[发明专利]一种基于多特征的集成SVM噪点检测方法

说明书

本发明公开一种基于多特征的集成SVM噪点检测方法，包括六步。步骤一，输入含噪图像，生成含噪图像的图像矩阵；步骤二，逐个像素点提取像素点的局部二值特征和加权差分特征作为样本特征，并对噪声点和非噪声点做不同标记，噪声点标记为1，非噪声点标记为0；步骤三、通过随机选择的方法选择一定数量的样本特征作为训练样本集X；步骤四，输入X训练多个支持向量机，并对其结果进行集成得到分类模型；步骤五，用训练好的强分类器(分类模型)H进行噪点检测；步骤六，输出噪点所在位置的图像矩阵。本发明泛化能力较强，具有较高的噪点检测率，可以实现对任何一副含噪图像的噪点检测。

技术领域

本发明涉及图像的噪点检测，尤其涉及一种基于多特征的集成SVM噪点检测方法。

背景技术

图像在形成、记录、处理和传输过程中，易受到诸多因素的影响，而导致图像质量下降，典型的表现有产生噪声、模糊等。因此，在对图像进行处理之前，去除噪声是一关键的预处理环节。对含噪图像的噪点检测的准确率直接影响着最终的去噪效果，因此，寻求一种能够准确检测含噪图像中的噪点位置的方法是图像去噪研究的重点。

现有一种基于最小局部均方差计算的噪点检测方法(专利号：201510688993.0)，根据像素点邻域内局部均方差与去掉本身的局部均方差的差值大小进行局部检测并判断该点是否为噪声点。图1所示是局部邻域均方差判断噪点示意图，采用某像素点邻域内的像素点，分别选取小邻域，行，列，两个斜向五组中的几组将其局部均方差和局部去心均方差的差值的绝对值与某个阈值做比较来对某个像素点是否为噪声点进行判断，具体是，对某个像素点计算该点邻域内五组的局部均方差S_i’和邻域内去掉该点后的局部去心均方差S_i，计算二者的绝对值|S_i’-S_i|，并取五组结果中最小的值S＝min|S_i’-S_i|加以判断，其值大表示该点对邻域灰度有较大影响，认为是噪声点。

“一种基于最小局部均方差计算的噪点检测方法”能够有效地降低非噪声点误判为噪声点的概率，其具体方案可见上文，与本发明设计不同之处在于：

(1)本发明使用支持向量机(SupportVector Machine,SVM)作为检测噪点的主体工具；

(2)本发明提取图像的多个特征，包括局部二值特征和加权差分特征，作为判断一个像素点是否为噪点的依据；

(3)本发明提取图像特征训练多个子支持向量机后集成最终结果作为分类模型。

本发明与“一种基于最小局部均方差计算的噪点检测方法”相比，其优点为：

(1)使用支持向量机作为检测噪点的主体工具，可以解决小样本情况下的机器学习问题，相比较通过最小局部均方差计算来检测噪点，能缩短噪点检测的时间。

(2)提取图像多个特征作为判断一个像素点是否为噪点的依据，相较于“一种基于最小局部均方差计算的噪点检测方法”中只通过最小局部均方差这一种特征来判断像素点是否为噪点的方式更为准确。

(3)提取图像特征训练多个子支持向量机后集成最终结果作为分类模型，可以提高泛化性能，训练好的分类模型可以应用于任何一副含噪图像的噪点检测，相较于“一种基于最小局部均方差计算的噪点检测方法”，需要对每幅含噪图像进行类似的计算。

现有一种基于多特征结合与加权支持向量机的图像去噪方法(付燕,宁宁.基于多特征结合与加权支持向量机的图像去噪方法.计算机应应,2011,31(08):2217-2220.)，其主要思想是：首先，提取含噪图像局部区域中心像素点的邻域灰度值、椒盐噪声特征及邻域差分统计特征，作为移动窗口中心像素的输入特征向量，构成训练样本集。然后采用扰动训练样本和扰动分类器模型参数的二重扰动机制来构造支持向量机集成中的子分类器，对训练样本集进行训练，并将子分类器采用多数投票法加以集成，得到分类模型，最后利用分类模型区分噪声点和非噪声点。