一種小波支撐向量機進行圖像降噪濾波算法研究

摘 要：本文作者基于小波分析和支撐向量機理論，提出了一種新的數字圖像降噪濾波的算法。論文討論了支撐向量機應用于圖像降噪的可行性，并采用了一維信號支撐向量機降噪實驗，論證了這種方法的可行性。本文將支持向量機方法應用于圖像降噪，采用小波分析和支撐向量機核函數的理論，導出了小波核函數，并且構造出了小波支撐向量機。為了好獲得具有高質量支持向量機，論文中利用基于小波分析的理論構造小波的核函數，能較好地逼近圖像，較好地恢復理想圖像。然后，結合實例，論證了支持向量機用在圖像圖形處理去噪方法中是否可行，并利用SAR圖像擬合去噪理論，闡述了近似理論的可行性。

關鍵詞：圖像降噪? 支撐向量機? 小波分析? 函數逼近

中圖分類號：TP 751.1? ? ?文獻標識符：A? ?文章編號：

Research on a Wavelet Support Vector Machine for Image Denoising and Filtering Algorithm

CHEN Jianqing

（College of Science， East China University of Science and Technology， Shanghai， 200093 China）

Abstract： In this paper， a new image denoising method based on wavelet analysis and Support Vector Machine regression （SVM） is presented. This paper discusses the feasibility of applying SVM to image denoising， and uses one-dimensional signal SVM denoising experiment to demonstrate the feasibility of this method. In this paper， the SVM method is applied to image denoising. Using the theory of wavelet analysis and SVM kernel function， the wavelet kernel function is derived， and the wavelet SVM is constructed. In order to obtain high-quality SVM， the kernel function of wavelet is constructed based on the theory of wavelet analysis， which can better approximate the image and restore the ideal image. Then， combined with an example， this paper demonstrates whether SVM is feasible in image processing denoising method， and expounds the feasibility of approximation theory by using SAR image fitting denoising theory.

Key Words： Image denoising; Support Vector Machine; Wavelet analysis; Function approximation

1 引言

本文應用支持向量機（SVM）理論對圖像進行去噪處理。將要處理去噪的圖像視為二維函數，用支持向量機的基本理論對要處理的圖形圖像進行回歸逼近處理，從而達到將圖形圖像進行去噪的目的。為了好獲得具有高質量支持向量機，論文中利用基于小波分析的理論構造小波的核函數，能較好地逼近圖像，較好地恢復理想圖像。然后，結合實例，論證了支持向量機用在圖像圖形處理去噪方法中是否可行，并利用SAR圖像擬合去噪理論，闡述了近似理論的可行性。然后根據允許條件，利用小波核函數，建立了圖形圖像處理需要的小波支持向量機。最后，論文利用利用小波支持向量機對圖像進行去噪處理，獲得較高的信噪比[1]。

2 支撐向量機理論

給定訓練數據集{x_i，y_i，i=1，...，N}，論文里用N 來表示數據集合的樣本數量， x_i∈R^m為輸入數據， y_i∈R 為輸出數據，因為采用了式子f（x）=w^T ?（x）+b對數據進行擬和處理。上式中w∈R^m，b∈R，?（.）：R^m→R^mh主要考慮到輸入的數據空間映射[1]。所以論文采用利用支撐向量機理論，我們的目標式最小化如R_emp （w，b）=1/N ∑_（i=1）^N?|y_i-w^T ?（x_i ）-b|_ε 所示的經驗風險約束條件為w^T w<c_n， c_n>0用來控制結果的平滑度。[2]

3 基于支撐向量機的圖像擬和降噪

支持向量機基本理論對圖像進行了擬合處理，隨機噪聲和椒鹽噪聲是主要去除兩種噪聲。把不敏感閾值ε和不敏感系數c兩個重要的參數進行控制，降低噪聲。調整系數ε，可以實現去除隨機噪聲。c用于控制偏離真實數據對擬合結果的影響。改變c的設置，用較小值來減小鹽和胡椒噪聲對處理圖形結果的影響，使擬合結果在受鹽和胡椒噪聲影響的點上不正確[3]。圖1就是用支持向量機理論對被污染的一維信號進行噪聲逼近和降噪的結果。

圖3-1所示， ε=0.29， c=5.2，支撐向量機的核函數中論文采用的是高斯徑向基函數[4]，此函數：K_RBF （x，x'）=exp?{-‖x-x'‖^2/σ^2 }，參數σ^2=0.83圖中用一個帶有黑色的圓形星號數字來表示代表被濾波接收檢測到的所有受噪聲干擾或者其他污染物的濾波數據來表達噪聲分別指的是黑胡椒鹽濾波噪聲和它的平均值分別為0、標準差分別是值為0.29的高斯噪聲。上圖中間的曲線就是支撐向量機對圖形進行處理和擬和的結果。外面的兩條線是ε不敏感的管道壁。c值考慮了擬和結果平滑度，在這個實驗方案中c比較小，確保處理的結果不能準確地擬合出椒鹽噪聲點相關數據[4]。

4小波支撐向量機基本理論

一個平移不變核函數K（x_i，x_j ）=K（x_i-x_j ）是一個允許支撐向量核。? c_ψ=∫_（-∞）^（+∞）?|ψ ?（ω）|^2/|ω|? dω<+∞式中，ψ ?（ω）表示ψ（x）的傅立葉變換中的函數[5]。式f（x）∈L^2 （R）經過小波轉換寫成：W_f （a，b）=?ψ_（（a，b）） f?，a≠0是尺度因子，b∈R平移因子，ψ_（（a，b）） （x）的形式為ψ_（（a，b）） （x）=1/√（|a| ） ψ（（x-b）/a）式W_f （a，b）=?ψ_（（a，b）） f?表示f（x）小波向量基ψ_（（a，b）） （x）上的分解。相應的f（x） 重建下方式。f（x）=1/c_ψ? ∫_（-∞）^（+∞）?〖∫_（-∞）^（+∞）?〖W_f （a，b）〗 ψ_（（a，b）） （x）da/a^2? db〗證明了一個函數可以用函數族來表示，函數族通過母小波的伸縮核進行平移[6]。如果我們用一個有限項來近似f（x），那么逼近結果f ?（x）如下：f ?（x）=∑_（i=1）^n?〖W_f （a_i，b_i）ψ_（（a_i，b_i）） （x）〗，多維小波函數的形式如下：ψ_d （x）=∏_（i=1）^d?〖ψ（x_i）〗在這里"x=" （x_1，...，x_d ）? ∈R^d。ψ（x）=cos?（ 1.75x）exp?（-x^2/2）則多維小波函數可寫為：ψ（x）=∏_（i=1）^d?〖exp?[-（x_i-b_i ）^2/（2a^2 ）]? cos?[1.75 （（x_i-b_i））/a_i ] 〗，采用平移小波核函數：K_w （x-"x'）=" ∏_（i=1）^d?[cos?1.75 （（x_i-x_i'））/a]? ?exp?[-（x_i-x_i'）^2/（2a^2 ）] [5] 核函數可用于構造小波支持向量機擬和的結果如下：f（x）=∑_（i=1）^N?〖（α_i^*-α_i ） K_w （x_i，x） 〗+b

5 實驗結論分析討論

在這個實驗中[7]，使用圖的尺寸大小為100X100，在圖中采用加入椒鹽噪聲和均值為0，且該圖加入標準差為1的高斯隨機的噪聲。采用小波支持向量機、高斯徑向基支持向量機等傳統方法圖進行濾波。小波支撐向量機信噪比為6.2021;高斯徑向基支持向量機信噪比為5.3409;均值濾波信噪比為5.0321;中值濾波信噪比為4.9302;高斯濾波信噪比為5.167。

可以得到如下結論：使用支持向量機模擬圖像消除噪聲是可行的，通過適當調整參數，可以獲得比傳統方法更高SNR的結果。在用于圖像擬和的情況下，小波支撐向量機處理圖形圖像噪點的的性能要比高斯徑向基支撐向量機處理的能力好。因此采用小波支撐向量機進行圖像降噪濾波方案是很合理的。

參考文獻

[1] Vladimir. N. Vapnik. Statistical leaning theory. New York： John Wiley & Sons. 2015. 3（6）：20-24.

[2] N. Cristianini， J. S. Taylor. An introduction to support vector machines and other kernel-based learning methods. London： Cambridge university press. 2018. 1（2）：33-35.

[3] Mercer J. Function of positive and negative type and their connection with the theory of integral equations. Philosophical Transactions of the Royal Society of London， 2019， A-209：415-446.

[4] A. Smola， B. Sch?lkopf. The connection between regularization operators and support vector kernels [J]. Neural Network， 2018， 11：637-649.

[5]潘凱，侯亮.基于卷積神經網絡的遙感圖像降噪[J].現代信息科技，2020，4（12）：60-65.

[6]馬聯波. 大幅圖像高速接收管理與預處理[D].西安：西安電子科技大學，2020. 1（11）：53-55.

[7]李崇禧. 自適應的快速盲降噪算法研究[D].南昌：南昌大學，2020.3（10）：160-165.

中圖分類號：TP391 DOI：10.16660/j.cnki.1674-098x.2108-5640-6096 第一作者：陳鑒清，（2000—），男，大學在讀，無，研究方向為信息與計算科學

作者簡介：陳鑒清（2000-），男，本科在讀，研究方向：信息與計算科學。