監督性機器學習算法在圖像去噪中的應用

劉婷 閔慧 劉金花

摘要：原有圖像處理方法的收縮維度過大，在圖像切割過程中難以平衡到各個噪點位置，導致在圖像去噪過程中丟失圖像原始信息，需要反復對比去噪后的圖像與原始圖像，增加圖像的去噪時間。深度學習在處理實際問題中發揮了巨大作用，可以通過各種智能技術手段，對信息圖像進行處理，從而幫助人們更好地觀察事物，采取較為正確的行動，研究監督性機器學習算法在圖像去噪中的應用方法。在多點位設置圖像噪點分隔節點的基礎上，采用監督性機器學習算法，構建圖像的噪點提取模型，聚類理論篩選噪點完成圖像去噪，完成監督性機器學習算法在圖像去噪中的應用方法設計。實驗結果表明：以動物圖像為測試對象，分別將其內部包含的噪點含量進行檢測，采用原始方法和該文方法進行對比，能夠得到與原始圖像相一致的結果，并在圖像不失真的前提下，能夠將圖像的去噪時間控制在1.26s之內，而原始方法平均需要21.32s和16.24s，說明該文方法能夠提高去噪效率，具有實際應用效果。

關鍵詞：監督性;機器學習算法;圖像去噪;原始圖像

中圖分類號：TN918.1? ?文獻標識碼：A

文章編號：1009-3044（2022）16-0081-03

圖像在拍攝過程中或者傳輸過程中，極容易受到外界環境的影響，在圖像中產生噪點信息，而當圖像被噪聲破壞后，無法再利用其進行后續的實物操作，需要對其進行精準的噪聲去除。在信息技術不斷發展的勢態下，各種各樣的智能化算法被應用于圖像去噪中，其中利用小波分析和線性方程，進行圖像去噪被廣泛應用在各個行業中。在不同的算法和技術手段中，延伸了多種圖像去噪模型，均能夠在獲取圖像時對其內在的噪聲信息進行剔除。而原有算法或者原有模型在圖像去噪過程中，更偏重圖像的應用效果，因此在對圖像邊緣信息處理上，不夠細致和精準，常常出現處理后的圖像與原始圖像，對應點數據信息不匹配的程度，延長了圖像的去噪時間，但去噪結果非常明顯[1]。

因此想要更高效地進行圖像去噪，既保證圖像的應用效果，又能夠縮短圖像的去噪周期，需要對原有去噪算法和方式進行優化處理，從而提出一種更適應于現階段圖像處理的新方法。根據原有算法的大量計算步驟，引入監督性機器學習算法，能夠在數據快速交替的過程中，對原始圖像保留有印象和特征，在后續去噪時能夠以其為基礎進行數據監督，在保證去噪效果不變的基礎上，能夠減少與原始圖像比對的時間周期。本文以此為基礎，研究監督性機器學習算法在圖像去噪中的應用方法，將機器學習理論和圖像去噪相結合，為保證圖像去噪效果和去噪時間提高理論支持，以此提高圖像的去噪效率。

1監督性機器學習算法在圖像去噪中的應用方法

1.1多點位設置圖像噪點分隔節點

對原始圖像中噪點進行去除，需要在保證原始圖像不被破壞的基礎上，對其噪點進行多角度和多層次的篩選，以此完成較為真實圖像的結構敘述。采用多層級的網絡結構，對需要去噪的圖像進行分隔，按照不同的順序結構設置噪點分隔節點[2]。

其中對圖像設置的層級可以看作是一個神經網絡的變形，記載每個層級中的噪點數量，都能夠被稱為隨機的變量神經元。每個層級之間的噪點神經元，能夠通過其自身的權值進行連接，在不破壞圖像結構的基礎上，進行沒有隸屬性質的噪點特征描述和調整。

在沒有隸屬性質的噪點特征描述過程中，會將圖像信息進行大量的無樣本標記，即利用多層級的神經網絡展示特性，在多個層級內首先做出噪點分隔的第一次權值量、按照初步確定的層級權值，再將帶有指向性的噪點描述格式，引入圖像的不同結構層次內，進行從低到高或者從內向外的順序，對圖像網絡層結構進行依次標記。當圖像被按照網絡層級的形式劃分完畢后，按照最大的判別屬性將噪點設置為暴露目標，在不斷的分隔過程中進行權值調整[3]。

利用網絡層級的權值特性，能夠在原始圖像中對其包含的字符和信息進行監測，能夠識別出原始圖像中的色彩比例，以及組成該組圖像的重要元素。利用大量的無標記樣本選擇，在對圖像進行節點分隔時，能夠將內在包含的噪點信息設置為特殊的特征屬性。以此在監督性機器學習的算法下，構建對原始圖像噪點的提取模型，對分隔完成的圖像噪點按照順序進行依次分離。

1.2監督性機器學習算法構建噪點提取模型

通過對選擇圖像中的噪聲分布節點進行管控，并利用監督性機器學習算法，建立一個噪點的提取模型，能夠在對圖像的本質上，進行詳細的噪聲分析。在典型的機器學習過程中，能夠利用特征表達法和分類的處理方式，對不同的事物進行特征信號表達，按照內部分類器的處理模型，選擇輸出的數據結果。以監督性機器學習的內在框架，對圖像的噪點特征進行目標的識別和標記[4]，具體過程如圖1所示。

根據圖1中內容所示，在機器學習的過程中，其對特征的表達選項，能夠直接按照結構框架直接輸出，在獲取圖像時，能夠在視覺框架下對輸入的圖像進行全方位掃描。通過特征表達的形式對不同的噪點節點進行分析，進入到機器學習的分類器中，按照不同的特征指令進行數據輸出。

以圖像的輪廓保持狀態為基礎，在不改變圖像邊界清晰度的基礎上，假定圖像的噪聲特征點內包含有的數據信息，只受到一種外界因素影響，以此設定圖像中噪聲特征點數量的計算公式，表達式為：

[Z=B+C]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

公式中：提取模型中獲取的總計圖像噪點數量，用[Z]來表示，圖像中原始的表達信號用[B]來表示，圖像中能夠被顯示出來的噪聲信號用[C]表示。在對原始圖像信息的特征元素和提出的噪聲點信息元素進行對比的過程中，能夠實現輸入圖像的顯示預處理。將圖像中包含的噪點信息進行統計，按照不同的分隔節點位置的分布結果，對噪點數據進行篩選完成多層次的圖像去噪[5]。

1.3聚類篩選噪點完成圖像去噪

噪聲信號的提取過程是一個相互轉化的流程，在監督性機器學習算法的理論模型中，能夠直接對圖像中的所有特征點進行提取，并按照順序將掃描獲得的噪點信息進行分類處理。一般情況下去圖像的噪點提取完畢后，需要對不同的噪點類型進行篩選，再按照類型標準選擇對應的去噪方式，綜合完成圖像中不同特征點的去噪效果。由于圖像的拍攝方式不同，在不同的外界因素條件下，展示出來的圖像效果也不一致，圖像的噪點可能受光線影響，也可能受拍攝人物的特性影響，因此在對噪點特征提取完畢后，必須對噪點信息進行篩選[6]。

以聚類分析的方式對提取的噪點進行分析，能夠在相類似的噪點數據中，進行大范圍的初選的標記，即在同類型的噪點特征中，能夠根據較為明顯的特征實現自動分類。常規條件下對靜態事物的噪點去除效果，更加簡單清晰，只需要對圖像內的光線和顏色進行調整即可。而對于動態的事物或者人物，需要在保留內在事物的線條基礎上，通過外界因素的不斷調整，以此達到真實圖像的還原全過程。在多點位設置圖像噪點分隔節點的基礎上，采用監督性機器學習算法，構建圖像的噪點提取模型，聚類理論篩選噪點完成圖像去噪，完成監督性機器學習算法在圖像去噪中的應用方法設計。

2實驗測試與分析

為驗證本文設計的方法具有實際應用效果，能夠在圖像去噪過程中，不改變原始圖像中的數據信息，從而提高圖像的去噪時間，采用實驗測試的方法進行多輪論證。實驗測試分為兩個階段，第一階段為測試不同方法的去噪效果，即在同樣的圖像中，將內部包含的噪點進行剔除，是否能夠不對圖像進行破壞。第二階段為不同方法的去噪時間，即在圖像噪點全部剔除完畢后，不同方法所用的時間結果。測試開始前引入兩組傳統方法作為對比，選擇一組圖像作為測試對象，為保證圖像中的噪點來源較為真實，以動物拍攝過程的取景為樣本，截取一組圖片，具體如圖2所示。

根據圖2中內容所示，在選擇的樣本圖像中，能夠明確地看出不清晰之處，主要是在動物拍攝過程中，無法避免動物的運動屬性，在其奔跑過程中進行抓拍會產生失真現象，符合實驗測試標準。為保證不同方式的測試結果，能夠在公平的過程中進行比較，此次選擇的拍攝圖片會在電視中進行呈現，以此將截取的圖像樣本，與電視播出效果進行比對，并將展出的圖像結果導入至MATLAB測試平臺中。

利用得到的真實去噪圖作為效果示例，依次將三種不同的去噪方法連接在測試平臺中，分別對選擇的圖像樣本進行去噪處理，并將去噪完成的圖像與示例效果進行比較，對比不同方法下圖像的去噪結果。此次去噪效果的比對只針對第一次去噪動作，即在不同方法首次完成去噪后，直接進行圖像去噪效果的對比，具體如圖3所示。

根據圖3中內容可知，在選擇的截圖樣本數據中，其在電視臺的展出效果顏色較為明朗，且對動物的身形顯示非常清晰，完整地保留了動物的身形特征。將幾種方式去噪的結果與其進行對比，發現本文方法所得的圖像基本上，與電視臺的展出效果一致，無論是動物的身形特征，還是外界的顏色均較為明朗。而兩組傳統方法雖然將樣本中的模糊點，進行了有效的噪點去除，在對動物身形邊緣處理上，存在一些模糊的邊界，雖然沒有非常的明顯，但經過圖像的無數次方法處理后，會變得非常不清晰。且兩組傳統方法下圖像的外部環境顏色較暗，與電視的播出效果存在一定差距，說明本文方法的去噪效果更加明顯，效果更好。

為進一步研究不同方法的去噪時間，以上述圖像作為測試對象，在保證所有噪點全部去除后，且圖像的信息仍保存完整的條件下，對比不同方法的去噪所用時間。根據上文測試結果，在兩組傳統方法下對樣本圖像的處理，存在一定的模糊邊界點，因此需要進行第二次的圖像去噪，在其得到與展出效果相一致的圖像后，重新導入測試平臺進行對比。此次測試不展示傳統方法的多輪去噪結果，實際測試過程中兩組傳統方法能夠得到真實圖像，以此對比不同方法下的圖像去噪時間，具體如表1所示。

根據表1中內容所示，不同方法下對圖像的去噪時間不同。在本文方法的應用下，能夠將圖像的去噪時間控制在1.26s，主要是由于本文方法能夠一次性完成圖像去噪，且效果非常明顯。原始方法的去噪時間，平均需要21.32s和16.24s，是由于其不能一次性完成圖像去噪，需要在多輪反復操作中進行去噪，增加了圖像的去噪時間。

綜合實驗結果：在本文方法和原始方法的對比過程中，本文方法的圖像去噪時間，較比原始方法分別縮短了20.06s和14.98s，能夠有效提高去噪效率，具有實際應用效果。

3結束語

本文以機器學習算法的理論作基礎，研究監督性學習的方法步驟，以此在二者相結合的方式下，提出了監督性機器學習算法的去噪方法，進行不同類型的圖像去噪。實驗結果表明：以兩組動物圖像為測試對象，分別將其內部包含的噪點含量進行檢測，采用原始方法和本文方法進行對比，在圖像不失真的前提下，本文方法能夠將兩組圖像的去噪時間控制在1.26s，而原始方法平均需要21.32s和16.24s，說明本文方法能夠提高去噪效率，具有實際應用效果。

但由于本人的研究時間有限，在測試過程中對圖像樣本的選擇具有局限性，沒有從多個角度下進行篩選，所得結果存在一定的偏差。后續研究中會進一步改變不足之處，利用大量的圖像樣本進行參考，分析機器算法的圖像去噪效果，更深層次地研究不同去噪方法的優勢和不足，為圖像的處理提供更標準的理論支持。

參考文獻：

[1] 梅玲，茍雙全.一種加權中值濾波算法在醫學磁共振圖像去噪中的應用[J].延邊大學學報（自然科學版），2021，47（4）：365-369.

[2] 張浩，汪德義.基于半監督機器學習算法的智能電網調度控制系統健康度評價[J].電氣自動化，2021，43（5）：97-100.

[3] 龔麗文，陳麗娟，黃世源.機器學習算法在發震構造形態特征及地震遷移規律研究中的應用前景[J].地震地磁觀測與研究，2021，42（2）：217-218.

[4] 杜渺勇，于祥雨，周浩，等.基于自編碼卷積神經網絡的圖像去噪算法[J].杭州師范大學學報（自然科學版），2021，20（1）：95-101.

[5] 朱柯睿，周瑞鑫，康世舉，等.兩種監督機器學習算法在Fermi BCU分類評估中的應用[J].云南師范大學學報（自然科學版），2019，39（5）：1-5.

[6] 李彩紅，張慧娥，申海杰.K-means無監督機器學習算法在心臟CT圖像分割中的應用[J].電腦知識與技術，2019，15（1）：212-213.

【通聯編輯：朱寶貴】