分类器,根据分类结果来更新输入到下个子SVM分类器的训练样本权重,并根据分类误差确定自身分类结果占集成噪点分类模型的决策权重。实验表明,SVM-IUSW分类器模型的平均G-mean、F-1和Accuracy值比SVM-WCEC分类器模型分别要高出1.56、0.62和0.33;恢复BSD68图像集的平均PSNR和SSIM值分别比DAMF算法高出1.9627dB/0.1560。图[33]表[10]参[65]