[发明专利]量子牧群机制自动演化PCNN的图像去噪方法

说明书

本发明提供一种量子牧群机制自动演化PCNN的图像去噪方法，包括：根据椒盐噪声或高斯噪声的影响，得到含噪图像；对噪声污染后图像的进行强噪声滤波；计算自适应滤波窗口尺寸；建立自动演化PCNN图像滤波模型；初始化量子自私牧群的量子位置并设定参数；计算每个个体的适应值和生存价值；使用量子旋转门更新牧群领导者、牧群优势追随者、劣势追随者、牧群叛逃者以及捕食者的量子位置；判断是否达到量子牧群的最大迭代次数，是则终止迭代，返回最优参数；否则继续执行步骤六；输出牧群和捕食者的全局最优位置，并比较二者的生存价值，得出s个最优参数代入PCNN中，激活PCNN得到滤波图像并输出。本发明极大的提高了系统求解关键最优参数的效率和质量。

技术领域

本发明涉及一种量子牧群机制自动演化PCNN的图像去噪方法，用该方法去噪被噪声污染图像，属于图像处理领域。

背景技术

图像去噪是图像处理较为重要的研究方向，现实中的图像在传输过程中会受到成像设备和外界噪声的干扰影响，图像会被噪声污染，而图像去噪的目的是在尽可能的保留图像关键信息的条件下，滤除图像中的噪声。目前，经典的图像去噪方法有很多，如中值滤波、维纳滤波等，但是这些方法都是对整幅图像进行去噪，因此会损失大量图像的关键细节。

脉冲耦合神经网络是Eckhorn在上世纪90年代提出的神经网络模型，是根据猫的视觉神经系统构建的网络模型。因其具有很强的自适应性、动态脉冲发放特性，决定了在图像处理方面有着很强的优势。在图像去噪上，脉冲耦合神经网络主要用于对图像进行预处理，处理后定位的噪声点通过滤波器滤除噪声，克服了传统滤波方法对整幅图像进行滤波会损失大量图像关键信息的弊端。

根据已有的文献发现，李海燕等在《计算机应用》(2011,31(04):1037-1039+1106)上发表的“基于脉冲耦合神经网络的自适应图像滤波”中提出的利用简化PCNN模型对椒盐噪声污染后的图像进行去噪，并加入基于预估计椒盐噪声强度动态确定窗口，滤波效果明显好于传统滤波方法，但是该方法去噪图像时只考虑了椒盐噪声，没有研究其他噪声加入图像的滤波效果，在确定关键参数时，使用的人工交互实验法，该方法不能保证是最优参数。张文兴等在《中国测试》(2016,42(08):108-112)上发表的“赋时矩阵高斯噪声滤除算法”中提出PCNN可变突触连接强度的赋时矩阵高斯滤波方法，该方法使模型中神经元之间连接强度改为可变值，提高了模型的灵活性，但关键参数仍然是经验获得且不是最优参数，并且该算法进行的图像去噪与传统方法的评价指标(峰值信噪比)所差无几。

综上所述，上述PCNN模型在图像去噪上虽然取得了一定的效果，但是在参数设置上仍然是人工交互实验法，该方法效率低且不能保证是最优参数，因此，本发明在参数设置上使用基于智能计算理论的最优参数求解法，极大的提高了系统求解关键最优参数的效率和质量。本发明设计了一种量子牧群机制自动演化PCNN的图像去噪方法，通过结构相似性与PCNN模型结合预估计滤波窗口大小，并通过量子演进机制与自私牧群原理结合，设计峰值信噪比为适应度函数，自动求解PCNN模型所需的最优参数，提高了PCNN模型的去噪效果。

发明内容

本发明提供一种量子牧群机制自动演化PCNN的图像去噪方法，针对被噪声污染图像且难于处理的工程难题，设计了量子牧群机制求取最优参数，并根据污染图像程度设计滤波窗口尺寸，将最优参数和窗口尺寸代入到脉冲耦合神经网络中，用该神经网络预处理含噪图像得到点火矩阵，最终通过点火矩阵判定噪声点并滤波。

本发明的目的是这样实现的：步骤如下：

步骤一：根据椒盐噪声或高斯噪声的影响，得到含噪图像；

步骤二：对噪声污染后图像的进行强噪声滤波；

步骤三：计算自适应滤波窗口尺寸；

步骤四：建立自动演化PCNN图像滤波模型；

步骤五：初始化量子自私牧群的量子位置并设定参数；