基于機器學習的圖像去噪研究

陳琦 張曰花 王紅

摘 ?要：圖像在進行傳遞表達信息時會受到一定噪音的影響，使得圖像的信息度降低，整個圖像的平滑度降低，所以，為了保證圖像在傳輸過程中的準確度、圖像整體的效果，會對圖像進行預處理——專門的去噪，專門的去噪過程有多種，其中包括空域、變換域和機器學習三大類方法，而其中較為成熟的應用技術要屬機器學習方法，機器學習的圖像去噪又有三大類，分別是神經網絡、稀疏算法和向量算法，通過對去噪過程進行研究，提高圖像在信息傳遞中的清晰度和準確度，同時，增強去噪的作用效果。本文將主要就機器學習的去噪過程進行研究，分別從機器學習的去噪研究的含義，去噪研究的應用及提高去噪作用效果的相應措施幾個方面進行詳細討論，為日后相應的措施改變提供理論參考和借鑒。

關鍵詞：機器學習;圖像去噪;應用改進

中圖分類號：TP391.41;TP181 ? ? ?文獻標識碼：A 文章編號：2096-4706（2019）14-0071-03

Research on Image Denoising Based on Machine Learning

CHEN Qi，ZHANG Yuehua，WANG Hong

（Shandong Huayu University of Technology，Dezhou ?253034，China）

Abstract：Image in conveying information will be influenced by a certain noise，make the image information degree is reduced，the smoothness of the image is reduced，Therefore，in order to guarantee the accuracy of image in the process of transmission，the effect of the image as a whole，the image preprocessing，through specialized denoising，there are many types of specialized denoising process，including the airspace，transform domain and machine learning methods，and the more mature application technology is machine learning methods，machine learning image denoising and three categories，respectively is neural networks，sparse algorithm and vector algorithm，through the research of the denoising process improve the clarity and accuracy of the image in the transmission of information，and enhance the effect of denoising. This paper will mainly study the denoising process of machine learning，and discuss in detail the meaning of the denoising study of machine learning，the application of the denoising study and the corresponding measures to improve the effect of the denoising study，so as to provide theoretical reference and reference for the corresponding measures in the future.

Keywords：machine learning;image denoising;application of improved

0 ?引 ?言

圖像去噪過程有三種，分別是空域、變換域和機器學習三種，每一種去噪方法有著相應的優缺點，其中，較為成熟的是基于機器學習的去噪研究，分為神經網絡、稀疏算法和向量算法。神經網絡是日常較為常用的一種方法，其中有三種通過的神經網絡，分別是卷積神經網絡、普通神經網絡和模糊神經網絡，通過對圖像進行基于機器學習的去噪，提高圖像展現信息的程度和效果，增強信息傳輸的能力。本文將主要對機器學習的圖像去噪研究進行詳細討論，其中相應的含義，作用，及改進措施會依次進行論述，為日后相應的措施提供理論經驗。

1 ?基于機器學習的圖像去噪含義與分類

所謂去噪，就是去除噪音，數字圖像在獲取和傳輸過程中會受到一定噪音的干擾，通過對圖像進行去噪處理，以提高圖像的質量，圖像去噪有一定的技術基礎，其中，基于機器學習的去噪應用較為成熟，以機器學習為基礎，提高圖像的質量，機器學習的圖像去噪有三種，分別為稀疏表示、神經網絡和向量算法，接下來，將通過大致的介紹幾種具體的去噪應用，來為后文相應的措施提供基礎。

1.1 ?稀疏表示的圖像去噪

所謂的稀疏表示指的是通過將信號在處理過程中用一種較為稀疏的方式表示，提高圖像信息的利用率和獲取率，指用一種稱為字典的函數表示圖像信息，其中每個組成元素稱為原子，圖像的整個是由原子組成的函數的線性組合，通過此種方式，提高圖像的表達效果和獲取信息的程度，稀疏表示的圖像去噪是通過稀疏噪音編碼的使用，通過稀疏噪音編碼將相似的噪音進行編碼，一旦系統或者算法感知到相似的音域將進行稀釋或者阻斷，以此提高圖像的清晰度，減少圖像在使用過程中的雜音，由于這種方法有一定的局限性，對于未進行標記的噪音無法及時進行識別和處理，所以，在機器學習領域中，此種方法并非常用方法。

1.2 ?基于神經網絡的圖像去噪研究

神經網絡中的圖像去噪研究有三種，分別是卷積神經網絡、普通神經網絡和模糊神經網絡三種。卷積神經網絡是一種人工處理的神經網，在圖像識別、去噪研究中成為熱點，卷積神經網絡去噪是通過卷積子網和反卷積子網進行的，通過兩者的對稱處理將多余的噪音進行清除，這種方法可以對圖像中的任何信息產生不變性，不會因為處理而改變圖像中的任何信息，卷積神經網絡的有效應用使得圖像在處理過程中的噪音明顯的降低，提高了圖像在使用過程中的有效性。普通神經網絡是通過人工神經網絡檢測器識別發現的，通過檢測器的檢測，識別出相應的噪音，從而進行清除，普通的神經網絡在圖像去噪方面的應用較為簡單，并且缺點也較為明顯，不能清晰地將噪音進行去除，普通神經網絡的再次更新是模糊網絡。模糊神經系統與模糊網絡結合形成模糊神經網絡。模糊神經網絡匯集了神經網絡與模糊理論的優點，集信息的獲取，識別，處理，分析，綜合等于一體，通過模糊神經網絡的應用，使得圖像的去噪應用更為創新，第三種是第二種處理方式的更迭，通過這三種方式的使用，使得圖像在處理信息過程中免受噪音的干擾，如圖1所示。

1.3 ?基于向量機的圖像去噪

向量機是基于統計數據的使用，通過向量機的使用將圖像處理過程中的各種雜音進行去除，在圖像去噪方面取得了不錯的效果，通過向量機的使用，圖像去噪變得更加簡潔方便，向量機使得圖像在使用過程中的噪音有效地去除，并且保證原有的已知的有價值的圖像信息不受干擾，向量機的使用實際上與數學原理相關，與數學在此方面的應用有關系，向量機的使用目前是不太完善的，需要時間進行補充完善，從而提高圖像在使用過程的去噪效果。

2 ?基于機器學習的圖像去噪的相應應用

基于機器學習的圖像去噪技術已經在日常生活中有很多應用，其中在科研領域、通信領域、醫療領域甚至是刑偵領域都有著具體的應用與實踐，對其的研究主要是為了應用更為廣泛，應用效果提升。

2.1 ?刑偵領域

攝像頭的使用在刑偵破案領域是必備的，同時也是發現線索的主要來源，然而，有時攝像頭中的信息處理尤其是圖像在處理過程中會由于噪音等問題，降低攝像圖像的畫質，使得圖像模糊，從而很難發現更為有價值的線索，因此，會在獲取圖像信息的過程中進行去噪處理，通過對噪音的消除，提高畫質的質量，從而提升破案的效果和速度，破案的質量也會有相應的提升，除了在攝像頭等方面的使用外，在視頻信息的處理過程中也會有所涉及，通過對視頻的剪輯和圖像的相應處理，提高視頻的清晰度，使得警方破案順利。

2.2 ?醫療領域

醫療領域需要圖像的方面很多，核磁共振，腦部CT等等都是需要進行圖像處理的，尤其在醫療領域有專門的醫療影像，這其中就有對圖像進行信息的獲取、處理、分析的過程，在整個過程的進行中，難免會存在噪音，噪音使得圖像在處理過程中的準確度降低，從而醫生對于病人病況的判斷就會不準確，這時，對于醫療領域來說，圖像更為重要，圖像的判斷顯示的是病人的生命，必須進行詳細的診斷，圖像在處理過程中的去噪研究需要更為高的水平，要求更為嚴格，一般是使用卷積神經網絡進行處理，提高信息的準確度和降低對信息的影響。

2.3 ?科研領域

科研領域對于圖像的精確度要求會很高，圖像所展現的信息會對整個實驗過程，實驗結果產生影響，為了確保實驗結果的有效性和正確率，進行圖像的預處理及圖像的去噪應用就顯得很有必要，通過對圖像進行相應的處理，消除掉無效的雜音，科研領域中的圖像去噪一般使用的是依據數學統計為原理的，通過數學模型進行應用的向量機的圖像去噪，通過此種方式，提高圖像在使用過程中的正確度和標準程度。科研領域中的圖像去噪較為復雜，需要進行相應的研究及提升。

2.4 ?教育領域

教育領域中的圖像一般是用于多媒體中，通過互聯網傳出的圖像，有時會出現噪音干擾，降低圖像對教育圖像的影響，提高教學質量與學生的學習質量需要進行圖像的去噪，圖像的去噪過程較為簡單，由于教育領域對于圖像的要求并非很高，一般而言，使用普通神經網絡就可以有效去除圖像中的噪音，是一個非常簡單快捷的應用。教育領域內進行圖像的去噪主要是為了便于學生在學習中不會受到干擾，提高學生的學習結果和學習質量，對于教師而言，不會在講解過程中出現多種問題，這就是圖像去噪的基本應用。

3 ?基于機器學習的圖像去噪提升措施

將機器學習的原理應用于圖像去噪過程，通過圖像去噪的應用使得圖像的處理更加提升，圖像的質量加以提高，這便是圖像去噪的目的。

3.1 ?改進算法程序，加快去噪速度

上文提到機器學習的圖像去噪是通過算法得以實現的，將進行去噪的算法改進，使用Python作為主要語言來編寫圖像去噪神經網絡，Python的語法更人性化，可以讓精力集中在編程對象和思維方法上。但是Python作為一種解釋性語言，其運行效率遠低于C/C++。針對這個問題，本文采用了混合編程的方法。Python被稱為“膠水”語言，它可以很好地與C/C++及其他一些語言進行相互調用。通過實驗發現，使用Python語言對一個512*512*3的圖像矩陣做預處理操作約需要2500ms的時間，而使用C++語言對該模塊進行重寫后同樣的處理過程只需5ms。速度是之前的近500倍，這大大提高了整個網絡的運行速度。

3.2 ?深度挖掘原理，提升去噪質量

圖像去噪是基于機器學習的原理進行操作與應用的，雖然對于機器學習方面已經進行了系列的研究與提升，但是有可能出現過擬合現象，為了避免過擬合問題，一個非常常用的方法是正則化（Regularization）。正則化的思想就是在損失函數中加入刻畫模型復雜程度的指標。假設用于刻畫模型在訓練數據上表現的損失函數為J（?），MAME在優化是不直接優化J（?），而是優化J（?）+λR（w）。其中R（w）刻畫的是模型的復雜程度，而λ表示模型復雜損失在總損失中的比例。注意這里?表示的是一個神經網絡中所有的參數，它包括邊上的權重w和偏置項b。一般來說模型復雜度只由權重w決定。常用的刻畫模型復雜度的函數R（w）有兩種，一種是L1正則化，計算公式如下：

3.3 ?綜合去噪方法，改進去噪應用

上述提到了圖像去噪有多種方法，不僅僅有以機器學習為基礎的，還有其他的，將多種方式方法的使用進行相應的融合，以便優點得以綜合，更加的發揚，缺點得以有效的改進，像上述提到的向量機與神經網絡就可以綜合，將數學統計與神經系統相結合，以此提升去噪的效果，是一個不錯的應用與技巧，通過綜合去噪方法，有效提升去噪的質量，是非常值得嘗試與使用的。

3.4 ?提升專業技能技巧

所謂提升專業技能技巧針對的是進行圖像去噪過程中的研發與設計人員，需要對其進行培訓，以便提升專業人員的發展潛能與發展潛力，通過專業人員的發展，以便圖像去噪得到更好的發展，提升專業人員的技能技巧并非單單是培訓可以完成的，需要的還有情懷的培養，以便更好地提高專業抱負。

4 ?結 ?論

基于機器學習的去噪研究是目前圖像處理領域研究的熱點，并非單單的簡單處理就可以實現，需要的更多是專業技能的提升，專業知識的研究等，需要經過時間慢慢地改變與完善。通過現實生活中的應用與實踐，逐漸摸索出真正的去噪方法。

參考文獻：

[1] 江唯奕.數字圖像去噪算法原理及應用 [J].電子制作，2019（6）：26-28.

[2] 李勝旺，韓倩.基于深度學習的圖像處理技術 [J].數字技術與應用，2018，36（9）：65-66.

[3] 王萌萌，屈紅偉，孫燕，等.基于自適應非局部稀疏編碼圖像去噪方法 [J].計算機工程與設計，2017，38（8）：2178-2183.

[4] 徐政超.使用稀疏表達和機器學習的行人檢測技術探討 [J].科技創新與應用，2017（10）：75.

[5] 郭德全，楊紅雨，劉東權，等.基于稀疏性的圖像去噪綜述 [J].計算機應用研究，2012，29（2）：406-413.

作者簡介：陳琦（1985-），男，漢族，山東濟寧人，教師，初級職稱，碩士，研究方向：計算機應用技術。