[发明专利]基于模糊支持向量机的Curvelet变换域图像去噪方法

说明书

技术领域

本发明涉及一种图像去噪的方法，尤其涉及一种基于模糊支持向量机的Curvelet变换域图像去噪方法。 

背景技术

图像在获取、传输和存储过程中，经常会受到各种噪声的干扰，因此在对图像进行进一步处理之前，采用适当的方法去除噪声是一个重要的预处理步骤。一方面其能够有效抑制噪声，为后续处理提供更为精确的信息，如边缘检测、目标识别等；另一方面，去噪方法研究有助于促进其他图像处理与分析问题的解决，如图像恢复、图像分割等。 

Curvelet变换是一种新的多尺度变换理论，具有各向异性的特征，可以很好地逼近含线奇异的高维函数，更容易捕捉到细节。在图像处理过程中，如果过大的选取阈值会丢失图像的一些细节信息，如果选取的阈值过小又不能很好的去除噪声，因此阈值方法的选取显得尤为重要，本文根据参考文献，提出了一种新的自适应阈值方法。 

支持向量机(SVM)是一种新的通用的机器学习方法，它的基本理论是Vapnik等提出的统计学习理论，其基本思想是通过非线性变换将输入空间变换到一个高维空间，并在这个新空间中求取最优线性分类面。由于最优分类面仅依赖于训练集中少量的点，对噪声非常敏感，解决这个问题的一种方法是对训练集进行预处理。为了解决上述问题，本文运用了模糊支持向量机(FSVM)，该方法通过对训练集中的点建立模糊关系，其目的在于根据每个数据点对分类结果产生的不同影响，为其赋予不同的值，以降低噪声对分类结果的影响。 

发明内容

本发明针对以上问题的提出，而研制一种基于模糊支持向量机的Curvelet变换域图像去噪方法，具有如下步骤： 

S1.将含有噪声的预处理图像，进行Curvelet变换，得到一个低频子带和多个高频子带； 

S2.将每个高频子带的系数构成一个二元表，利用空间规则构造成一个特征 向量； 

S3.利用模糊支持向量机，通过对上述特征向量训练，进而将所述高频子带系数进行分类； 

S4.将所述高频子带系数进行去噪处理； 

S5.对降噪后的子带系数进行Curvelet逆变换，以得到去噪图像。 

所述S4步骤中去噪方法为 

T(D,K)=σ2wϵ(K)σwf(D,K)*1λ]]>如果σ^wf(D,K)≠0]]>

T(D,K)＝max(λ|W_gij(D,K)|)如果σ^wf(D,K)=0]]>

其中，K代表分解层数，D代表分解方向，表示第j层k个方向上第i个子矩阵的局部对比度，σ和μ分别为系数的标准偏差和均值。