[发明专利]一种基于GWO和BEMD优化的自适应PCNN图像去噪方法

权利要求书

1.一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，包括以下步骤：

输入原始噪声图像，通过BEMD分解将原始噪声图像自适应地分解成多个频率不同的二维本征模函数分量和一个残差函数分量；

利用GWO算法对PCNN参数进行优化，得到优化后的PCNN参数，所述PCNN参数包括指数衰减时间常数α_T，影响图像恢复的突触间连接强度因子β_T，决定在迭代计算中仅发布一次条件的固有电压常数V_T；

对于分解后的二维本征模函数分量和残差函数分量，用优化后的PCNN参数分别进行去噪处理，输出去噪后的多个频率不同的二维本征模分量和残差函数分量；根据去噪前后的二维本征模分量和残差函数分量计算灰狼函数适应度，更新搜索灰狼的位置向量，选取函数适应度最大时对应的参数α_T、β_T、V_T作为最优化参数；将使用最优化参数去噪处理后的各分量进行重建得到去噪后图像。

2.根据权利要求1所述的基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，所述去噪处理步骤包括：将分解后的二维本征模函数分量和残差函数分量作为输入信号，输入PCNN的输入区，通过伽玛变换增强分量对比度的操作得到信号强度L_ij[n₂]，计算3×3区域PCNN中每个神经元的信号强度L_ij[n₂]，并设置阈值E_ij[n₂]，计算神经元内部状态信息U_ij[n₂]：

U_ij＝F_ij(1+β_TL_ij)

其中，F_ij为输入信号，U_ij为输入信号后神经元内部状态信息；

将U_ij[n₂]与阈值E_ij[n₂]进行比较，若U_ij[n₂]大于E_ij[n₂]，便对该PCNN的神经元进行激活，激活频率为

激活神经元后对神经元的信号强度L_ij[n₂]进行形态开运算处理，从而输出去噪后的多个频率不同的二维本征模分量和残差函数分量。

3.根据权利要求1或2所述的基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，对原始噪声图像BEMD分解的方法为：

二维经验模态分解将原始噪声图像通过满足终止约束条件：

将噪声图像自适应地分解为具有输入源图像局部特征的多个频率由高到低分布的二维本征模函数分量和一个残差函数分量：

其中h_i(x，y)代表分解的第i个分量，r_m(x，y)是残差函数。

4.根据权利要求1或2所述的基于GWO和BEMD优化的自适应PCNN图像去噪方法，其特征在于，在用GWO优化PCNN参数时，经历探索迭代和避免局部最优后保存最终优化解，灰GWO算法的狩猎过程的初始阶段是猎物包围，模拟猎物包围过程为：

其中t表示当前迭代，和分别是猎物和灰狼的位置向量，D表示当前灰狼到猎物的距离；将指数衰减时间常数α_T作为定义为猎物位置向量将影响图像恢复的突触间连接强度因子β_T作为定义为灰狼参数向量将固有电压常数V_T作为定义为灰狼到猎物的距离D。

5.根据权利要求1或2所述的基于GWO和BEMD的自适应脉冲耦合神经网络图像去噪方法，其特征在于，函数适应度的计算公式为：

其中h是适应度判断标准，θ是均方误差值，S是原始噪声图像分量，Y是迭代t-1次后去噪的图像噪声分量，||S-Y||是矩阵S-Y的p范数(p＝2)，M和N分别是原始噪声图像分量的大小和去噪后图像分量的大小。