基于elm的圖像去噪方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于ELM的快速圖像去噪方法。
【背景技術(shù)】
[0002]圖像去噪是很多圖像處理的先決條件，因此，圖像修復(fù)與去除噪聲一直是圖像處理領(lǐng)域的熱點(diǎn)問(wèn)題。在圖像修復(fù)領(lǐng)域，存在的難點(diǎn)問(wèn)題是去除噪聲的同時(shí)保留原始的信息結(jié)構(gòu)。為了達(dá)到這個(gè)目的，數(shù)十年來(lái)，3類主要的方法被提出以期解決該問(wèn)題:空域方法，轉(zhuǎn)換域方法以及基于學(xué)習(xí)的方法。
[0003]空域方法中比較有代表性的是BF(Bilateral filter,雙邊濾波法)，NLM(non-local means,非局部均值法)。BF利用了臨近位置的相關(guān)性，以及臨近色域的相關(guān)性來(lái)消除圖像噪聲；NLM則從圖像全局出發(fā)，將相似性比較高的patch組合在一起，利用這樣一個(gè)個(gè)的群體的相似性解決問(wèn)題。BF本身去噪效果有限，而NLM的一個(gè)比較大的局限就是需要大量運(yùn)算，效率不高。
[0004]轉(zhuǎn)換域方法是將圖像從空間域轉(zhuǎn)換到其他域如小波域等，通過(guò)某些方法得到的閾值以消除圖像中的高頻噪聲，之后再?gòu)霓D(zhuǎn)換域轉(zhuǎn)換到空間域。該方法對(duì)消除噪聲效果比較好，但是由于圖像細(xì)節(jié)往往也處在高頻部分，因此，該方法在消除噪聲的同時(shí)也抹去了圖像本來(lái)具有的一些細(xì)節(jié)特征。
[0005]通常的方法常常針對(duì)一種噪聲類型，而基于學(xué)習(xí)的方法確可以通過(guò)學(xué)習(xí)靈活的應(yīng)用在多種噪聲類型的圖像修復(fù)任務(wù)中?；趯W(xué)習(xí)的方法需要預(yù)先訓(xùn)練修復(fù)模型(多為網(wǎng)絡(luò)模型)，從大量樣本中獲取特征訓(xùn)練得到修復(fù)模型，然后將訓(xùn)練后的修復(fù)模型應(yīng)用到待處理圖像中。從這個(gè)意義上看，該方法算是NLM的泛化，所不同的是基于學(xué)習(xí)的方法一次訓(xùn)練，可以一直使用訓(xùn)練參數(shù)。因此這類方法，訓(xùn)練完成后，時(shí)間花費(fèi)較低，而且效果也不錯(cuò)。但是該方法存在如下缺點(diǎn):訓(xùn)練過(guò)程長(zhǎng)，需要花費(fèi)大量時(shí)間訓(xùn)練(數(shù)天甚至數(shù)個(gè)月)。

【發(fā)明內(nèi)容】

[0006]針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于ELM(超限學(xué)習(xí)機(jī))的圖像去噪方法。
[0007]一種基于ELM的圖像去噪方法，包括如下步驟:
[0008](I)根據(jù)待處理圖像的大小構(gòu)建基本前饋神經(jīng)網(wǎng)絡(luò)；
[0009](2)針對(duì)所述的基本前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建訓(xùn)練樣本集；
[0010](3)利用所述的訓(xùn)練樣本集基于ELM法訓(xùn)練所述的基本前饋神經(jīng)網(wǎng)絡(luò)得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)；
[0011](4)將待處理的圖像輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，相應(yīng)的輸出即為去噪后的圖像。
[0012]本發(fā)明的圖像去噪方法是一種基于學(xué)習(xí)的方法，可以很方便的應(yīng)用在多種類型噪聲的圖像修復(fù)場(chǎng)景中，在訓(xùn)練時(shí)采用定制訓(xùn)練樣本集并采用ELM算法進(jìn)行訓(xùn)練，大大提高了訓(xùn)練速度。
[0013]所述基本前饋神經(jīng)網(wǎng)絡(luò)包括3層，分別為輸入層、特征抽取層和輸出層，輸入層的節(jié)點(diǎn)數(shù)和輸出層的節(jié)點(diǎn)數(shù)均等于待處理圖像的像素點(diǎn)的個(gè)數(shù)。
[0014]輸入層接受向量化的待處理圖像，中間層(即特征抽取層)進(jìn)行特征抽取，輸出層輸出處理結(jié)果(即去噪后的圖像)，為保證去噪后圖像大小不變，輸入層與輸出層節(jié)點(diǎn)數(shù)目一致，均等于待處理圖像的大小。
[0015]出于簡(jiǎn)化訓(xùn)練的目的，設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)盡量簡(jiǎn)單，3層網(wǎng)絡(luò)可以使用廣義線性方程進(jìn)行參數(shù)求解，而不是使用非常耗時(shí)的BP算法進(jìn)行迭代求解；且具有3層的網(wǎng)絡(luò)在使用ELM求解時(shí)，收斂性上有理論保障。
[0016]所述基本前饋神經(jīng)網(wǎng)絡(luò)中，輸入層到特征抽取層、特征抽取層到輸出層均采用全連接；
[0017]輸入層到特征抽取層的各個(gè)連接參數(shù)在(0，I)之間隨機(jī)取值，且采用非線性連續(xù)可導(dǎo)函數(shù)作為激活函數(shù)；
[0018]特征抽取層到輸出層的所有連接參數(shù)均未知。
[0019]在網(wǎng)絡(luò)連接中有全連接與部分連接的區(qū)別，這兩種連接方式各有千秋，部分連接通常利用局部相關(guān)性降低所需參數(shù)，但這是一個(gè)比較強(qiáng)的假設(shè)，理論上的效果會(huì)稍差，因此，理論上說(shuō)全連接方式會(huì)取得更好的方法，但由于參數(shù)比部分連接要多，訓(xùn)練更困難耗時(shí)更多，因此訓(xùn)練未必能夠達(dá)到最優(yōu)的效果。本發(fā)明中利用elm中收斂性的理論，隨機(jī)分配第一層參數(shù)后不再調(diào)整，僅對(duì)第二層的連接參數(shù)進(jìn)行調(diào)整，這樣的話就不需要調(diào)整第一層的連接參數(shù)，大大降級(jí)了訓(xùn)練時(shí)的計(jì)算量，且采用全連接方式同時(shí)也保證了訓(xùn)練效果。
[0020]作為優(yōu)選，輸入層到特征抽取層采用sigmoid函數(shù)作為激活函數(shù)。
[0021]所述步驟⑵具體如下:
[0022]獲取若干個(gè)大小與待處理圖像相同原始圖像，并對(duì)各個(gè)原始圖像添加噪聲以形成訓(xùn)練樣本，所有訓(xùn)練樣本的集合即為網(wǎng)絡(luò)訓(xùn)練集。
[0023]本發(fā)明中的原始圖像應(yīng)該為不含噪聲的圖像，通過(guò)添加噪聲作為訓(xùn)練樣本。
[0024]在實(shí)際應(yīng)用中也可以通過(guò)其他方法獲取訓(xùn)練樣本，但是必須保證各個(gè)訓(xùn)練樣本對(duì)應(yīng)的原始圖像是已知。
[0025]訓(xùn)練樣本的個(gè)數(shù)一方面影響到得到的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，另一方面還會(huì)影響到訓(xùn)練的時(shí)間消耗，且二者之間相互制約。為保證二者之間的平衡，作為優(yōu)選，所述網(wǎng)絡(luò)訓(xùn)練樣本集中包括8000?15000個(gè)訓(xùn)練樣本(即獲取8000?15000個(gè)大小與待處理圖像相同原始圖像)，進(jìn)一步優(yōu)選，所述網(wǎng)絡(luò)訓(xùn)練樣本集中包括10000個(gè)訓(xùn)練樣本。
[0026]基于噪聲獨(dú)立同分布假設(shè)(即iid假設(shè))對(duì)各個(gè)原始圖像添加噪聲。
[0027]根據(jù)噪聲iid假設(shè)，對(duì)圖像添加噪聲構(gòu)成訓(xùn)練集的輸入部分，同時(shí)將對(duì)應(yīng)的原始圖像作為輸出對(duì)網(wǎng)絡(luò)進(jìn)行監(jiān)督。
[0028]針對(duì)當(dāng)前原始圖像I，通過(guò)如下公式添加噪聲得到相應(yīng)的訓(xùn)練樣本X:
[0029]X = I+g
[0030]g ?gaussian ( δ )，
[0031]其中，g表示高斯噪聲，均值為O ;
[0032]δ是高斯噪聲的方差，其取值根據(jù)應(yīng)用場(chǎng)景的噪聲設(shè)定。
[0033]δ是高斯噪聲的方差與應(yīng)用場(chǎng)景的噪聲大小相匹配，通常噪聲越大，δ的取值應(yīng)該越大。作為優(yōu)選，所述S的取值為25?50。
[0034]所述步驟(3)中訓(xùn)練基本前饋神經(jīng)網(wǎng)絡(luò)包括如下步驟:
[0035](3-1)針對(duì)每個(gè)訓(xùn)練樣本基于求解目標(biāo)函數(shù)L的最小值構(gòu)建相應(yīng)的廣義線性方程;
[0036]所述的目標(biāo)函數(shù)L為:
[0037]L= (T-O)2，
[0038]其中，T表示目標(biāo)輸出，為當(dāng)前訓(xùn)練樣本對(duì)應(yīng)的原始圖像的向量表示，
[0039]O為當(dāng)前訓(xùn)練樣本在通過(guò)基本前饋神經(jīng)網(wǎng)絡(luò)的輸出；
[0040](3-2)對(duì)將所有訓(xùn)練樣本對(duì)應(yīng)的廣義線性方程組建為廣義線性方程組，并使用Moore-Penrose逆求解所述的廣義線性方程組得到特征抽取層到輸出層的連接參數(shù)。
[0041]本發(fā)明中圖像多采用矩陣形式表示，因此步驟(3-1)構(gòu)建的廣義線性方程實(shí)際上是一個(gè)小的廣義線性方程組，而步驟(3-2)中將所有訓(xùn)練樣本對(duì)應(yīng)的廣義線性方程組件得到的廣義線性方程組，實(shí)際上應(yīng)理解為若干個(gè)小的廣義線性方程組構(gòu)建的大廣義線性方程組。
[0042]將經(jīng)過(guò)添加噪聲處理的圖像(即訓(xùn)練樣本)作為輸入，對(duì)應(yīng)的原始圖像作為輸出，求取網(wǎng)絡(luò)中的參數(shù)，其中由輸入到特征抽取層的參數(shù)隨機(jī)初始化，不做改變，緊緊通過(guò)線性方程求取由特征抽取層到輸出層的參數(shù)，大大節(jié)約了求解計(jì)算量，有利于降低訓(xùn)練時(shí)耗、縮短訓(xùn)練時(shí)間。
[0043]本方法通過(guò)構(gòu)建三層網(wǎng)絡(luò)，定制訓(xùn)練集，并通過(guò)ELM方式訓(xùn)練，可以很容易的獲取網(wǎng)絡(luò)參數(shù)，從而應(yīng)用到對(duì)應(yīng)的圖像修復(fù)任務(wù)中，與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果:
[0044]通過(guò)定制訓(xùn)練集，并應(yīng)用ELM方法對(duì)基本前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練獲取連接參數(shù)，可以很迅速的完成訓(xùn)練過(guò)程，可以大大提高訓(xùn)練效率，縮短了訓(xùn)練時(shí)長(zhǎng)；
[0045]根據(jù)應(yīng)用場(chǎng)景的噪聲類型構(gòu)建網(wǎng)絡(luò)訓(xùn)練集，僅需針對(duì)應(yīng)用場(chǎng)景構(gòu)建的網(wǎng)絡(luò)訓(xùn)練集即可得到針對(duì)不同噪聲類型的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)以對(duì)圖像進(jìn)行噪聲去除，可以比較方便的應(yīng)用到不同的噪聲場(chǎng)景中；
[0046]在構(gòu)建完成該網(wǎng)絡(luò)時(shí)，可以針對(duì)不同噪聲類型的圖像完成定制，迅速完成訓(xùn)練，因此可以比較方便的應(yīng)用到不同的噪聲場(chǎng)景中；
[0047]訓(xùn)練完成后所需的內(nèi)存和計(jì)算資源比較小，可以方便的應(yīng)用在計(jì)算及存儲(chǔ)資源受限場(chǎng)景中，如移動(dòng)設(shè)備，嵌入式設(shè)備。
【附圖說(shuō)明】
[0048]圖1為本實(shí)施例的基本前饋神經(jīng)網(wǎng)絡(luò)的示意圖。
【具體實(shí)施方式】
[0049]下面將結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。
[0050]本實(shí)施例的基于ELM的圖像去噪方法，包括如下步驟:
[0051](I)根據(jù)待處理圖像的大小(記待處理圖像的大小為MXN)構(gòu)建基本網(wǎng)絡(luò)。
[0052]如圖1所示，本實(shí)施例的基本網(wǎng)絡(luò)為基本前饋神經(jīng)網(wǎng)絡(luò)，包括三層，分別為輸入層、特征抽取層和輸出層。
[0053]輸入層具有M*N個(gè)節(jié)點(diǎn)，輸入待處理圖像的像素信息；特征抽取層具有H個(gè)節(jié)點(diǎn)(H通常為1000?1500，本實(shí)施例中H = 1200);輸出層具有M*N個(gè)節(jié)點(diǎn)，輸出M*N大小的經(jīng)過(guò)這種網(wǎng)絡(luò)處理后的圖像，即待處理圖像去噪后的圖像。
[0054]本實(shí)施例的前饋神經(jīng)網(wǎng)絡(luò)中:
[0055]從輸入層到特征抽