基于多特征結合與支持向量機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鍵的預處理環(huán)節(jié)。由于在含噪圖像中，大部分噪聲和圖像細節(jié)分布在高頻區(qū)域，不易區(qū)分，導致去噪時會不同程度地損壞圖像的細節(jié)信息。因此，如何能在去噪的同時最大限度地保持細節(jié)信息是圖像去噪研究的重點。
　　 針對在僅依賴單個圖像特征時，基于支持向量機(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致噪聲點的識別率較低、分類器性能較差的問題，本文在分析總結圖像去噪相關算

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

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