基于CNN模型的椒鹽噪聲圖像的分類

趙恩銘，楊 松，姚志強(qiáng)，駱成軍，楊燕婷，劉光宇，周 豹，王 辰

（大理大學(xué) 工程學(xué)院，云南 大理 671003）

進(jìn)入大數(shù)據(jù)時(shí)代以來(lái)，人們每天都要接收大量的數(shù)字信息［1］，有用信息只占這些信息的很小一部分。如果人們無(wú)法從大量信息中提取有用信息，信息冗余就會(huì)干擾大腦的思維。圖像是數(shù)字信息的主要載體，對(duì)圖像進(jìn)行分類，有助于人們處理信息［2］，能在一定程度上減少信息冗余。

自2012年以來(lái)，人們用到的主流圖像分類方法都是建立在卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）［3］基礎(chǔ)上的，CNN的運(yùn)用改變了傳統(tǒng)的人為標(biāo)注圖像特征的方式，CNN模型具有學(xué)習(xí)圖像特征的能力，還具有學(xué)習(xí)目標(biāo)圖像深層次特征的能力，CNN模型的運(yùn)用能提高圖像分類的準(zhǔn)確率，因此用CNN模型研究圖像分類問(wèn)題具有重要的意義。

椒鹽噪聲是圖像中經(jīng)常見(jiàn)到的一種噪聲［4］，通常是因突如其來(lái)的強(qiáng)烈干擾產(chǎn)生的噪聲。椒鹽噪聲可能表現(xiàn)為亮區(qū)域中出現(xiàn)的黑色像素點(diǎn)，也可能表現(xiàn)為暗區(qū)域中出現(xiàn)白色像素點(diǎn)［5］。CNN模型對(duì)椒鹽噪聲的反應(yīng)非常敏感，圖像中如果含有大量的椒鹽噪聲，利用CNN模型對(duì)圖像進(jìn)行分類的準(zhǔn)確率就會(huì)大大降低。為了提高利用CNN模型對(duì)含椒鹽噪聲圖像進(jìn)行分類的準(zhǔn)確率，我們將中值濾波法用于椒鹽噪聲圖像的去噪環(huán)節(jié)，并將去噪后的圖像分別用訓(xùn)練后的CNN模型、BP神經(jīng)網(wǎng)絡(luò)（BPneural network，BPNN）模型進(jìn)行分類，得到了滿意的分類結(jié)果。

1 分類實(shí)驗(yàn)流程和CNN模型的結(jié)構(gòu)設(shè)計(jì)

1.1 分類實(shí)驗(yàn)流程

圖像分類的實(shí)驗(yàn)流程如圖1所示。……