基于PCNN的圖像椒鹽噪聲濾除方法

閆海鵬，吳玉厚

(1.沈陽建筑大學(xué) 機(jī)械工程學(xué)院，遼寧 沈陽 110168； 2. 沈陽建筑大學(xué) 高檔石材數(shù)控加工裝備與技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，遼寧 沈陽 110168)

基于PCNN的圖像椒鹽噪聲濾除方法

閆海鵬1，吳玉厚2

(1.沈陽建筑大學(xué) 機(jī)械工程學(xué)院，遼寧 沈陽 110168； 2. 沈陽建筑大學(xué) 高檔石材數(shù)控加工裝備與技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，遼寧 沈陽 110168)

傳統(tǒng)的降噪方法在圖像降噪之后會(huì)損壞圖像的部分邊緣細(xì)節(jié)信息，致使圖像的輪廓變得模糊不清。為了達(dá)到更好的圖像降噪效果，提出一種改變突觸鏈接強(qiáng)度和改進(jìn)閾值函數(shù)的脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像降噪方法。該方法將基本脈沖耦合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行簡(jiǎn)化，使突觸鏈接強(qiáng)度自適應(yīng)取值，將閾值函數(shù)改進(jìn)為分段的衰減函數(shù)，從而提高對(duì)圖像不同灰度值的分辨力，并根據(jù)神經(jīng)元與其周圍神經(jīng)元點(diǎn)火時(shí)間差定位噪聲點(diǎn)，提高了算法對(duì)噪聲點(diǎn)的辨識(shí)精確度，進(jìn)而實(shí)現(xiàn)更好的降噪效果。實(shí)驗(yàn)結(jié)果表明，改進(jìn)方法準(zhǔn)確地辨識(shí)出了圖像的椒鹽噪聲點(diǎn)，并且能夠有效去除噪聲點(diǎn)，同時(shí)很好地保護(hù)圖像邊緣細(xì)節(jié)。

圖像降噪；脈沖耦合神經(jīng)網(wǎng)絡(luò)；突觸鏈接強(qiáng)度；閾值函數(shù)；分辨力

圖像在切割及傳輸?shù)冗^程中，不可避免地會(huì)受到各種噪聲污染，其中最常見的就是由白色亮點(diǎn)鹽噪聲和黑色暗點(diǎn)胡椒噪聲組成的黑白雜點(diǎn)，即椒鹽噪聲，也稱脈沖噪聲。圖像降噪就是將被污染的噪聲點(diǎn)去除，使其恢復(fù)原來圖像的過程。圖像降噪既要保證圖像邊緣細(xì)節(jié)信息不被破壞，又要對(duì)噪聲點(diǎn)進(jìn)行去除，使圖像清晰，有較好的視覺效果。傳統(tǒng)的降噪方法[1-3]，如中值降噪在對(duì)圖像降噪過程中對(duì)每一個(gè)像素點(diǎn)都進(jìn)行濾波，致使圖像紋理細(xì)節(jié)得到不同程度的破壞，從而影響了圖像清晰度，沒有使圖像得到更好地恢復(fù)。

脈沖耦合神經(jīng)網(wǎng)絡(luò)[4-6](pulse coupled neural network，PCNN)是第3代人工神經(jīng)網(wǎng)絡(luò)，由于它有著極強(qiáng)的生物學(xué)背景，因此顯示出突出的圖像處理能力，近年來，已廣泛應(yīng)用于圖像分割[7-8]、圖像識(shí)別[9]、圖像降噪[10-12]等圖像處理的各個(gè)領(lǐng)域[13-15]。文獻(xiàn)[10]提出了一種自適應(yīng)突觸鏈接強(qiáng)度的PCNN降噪方法，對(duì)圖像中的噪聲點(diǎn)進(jìn)行了有效去除；文獻(xiàn)[11]提出了單向衰減閾值以及濾波窗口大小和濾波次數(shù)均自適應(yīng)選擇的圖像降噪方法，其較傳統(tǒng)降噪方法有顯著優(yōu)勢(shì)，降噪效果較好；文獻(xiàn)[12]提出一種結(jié)合形態(tài)學(xué)方法的濾波算法，更好地抑制混合噪聲的干擾，到達(dá)了良好的降噪效果。為更好地提高圖像質(zhì)量，改善降噪效果，本文提出一種改進(jìn)突觸鏈接強(qiáng)度和改進(jìn)閾值函數(shù)的PCNN模型。

1 PCNN神經(jīng)元模型

1.1 PCNN介紹

PCNN是由許多神經(jīng)元相互鏈接形成的一種動(dòng)態(tài)非線性神經(jīng)網(wǎng)絡(luò)。如圖1所示，一個(gè)PCNN神經(jīng)元主要由接收外部刺激信號(hào)部分、對(duì)信號(hào)進(jìn)行調(diào)制部分以及根據(jù)信號(hào)強(qiáng)弱決定能否產(chǎn)生脈沖部分這3部分組成。

圖1 基本PCNN神經(jīng)元模型Fig.1 Basic PCNN neuron model

接收外部刺激信號(hào)部分由F和L兩條通道接收并傳輸信號(hào)，其中F通道的饋送輸入Fij不僅與外部刺激信號(hào)Iij有關(guān)，還與其周圍神經(jīng)元的點(diǎn)火情況相關(guān)聯(lián)，其值為神經(jīng)元饋送權(quán)系數(shù)矩陣M與鄰域內(nèi)各神經(jīng)元輸出值點(diǎn)乘的和再乘以神經(jīng)元饋送幅度系數(shù)VF，然后加上外部刺激信號(hào)，并且隨時(shí)間按指數(shù)變化不斷衰減。而L通道的鏈接輸入Lij僅接收其周圍神經(jīng)元的鏈接信號(hào)，其值為神經(jīng)元鏈接權(quán)系數(shù)矩陣W與鄰域內(nèi)各神經(jīng)元輸出值點(diǎn)乘的和再乘以神經(jīng)元鏈接幅度系數(shù)VL，同時(shí)也隨時(shí)間按指數(shù)形式逐漸衰減。

調(diào)制器的作用是調(diào)節(jié)F和L兩條通道傳遞的信號(hào)，通過耦合調(diào)制得到內(nèi)部活動(dòng)項(xiàng)Uij。

脈沖發(fā)生器用來控制脈沖的產(chǎn)生與否，當(dāng)Uij≥θij時(shí)，神經(jīng)元點(diǎn)火發(fā)放脈沖，即輸出Yij=1，否則神經(jīng)元不點(diǎn)火，輸出Yij=0。其中動(dòng)態(tài)閾值θij按指數(shù)形式隨時(shí)間衰減。

1.2 簡(jiǎn)化PCNN模型

由上面介紹可知，基本PCNN神經(jīng)元模型參數(shù)較多，對(duì)參數(shù)設(shè)置較為困難，運(yùn)算起來也較為繁瑣，因此，本文將基本PCNN模型簡(jiǎn)化。PCNN簡(jiǎn)化模型的數(shù)學(xué)形式可用下列方程來描述。

(1)

(2)

(3)

(4)

(5)

式中：αθ為閾值衰減時(shí)間常數(shù)，Vθ為閾值幅度系數(shù)，Yij[n]為第n時(shí)刻神經(jīng)元(i,j)的輸出，其他符號(hào)代表的含義同1.1小節(jié)所介紹。

由式(1)～(5)能夠知道，模型保持了原有特征，同時(shí)參數(shù)大大減少，并且饋送輸入Fij和鏈接輸入Lij均不再自身隨時(shí)間衰減。此時(shí)的饋送輸入Fij僅與外部刺激有關(guān)，其值為圖像的灰度值，而鏈接輸入Lij僅關(guān)聯(lián)神經(jīng)元的鏈接信號(hào)，其值為周圍神經(jīng)元的輸出值與鏈接權(quán)系數(shù)矩陣點(diǎn)乘后求和。簡(jiǎn)化后PCNN模型的內(nèi)部活動(dòng)項(xiàng)沒有改變，脈沖產(chǎn)生與否仍然由內(nèi)部活動(dòng)項(xiàng)與動(dòng)態(tài)閾值大小來決定。因此，簡(jiǎn)化后PCNN模型保持了基本PCNN模型的一些特性。

2 改進(jìn)PCNN模型降噪

2.1 改進(jìn)突觸鏈接強(qiáng)度

基本PCNN模型所有神經(jīng)元突觸鏈接強(qiáng)度均為同一初始設(shè)置值。實(shí)際上，神經(jīng)元接收不同信號(hào)刺激時(shí)，其對(duì)周圍神經(jīng)元影響的強(qiáng)弱是不同的，而傳統(tǒng)PCNN模型沒有更好地體現(xiàn)出不同神經(jīng)元之間的差異性。因此，本文將突觸鏈接強(qiáng)度加以改進(jìn)，使其根據(jù)不同神經(jīng)元的各異性而自適應(yīng)取值。具體取值方式如下。

(6)

式中：Fijkl[n]表示第n時(shí)刻神經(jīng)元(i,j)鄰域內(nèi)神經(jīng)元(k,l)的饋送輸入，即Fkl；Pijkl[n]表示神經(jīng)元(i,j)鄰域內(nèi)所有神經(jīng)元(k,l)的饋送輸入Fkl[n]的平均值。

由式(6)可以看出，每個(gè)神經(jīng)元都有不同自適應(yīng)取值的突觸鏈接強(qiáng)度：如果當(dāng)前神經(jīng)元(i,j)的饋送輸入值Fij[n]大于或等于其鄰域神經(jīng)元饋送輸入值的平均值Pijkl[n]，這時(shí)當(dāng)前神經(jīng)元(i,j)的突觸鏈接強(qiáng)度βij[n]取值為1，即相當(dāng)于當(dāng)前神經(jīng)元(i,j)對(duì)周圍神經(jīng)元(k,l)引起了共振響應(yīng)；否則，當(dāng)前神經(jīng)元(i,j)的突觸鏈接強(qiáng)度βij[n]取值為鄰域內(nèi)其他神經(jīng)元饋送輸入的平均值與當(dāng)前神經(jīng)元饋送輸入差值的倒數(shù)。突觸鏈接強(qiáng)度這樣取值是因?yàn)樯窠?jīng)元(i,j)受到的外界刺激與其鄰域神經(jīng)元(k,l)的外界刺激相似或較大時(shí)，其會(huì)帶動(dòng)鄰域神經(jīng)元(k,l)的活躍性，致使整個(gè)鄰域內(nèi)神經(jīng)元的活躍性提高，從而增大了內(nèi)部活動(dòng)項(xiàng)Uij[n]的取值，促進(jìn)神經(jīng)元(i,j)提早點(diǎn)火發(fā)放脈沖；若神經(jīng)元(i,j)的外界激勵(lì)相對(duì)其鄰域神經(jīng)元(k,l)的外界激勵(lì)較弱，即Pijkl[n]-Fij[n]在0～1取值時(shí)，可使突觸鏈接強(qiáng)度βij[n]取值較大，這樣鄰域神經(jīng)元(k,l)也會(huì)帶動(dòng)神經(jīng)元(i,j)提前點(diǎn)火激活；但當(dāng)神經(jīng)元(i,j)的外界激勵(lì)相對(duì)其鄰域神經(jīng)元(k,l)的外界激勵(lì)很小，即Pijkl[n]-Fij[n]>1時(shí)，神經(jīng)元(i,j)不易被點(diǎn)火激活而處于抑制狀態(tài)。改進(jìn)的突觸鏈接強(qiáng)度體現(xiàn)出不同神經(jīng)元之間鏈接程度大小的不同，能更真實(shí)地模擬生物神經(jīng)元，從而準(zhǔn)確地定位噪聲位置，達(dá)到更好的降噪效果。

2.2 改進(jìn)閾值函數(shù)

簡(jiǎn)化PCNN模型閾值函數(shù)仍按指數(shù)形式衰減，而饋送輸入Fij是一定值，鏈接輸入Lij值較小，因此，對(duì)于灰度值較大的神經(jīng)元內(nèi)部活動(dòng)項(xiàng)Uij[n]的值與饋送輸入值較為接近。而指數(shù)衰減的閾值，當(dāng)閾值較大時(shí)，閾值函數(shù)衰減的速度就會(huì)較快，隨著閾值的減小，其衰減速度也逐漸減小，這樣導(dǎo)致較大值神經(jīng)元對(duì)應(yīng)的圖像區(qū)域有較小差異的大灰度值之間的分辨力較低，而較小值神經(jīng)元對(duì)應(yīng)的圖像區(qū)域有較小差異的小灰度值的分辨力較高，從而導(dǎo)致灰度值大的區(qū)域噪聲不易定位的缺點(diǎn)。因此，本文將動(dòng)態(tài)閾值函數(shù)加以改進(jìn)，其公式為

(7)

式中：K0、K1和K2均為大于零的常數(shù)，且K1取值要大于K0與K2，以達(dá)到使動(dòng)態(tài)閾值快速下降，加快算法運(yùn)行速度的目的，而K0及K2取較小值時(shí)，可以提高算法對(duì)圖像的分辨率。根據(jù)每次迭代的指數(shù)衰減閾值函數(shù)的改變大小，這里將灰度值大于200的看作大灰度值，小于55的看作小灰度值。

由圖2動(dòng)態(tài)閾值的衰減曲線可以看出，改進(jìn)后的閾值函數(shù)在灰度值較大和較小區(qū)域衰減速度均較慢，但灰度值在中間值附近時(shí)閾值函數(shù)衰減速度較快，從而保證了閾值函數(shù)衰減的平均速度不至于過慢。在保證準(zhǔn)確分辨圖像不同灰度值的同時(shí)，選擇合適的K0、K1和K2值還會(huì)提高閾值衰減速率，從而提高降噪效率。此外，由圖2可知，隨著時(shí)間的增加指數(shù)衰減閾值的衰減速度逐漸降低，且始終大于零，致使較小的灰度值很難達(dá)到點(diǎn)火狀態(tài)，通過圖2及式(7)可以看出，改進(jìn)閾值函數(shù)經(jīng)過衰減，最后一次可以達(dá)到θij[n+1]≤0，這時(shí)即使灰度值最小的神經(jīng)元也會(huì)點(diǎn)火發(fā)放脈沖，并且減少了算法運(yùn)行時(shí)間。因此，改進(jìn)閾值函數(shù)可以在有限時(shí)間內(nèi)使所有神經(jīng)元都點(diǎn)火輸出脈沖。

圖2 動(dòng)態(tài)閾值衰減曲線Fig.2 Dynamic threshold attenuation curve

2.3 噪聲定位

由2.2節(jié)知道，改進(jìn)閾值函數(shù)后，可以使所有神經(jīng)元在有限時(shí)間內(nèi)均點(diǎn)火發(fā)放脈沖，因此可添加一個(gè)記錄神經(jīng)元點(diǎn)火時(shí)間的矩陣T，即神經(jīng)元點(diǎn)火時(shí)間圖，其與PCNN及圖像相對(duì)應(yīng)，大小相等。神經(jīng)元點(diǎn)火時(shí)間矩陣T記錄著每個(gè)神經(jīng)元的初次點(diǎn)火時(shí)間，即當(dāng)?shù)趎時(shí)刻神經(jīng)元(i,j)首次點(diǎn)火，其對(duì)應(yīng)的點(diǎn)火時(shí)間矩陣元素tij=n。

為了判斷噪聲位置，文獻(xiàn)[15]采用一個(gè)全1的(2m+1)×(2m+1)窗口對(duì)點(diǎn)火時(shí)間矩陣T中的元素逐個(gè)掃描，并對(duì)相應(yīng)的(2m+1)×(2m+1)個(gè)元素排序來判斷噪聲點(diǎn)。上述方法分析矩陣T中所有元素，算法運(yùn)行時(shí)間較長(zhǎng)。根據(jù)椒鹽噪聲的特點(diǎn)，噪聲將出現(xiàn)在灰度值最大的亮點(diǎn)處或灰度值最小的暗點(diǎn)處，即矩陣T中元素為最大值或最小值對(duì)應(yīng)的圖像位置，因此，本文算法中僅分析矩陣T中最大和最小元素，大大縮減了算法的運(yùn)行時(shí)間。本文對(duì)噪聲定位的具體過程為：

將點(diǎn)火時(shí)間矩陣T中所有最大及最小元素tij均與各自的(2m+1)×(2m+1)鄰域元素tkl相減，得到若干個(gè)(2m+1)×(2m+1)窗口大小的矩陣Dij，其中m為正整數(shù)。如果矩陣Dij中除中間元素外有一半以上元素小于-1，此時(shí)神經(jīng)元(i,j)未能捕獲鄰域內(nèi)大多數(shù)神經(jīng)元(k,l)，與它們均有較大差異，因此，可判斷神經(jīng)元(i,j)對(duì)應(yīng)的像素點(diǎn)為大值噪聲點(diǎn)(灰度最大值為255)，即噪聲點(diǎn)的灰度值為最大值，應(yīng)使其減小；如果矩陣Dij中除中間元素外有一半以上元素大于1，此時(shí)神經(jīng)元(i,j)未能被鄰域內(nèi)大多數(shù)神經(jīng)元(k,l)捕獲，與鄰域內(nèi)大多數(shù)神經(jīng)元(k,l)亦均有較大差異，因此，可判斷神經(jīng)元(i,j)對(duì)應(yīng)的像素點(diǎn)為小值噪聲點(diǎn)(灰度最小值為0)，即噪聲點(diǎn)的灰度值為最小值，應(yīng)使其增大。其他情況均認(rèn)定為不是噪聲點(diǎn)。由文獻(xiàn)[11]可知，根據(jù)噪聲密度的不同，調(diào)節(jié)m的值來控制(2m+1)×(2m+1)窗口大小，能夠更準(zhǔn)確辨別噪聲。

2.4 PCNN濾波算法

本文方法可以將圖像中噪聲點(diǎn)準(zhǔn)確定位，因此不必對(duì)每個(gè)像素點(diǎn)都做濾波處理，僅對(duì)被判定為噪聲的像素點(diǎn)進(jìn)行濾波。具體算法步驟如下：

1)初始化PCNN，設(shè)置各個(gè)參數(shù)初始值，同時(shí)令神經(jīng)元均處于熄火狀態(tài)，即Yij=0。

2)輸入含噪圖像，在PCNN中按式(1)～(4)及式(6)和式(7)循環(huán)迭代，直到所有神經(jīng)元均點(diǎn)火發(fā)放脈沖，同時(shí)記錄神經(jīng)元初次點(diǎn)火時(shí)間于點(diǎn)火時(shí)間矩陣T中。

3)應(yīng)用2.3小節(jié)介紹的方式定位噪聲。對(duì)大值噪聲點(diǎn)和小值噪聲點(diǎn)均采用(2m+1)×(2m+1)窗口局部中值濾波。除以上情況外，直接輸出原灰度值。

4)輸出降噪后圖像。

此外，對(duì)降噪后圖像進(jìn)行評(píng)價(jià)后，如果效果仍較差，可對(duì)降噪后圖像再執(zhí)行一次降噪。

3 實(shí)驗(yàn)驗(yàn)證與結(jié)果分析

本文以常用Lena圖像和作者拍攝的Deer圖像來驗(yàn)證改進(jìn)算法對(duì)圖像降噪的性能。原始Lena圖像和Deer圖像如圖3所示，均為256×256大小的灰度圖像。測(cè)試客觀評(píng)價(jià)結(jié)果采用峰值信噪比(PSNR)、均方誤差(MSE)、信噪比改善因子(ISNR)等指標(biāo)對(duì)降噪性能進(jìn)行客觀評(píng)價(jià)并進(jìn)一步分析。

(a) 原始Lena圖像 (b)原始Deer圖像圖3 測(cè)試圖像的原始圖像Fig.3 The original images for test

參照文獻(xiàn)[15]將測(cè)試參數(shù)選擇為：θ0=260、W=[0.5 1 0.5;1 0 1;0.5 1 0.5]，取K0=8、K1=15、K2=8。

圖4和圖5分別為L(zhǎng)ena圖像和Deer圖像通過添加密度為10%的椒鹽噪聲，并采用不同降噪方法的測(cè)試結(jié)果的主觀視覺圖。

從圖3～圖5可以看出，本文提出的降噪方法能夠有效地濾除圖像中的噪聲，通過降噪所得到的視覺效果要優(yōu)于中值降噪及均值降噪，不僅去除了噪聲點(diǎn)，同時(shí)保護(hù)了圖像邊緣細(xì)節(jié)等信息，使圖像輪廓清晰，改善了圖像質(zhì)量。

圖6為L(zhǎng)ena圖像添加密度10%的椒鹽噪聲降噪后的局部效果圖，從圖中可以看出，本文方法較文獻(xiàn)[10]更好地保持了圖像的紋理信息。由于本文方法可對(duì)噪聲準(zhǔn)確定位，并且僅對(duì)噪聲點(diǎn)進(jìn)行中值濾波，不改變圖像中原有的灰度值，從而減少了對(duì)圖像灰度值的破壞，很好地保持了圖像紋理。

圖4 Lena圖像添加密度10%的椒鹽噪聲降噪效果Fig.4 Noise reduction results for Lena image added the salt and pepper noise with a density of 10%

圖5 Deer圖像添加密度10%的椒鹽噪聲降噪效果Fig.5 Noise reduction results for Deer image added the salt and pepper noise with a density of 10%

(a) 原始圖像 (b)文獻(xiàn)[10]降噪圖像(c)本文降噪圖像圖6 降噪細(xì)節(jié)比較Fig.6 Detail comparison of noise reduction results

為了進(jìn)一步客觀評(píng)價(jià)本文算法的降噪能力，筆者做了多次測(cè)試，并將客觀評(píng)價(jià)結(jié)果列于表1。表1給出了Lena圖像和Deer圖像添加密度為10%的椒鹽噪聲PSNR、MSE、ISNR3種評(píng)價(jià)指標(biāo)的對(duì)比，表2中數(shù)據(jù)為針對(duì)Lena圖像受不同強(qiáng)度椒鹽噪聲污染情況降噪后的PSNR性能。

表1Lena圖像和Deer圖像加10%椒鹽噪聲時(shí)降噪性能評(píng)價(jià)

Table 1 The noise reduction performance of Lena and Deer images with 10% impulse noise

評(píng)價(jià)指標(biāo)LenaPSNRMSEISNRDeerPSNRMSEISNR加噪圖像15．5151826015．04820340均值降噪23．450290．5-8．0420．813539．3-5．70中值降噪31．00351．62-15．5723．520289．2-8．41本文算法38．2659．70-22．8132．42337．22-17．32

表1中兩種圖像均是本文降噪算法的PSNR值最大，且遠(yuǎn)高于中值降噪和均值降噪，驗(yàn)證了本文算法的降噪性能優(yōu)于中值降噪及均值降噪。而MSE值最小說明本文算法有效濾除了噪聲，ISNR有最小的負(fù)值也表明本文算法對(duì)噪聲的抑制效果最好。

表2 不同噪聲強(qiáng)度降噪后PSNR性能比較( Lena圖像)

Table 2 The comparison of PSNR performance after noise reduction with different noise intensity(Lena image)

評(píng)價(jià)指標(biāo)6%10%14%20%30%50%加噪圖像17．5515．5213．9812．4110．718．45均值降噪25．2523．5422．1822．0820．2818．36中值降噪31．8331．0030．2129．5727．5524．77文獻(xiàn)[10]34．1433．90—32．4230．15—文獻(xiàn)[15]33．7732．7531．9530．51——本文算法40．9738．2836．5734．6431．6227．49

表2中文獻(xiàn)[10]與文獻(xiàn)[15]的降噪評(píng)價(jià)指標(biāo)為原文中數(shù)據(jù)。由表2可知，隨著噪聲密度的增大，PSNR值逐漸減小，但在同一密度情況下，本文算法的PSNR值最大，濾波效果最佳。表明本文方法不僅優(yōu)于傳統(tǒng)降噪算法，而且較文獻(xiàn)[10]與文獻(xiàn)[15]所提方法也有較大的優(yōu)勢(shì)。從峰值信噪比來看，本文方法的峰值信噪比顯著高于與之比較的其他方法，得到了更為接近原始圖像的降噪圖像。因此，通過表2中的實(shí)驗(yàn)數(shù)據(jù)可以得出，盡管圖像受污染的程度不同，但在比較的濾波算法中，本文所提出的改進(jìn)算法在濾除圖像椒鹽噪聲時(shí)去噪性能最強(qiáng)。

脈沖耦合神經(jīng)網(wǎng)絡(luò)能夠辨識(shí)出噪聲點(diǎn)，并針對(duì)噪聲點(diǎn)進(jìn)行有目的的濾波，文獻(xiàn)[10]在改進(jìn)突觸鏈接強(qiáng)度后對(duì)濾波效果有所改善，而本文利用另一種策略改進(jìn)PCNN的突觸鏈接強(qiáng)度，使突觸鏈接強(qiáng)度的取值更加合理，同時(shí)對(duì)閾值函數(shù)進(jìn)行改進(jìn)，提高了算法對(duì)圖像大灰度值之間及小灰度值之間的分辨力，并且在一定程度上還能夠降低算法運(yùn)行時(shí)間。因此本文方法提高了對(duì)圖像椒鹽噪聲定位的精確度，對(duì)噪聲的濾除不改變圖像中原有的灰度值，要較其他傳統(tǒng)降噪方法以及文獻(xiàn)[10]與文獻(xiàn)[15]方法好的多。雖然在噪聲密度較大時(shí)降噪性能有所下降，但依然較其他方法濾波有較高的峰值信噪比。

此外，筆者測(cè)試了參數(shù)K0、K1、K2選取不同值時(shí)對(duì)降噪效果的影響，參數(shù)取值見表3。Lena圖像添加10%椒鹽噪聲時(shí)的測(cè)試評(píng)價(jià)結(jié)果如表4，其中算法運(yùn)行時(shí)間單位為s，表4中序號(hào)與表3序號(hào)閾值函數(shù)參數(shù)取值相對(duì)應(yīng)。

表3 閾值函數(shù)參數(shù)取值

表4 閾值函數(shù)參數(shù)取不同值時(shí)降噪效果評(píng)價(jià)

Table 4 Noise reduction effect evaluation under different parameter values of threshold function

序號(hào)PSNRMSEISNRTIME137．998410．3272-22．544245．8345238．50359．1827-23．050330．2665336．071016．0768-20．590521．7057438．24769．9168-22．770040．6464537．925310．4867-22．452927．0175

從表4中能夠看出，序號(hào)2中除了算法運(yùn)行時(shí)間不是最優(yōu)外，其他性能評(píng)價(jià)指標(biāo)均較優(yōu)，各參數(shù)取值越小，算法運(yùn)行時(shí)間越長(zhǎng)，而K0與K2取值較大時(shí)性能指標(biāo)下降較大，但整體綜合分析參數(shù)選擇對(duì)性能影響不是很大。因此，在具體應(yīng)用中，應(yīng)綜合分析、合理選擇式(7)中的參數(shù)。

4 結(jié)束語

本文提出了一種使突觸鏈接強(qiáng)度自適應(yīng)取值以及閾值函數(shù)隨時(shí)間分段衰減的改進(jìn)PCNN模型。該方法提高了分辨圖像不同灰度值的能力，能夠較準(zhǔn)確地定位噪聲，實(shí)現(xiàn)了更好的降噪效果。經(jīng)過實(shí)驗(yàn)測(cè)試，驗(yàn)證了該方法能夠準(zhǔn)確地辨識(shí)圖像椒鹽噪聲點(diǎn)，并有效地將噪聲點(diǎn)濾除，降噪效果好于與其比較的其他方法，同時(shí)對(duì)圖像的邊緣細(xì)節(jié)有較好的保護(hù)效果。

[1]NAKARIYAKUL S. Fast spatial averaging: an efficient algorithm for 2D mean filtering[J]. The journal of supercomputing, 2013, 65(1): 262-273.

[2]YUAN Xinxing, WEN Peng, FAN Xiuxiang, et al. A local pixel distribution based self-adaptive median filter for removal of pepper and salt noise[J]. IFAC proceedings volumes, 2013, 46(20): 63-67.

[3]WANG Huiyan, ZHENG Jia. Comparative study of tongue image denoising methods[J]. Journal of computers, 2013, 8(3): 787-794.

[4]張文興, 閆海鵬, 王建國(guó). 基于改進(jìn)脈沖耦合神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)降噪方法研究[J]. 機(jī)械設(shè)計(jì)與制造, 2015(2): 25-28. ZHANG Wenxing, YAN Haipeng, WANG Jianguo. Research on data noise reduction method based on modified PCNN[J]. Machinery design & manufacture, 2015(2): 25-28.

[5]WANG Zhaobin, MA Yide, CHENG Feiyan, et al. Review of pulse-coupled neural networks[J]. Image and vision computing, 2010, 28(1): 5-13.

[6]SUBASHINI M M, SAHOO S K. Pulse coupled neural networks and its applications[J]. Expert systems with applications, 2014, 41(8): 3965-3974.

[7]沈艷, 張曉明, 韓凱歌, 等. PCNN圖像分割技術(shù)研究[J]. 現(xiàn)代電子技術(shù), 2014, 37(2): 38-41. SHEN Yan, ZHANG Xiaoming, HAN Kaige, et al. Research of image segmentation technology based on PCNN[J]. Modern electronics technique, 2014, 37(2): 38-41.

[8]周東國(guó), 高潮, 郭永彩. 一種參數(shù)自適應(yīng)的簡(jiǎn)化PCNN圖像分割方法[J]. 自動(dòng)化學(xué)報(bào), 2014, 40(6): 1191-1197. ZHOU Dongguo, GAO Chao, GUO Yongcai. Adaptive simplified PCNN parameter setting for image segmentation[J]. Acta automatica sinica, 2014, 40(6): 1191-1197.

[9]李翔. 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別和圖像檢索算法研究[D]. 昆明: 云南大學(xué), 2014. LI Xiang. Research on image recognition and image retrieval algorithm based on pulse coupled neural network[D]. Kunming: Yunnan University, 2014.

[10]張文興, 閆海鵬, 王建國(guó). 一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像降噪方法[J]. 圖學(xué)學(xué)報(bào), 2015, 36(1): 47-51. ZHANG Wenxing, YAN Haipeng, WANG Jianguo. A method for image de-noising based on pulse coupled neural network[J]. Journal of graphics, 2015, 36(1): 47-51.

[11]李海燕, 張榆鋒, 施心陵, 等. 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的自適應(yīng)圖像濾波[J]. 計(jì)算機(jī)應(yīng)用, 2011, 31(4): 1037-1039, 1106. LI Haiyan, ZHANG Yufeng, SHI Xinling, et al. Adaptive filtering method for images based on pulse-coupled neural network[J]. Journal of computer applications, 2011, 31(4): 1037-1039, 1106.

[12]張艷珠, 李媛, 李小娟. 簡(jiǎn)化型PCNN的混合噪聲圖像濾波算法研究[J]. 控制工程, 2013, 20(5): 829-832. ZHANG Yanzhu, LI Yuan, LI Xiaojuan. The research of hybrid noise filtering for images based on pulse coupled neural network[J]. Control engineering of China, 2013, 20(5): 829-832.

[13]劉勍. 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像處理若干問題研究[D]. 西安: 西安電子科技大學(xué), 2011. LIU Qing. Research on several issues about image processing based on pulse coupled neural networks[D]. Xi’an: Xidian University, 2011.

[14]樊洪斌. 脈沖耦合神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用研究[D]. 桂林: 廣西師范大學(xué), 2009. FAN Hongbin. The applications in the medical image processing based on pulse coupled neural network[D]. Guilin: Guangxi Normal University, 2009.

[15]劉勍, 馬義德. 一種基于PCNN賦時(shí)矩陣的圖像去噪新算法[J]. 電子與信息學(xué)報(bào), 2008, 30(8): 1869-1873. LIU Qing, MA Yide. A new algorithm for noise reducing of image based on PCNN time matrix[J]. Journal of electronics & information technology, 2008, 30(8): 1869-1873.

閆海鵬，男，1987年生，博士研究生，主要研究方向?yàn)榇嘈圆牧霞庸?、噪聲檢測(cè)與去除。主持完成內(nèi)蒙古自治區(qū)研究生科研創(chuàng)新項(xiàng)目1項(xiàng)，參與國(guó)家自然科學(xué)基金項(xiàng)目2項(xiàng)。發(fā)表學(xué)術(shù)論文11篇。

吳玉厚，男，1955年生，教授，博士生導(dǎo)師，博士，主要研究方向?yàn)樘沾闪慵芗庸ぶ圃旒夹g(shù)、數(shù)控機(jī)床高速主軸系統(tǒng)關(guān)鍵技術(shù)。主持完成國(guó)家級(jí)、省部級(jí)科研課題20余項(xiàng)。獲得國(guó)家技術(shù)發(fā)明二等獎(jiǎng)1項(xiàng)，國(guó)家科技進(jìn)步二等獎(jiǎng)1項(xiàng)，國(guó)家專利金獎(jiǎng)1項(xiàng)，國(guó)家專利優(yōu)秀獎(jiǎng)1項(xiàng)，遼寧省技術(shù)發(fā)明一等獎(jiǎng)2項(xiàng)，遼寧省科技進(jìn)步一等獎(jiǎng)1項(xiàng)，省部級(jí)科技獎(jiǎng)二等獎(jiǎng)7項(xiàng)。國(guó)家發(fā)明專利10項(xiàng)。發(fā)表學(xué)術(shù)論文387篇，被SCI、EI檢索132篇，出版專著8部。

Filtering image impulse noise by usinga PCNN image noise reduction technique

YAN Haipeng1， WU Yuhou2

(1. School of Mechanical Engineering, Shenyang Jianzhu University, Shenyang 110168, China; 2. National-Local Joint Engineering Laboratory of High-Grade Stone Numerical Control Machining Equipments and Technology, Shenyang Jianzhu University, Shenyang 110168, China)

Traditional methods for image noise reduction typically damage the edges and details of an image, blur image contours, and thereby make them indistinct after image noise reduction is complete. To achieve better results in image noise reduction, we propose a pulse coupling neural network (PCNN) image noise reduction method based on a modified synaptic link strength and a modified threshold function. We simplified the basic PCNN model and adaptively changed the synaptic link strength value; further, we improved the threshold function by using a segmented attenuation function so as to improve the resolving power for different gray values of the given images. We improved the accuracy of our algorithm for identifying noise by positioning noise points according to the difference of firing times between the neuron and its surrounding neurons. Using this approach, we achieved better noise reduction results; our experimental results showed that our proposed method was able to accurately identify image impulse noise points and effectively remove these noise points. Further, through subjective evaluation, we observed that image edge details were also protected.

image noise reduction; pulse coupling neural network; synaptic link strength; threshold function; resolving power

2016-05-26.

日期：2017-01-11.

國(guó)家自然科學(xué)基金項(xiàng)目(51375317).

吳玉厚. E-mail：wuyh@sjzu.edu.cn.

10.11992/tis.201605027

http://www.cnki.net/kcms/detail/23.1538.tp.20170111.1705.014.html

TP391

A

1673-4785(2017)02-0272-07

閆海鵬，吳玉厚. 基于PCNN的圖像椒鹽噪聲濾除方法[J]. 智能系統(tǒng)學(xué)報(bào)， 2017, 12(2): 272-272.

英文引用格式：YAN Haipeng， WU Yuhou. Filtering image impulse noise by using a PCNN image noise reduction technique[J]. CAAI transactions on intelligent systems, 2017, 12(2): 272-278.