论文部分内容阅读
图像在获取和传输过程中常常会受到各种噪声的污染，从而降低了图像质量，给后继的图像处理过程，如图像分割、目标识别、图像检索以及图像的编码、传输等带来不利影响。因此图像去噪是图像预处理环节的重要步骤。图像去噪方法可以从图像空间域和变换域两方面入手，其基本思想都是在尽可能保留原始图像信息的前提下，最大程度地剔除噪声，恢复噪声点的原象素值。
为了实现上述目标，在空间域图像去噪中，可以对原图像建模，噪声点被看作未知数据，利用其周围的已知数据去预测该点的值。因此，基于数据的回归预测算法可被作为去噪方法来利用。近年来，基于统计学习理论的支持向量机方法(SVM)在解决小样本、非线性及高维模式识别问题中表现出显著优势，在分类和回归场合应用越来越广泛。在图像去噪领域，最近已有学者提出利用SVM回归方法对图像建模并去噪。相关成果表明，基于SVM的去噪方法不仅能够有效的去除噪声，保留图像的细节，还具有很好的泛化能力。
本课题的研究目的，是基于MATLAB环境搭建实验平台，利用SVM算法实现空间域的图像去噪。研究采用的技术路线，是首先实现前人提出的SVM回归去噪算法；在此基础上，进行相关实验分析，并提出改进思路。
改进工作中，本研究实现了一种基于SVM先分类再回归的图像去噪策略，分为两个阶段：1，先利用SVM分类器将含噪图像中的象素分为噪声或非噪声点；2，非噪声点象素值被保留，而噪声点象素值则通过SVM进行回归估计，从而达到去噪的目的。研究中还提出了训练相关分类器和回归模型的策略，并观察到不同噪声与分类器和回归模型的参数集之间存在有一定程度的不变性，这样的性质有望在今后被利用于具体的研究工作。上述对象素进行预先分类的思想和做法，还可以与其它去噪算法结合从而提高相关算法性能。
本文提出的方法与传统中值滤波、SVM回归去噪算法等进行了实验比较，说明新的方法能达到较高的峰值信噪比(PSNR)，具有很好的去噪效果。