[发明专利]一种支持向量机融合分数阶积分算子的方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种支持向量机融合分数阶积分算子的方法，尤其涉及图像去噪领域。

背景技术

去噪作为图像处理的预处理步骤，其效果的优劣直接影响后续处理环节，在去噪的同时要尽可能的保护图像的原有纹理、边缘等特征信息不受影响。

支持向量机(Support Vector Machine，SVM)因其具有的良好泛化能力，及在解决小样本、非线性等问题方面的明显优势，而被广泛应用于各个领域。已经在图像插值、去马赛克方面取得了较好的效果。Sheng Zheng等在文章“Adaptive weighted least squares SVM based snowing model for image denoising(LS-SVM)”(International Journal of Wavelets,Multiresolution and Information Processing,2013,11(6):1350043-1～25)中提出了一种用于不同图像的下雪模型实现图像去噪，利用自适应加权最小二乘支持向量机迭代地估计被噪声污染的图像灰度值，可以去除高斯噪声和非高斯噪声，它成功实现了图像去噪，但效果有待提高。Xinfeng Guo等在文章“Research on Support Vector Machine in Image Denoising”(International Journal of Signal Processing,Image Processing and Pattern Recognition,2015,8(2):19-28)中利用SVM在小波域实现图像去噪，但去噪图像并没有获得很高的峰值信息噪比。Shuqiong Xu等在文章“Interval Type-2Fuzzy Kernel based Support Vector Regression for Image Denoising(FK-SVM)”(International Conference on Mechatronic Sciences,Electric Engineering and Computer,MEC 2013：973-977)中利用SVM在lena图像上训练，然后对camerman和peppers去噪。

此类方法的弊端有两个方面：一、训练图像和测试图像独立，即利用一副或者几幅含噪或不含噪的图像训练SVM后，用其再对待去噪图像去噪。如果训练图像和测试图像(待去噪图像)的背景相差较大，去噪效果就会不理想。二、针对整幅图像进行去噪处理，必然会在去噪的同时对非噪点产生运算。无论多么先进的去噪方法，只要对非噪声点运算就会改变图像的原有特征信息。

分数阶积分是数学分析的分支，它具有尖锐的低通性能，具备削弱高频信息加强低频信息的能力，同时又能对高频和低频进行一定程度的保留。此特性和图像去噪中的去除高频噪声保留低频细节信息的初衷吻合。鉴于此，为了进一步在去噪的过程中保护图像的边缘信息，本发明将分数阶积分算子引入到支持向量机的样本构造中，设计一种基于分数阶的样本构造方法，本发明在用于图像去噪时，仅针对噪点处理，能够在去噪时尽可能的保护图像的细节信息，提高去噪后图像的主客观指标。

发明内容

本发明的目的是提供一种支持向量机融合分数阶积分算子的方法；该方法能够用于图像去噪。本发明仅针对噪点处理，能够在去噪时尽可能的保护图像的细节信息，提高去噪后图像的主客观指标。

本发明实现发明目的采用如下技术方案：

一种支持向量机融合分数阶积分算子的方法，其特征在于，具体按照以下步骤进行：

步骤一：输入噪声图像；

步骤二：检测噪声图像中的噪点和非噪点；

步骤三：采用分数阶积分算子构造支持向量机的训练样本，并训练支持向量机获得去噪模型；

步骤四：采用分数阶积分算子构造支持向量机的测试样本，并用步骤三得到的去噪模型估计噪点的像素值；

步骤五：利用估计的噪点像素值和直接输出的非噪点像素值重构得到去噪图像。

本发明提供的一种支持向量机融合分数阶积分算子的方法，其特征在于，所述步骤三中，采用分数阶积分算子构造支持向量机的训练样本的方法，具体按照以下步骤进行：