基于粒子群优化的图像去噪算法

来源:用户上传      作者:

　　摘 要:本文提出了一种基于PSO优化的非局部平均去噪算法,该算法以Non-Local means算法处理图片,以滤波参数h作为PSO的粒子,以PSNR的函数模型作为PSO中的目标函数,以群智能算法优化去噪效果。通过仿真,该算法比传统算法有更好的视觉效果和更快的速度,达到了算法的最佳性能。
　　关键词:图像去噪 非局部平均 粒子群优化算法
　　中图分类号:TP391 文献标识码:A 文章编号:1672-3791(2011)04(b)-0085-01
　　
　　Abstract:In this article,an image denoising algorithm by Non-local means and PSO is present.The proposed algorithm processed the image via Non-Local means,and employs the function model of PSNR as the objective function,the filter parameter h as the particle in PSO.The new method will fix the optimal value of h.After simulating,the proposed algorithm is superior to other traditional algorithms.
　　Key words:Image Denoising;Non-Local means;Particle Swarm Optimization (PSO)
　　
　　近年来,A・Buades等人提出了以像素间的相似性作为图像平均去噪的依据,即Non-Local means算法。该算法的滤波参数h,如果过小,则无法去除足够多的噪声,过大将会使图片模糊。
　　
　　1 提出的算法
　　鉴于PSO算法对于全局寻优有出色的表现,本文提出一种基于PSO优化的非局部平均算法,以原始Non-Local means算法为基础,对滤波参数h进行优化,以求得该算法的最佳表现。回顾Non-Local means的基本算法,首先明确处理图像的函数,建立含参数h的模型,设定为:
　　 (1)
　　h作为优化参数,即PSO算法中的粒子。对于粒子须设定评估其适应度的函数,在本算法中,PSNR即为评价函数,将(1)代入其表达式,得到包含有h的适应度评价函数:
　　 (2)
　　具体步骤如下。
　　(1)选取原始噪声图像,估计噪声标准差σ。
　　(2)设定粒子粒子个数m,学习因子c1和c2,规定迭代次数iter。在(5σ,20σ)范围内随机设置粒子h的初始位置和速度,形成初始粒子群:
　　
　　 (3)
　　(3)由式(2)计算粒子的适应值,以H表示,并确定全局最优值所对应的适应度:
　　
　　 (4)
　　将对应的粒子定为初始的全局最佳位置,将每个粒子的初始位置定为其历史最佳位置:
　　
　　 (5)
　　(4)根据如下公式更新粒子的位置和速度:
　　
　　 (7)
　　(5)更新粒子的局部和全局最佳位置:计算适应值,确定该轮的,并与上一轮的做比较,如果小于前者,则不修改。如果大于前者,将本轮对应的粒子更新为全局最佳位置。在局部上,每一个序号的粒子的适应值与其上一轮的最佳适应值比较,若小于优值,则不修改该序号粒子的,否则将该序号粒子的局部最佳位置更新为。
　　(6)检查终止条件,输出最佳参数h,终止迭代。否则回到步骤4。
　　(7)根据式(1)输出处理图像,算法结束。
　　
　　2 实验仿真
　　对上述算法进行仿真,对6幅典型素材图像叠加均值为0的高斯白噪声,采用大量实验估计的极值与改进算法做比较,得到表1。可以看出,改进算法搜索到的h与手动实验测得的最优值较接近,甚至取得了更好的效果。
　　
　　3 结语
　　本文提出的算法能够针对不同的图片,以PSO方法对去噪过程优化,使得原算法达到了最佳性能。
　　
　　参考文献
　　[1] 吴启迪,汪镭．智能微粒群算法及应用[M]．上海科技教育出版社,2004.
　　[2] A. Efros and T. Leung. Texture synthesis by non parametric sampling. In Proc. Int. Conf. Computer Vision, 2:1033～1038,1999.

转载注明来源:https://www.xzbu.com/8/view-9082843.htm