[发明专利]基于遗传算法和Shearlet小波的图像滤波算法

说明书

技术领域

本发明属于一种图像滤波领域，具体来讲是针对Rician噪声的图像滤波算法

    背景技术

    图像在采集、传输和处理过程中，会受到噪声的干扰，如果不加以滤波，会严重影响到后期的处理工作。人们对滤波的要求是滤除噪声像素，保留图像细节，而由于细节和噪声难以区分，这就成了一个比较困难的问题。

核磁共振成像给医疗诊断带来了相当大的便利，可以方便的检测出病人很多的病变。但不幸的是，大部分核磁共振成像的图像会被噪声所污染，其中含有的物体信息变得模糊，不充足，这给图像的进一步正确分析增添了困难。在核磁共振成像领域，比较常见的是Rician噪声。这是一种比较复杂的噪声，针对Rician噪声，科研人员提出许多很有价值的滤波算法。

最近，Guo和Labate提出了一种很好的滤波方法--剪切波(Shearlet Transform)并得到了广泛认可， 该方法通过特殊形式的具有合成膨胀的仿射系统构造了一种新的变换，并通过在还原过程中设置阈值去值，达到滤波的效果。Labate认为，由于Shearlet 小波变换的多方向、多尺度、以及对图像的最优逼近性能的稀疏表达能力，所以采用简单的阈值去噪即可获得较好的去噪效果。但是，通过仔细分析，同时借鉴到别的论文，我们认为，该方法仍然有两个可以进一步提高的方面，一是可以考虑在不同尺度、不同方向下的Shearlet系数的能量分布的问题，我们可以采用优化算法针对不同情况调整系数，从而达到提高的目的；二是现有的硬阈值滤波的方法过于简单，没有完全考虑到细节和噪声的过渡问题，本文拟采用软阈值进行尝试。

1969年, Holland 等人提出了遗传算法，其优良的最优化性能立即得到广泛关注，DeJong、Goldberg等人后来在此基础上继续拓展，形成了一套模拟进化算法体系。它的核心思想来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，它模拟了自然界中生物进化的过程机制，是用于对极值求解问题的一类自组织、自适应方面的人工智能技术[4]，其基本工作方式是基于对自然界遗传机制、生物进化论的模拟，形成的一种在计算过程搜索最优解的算法；它从智能生成过程观点出发，对生物智能的建模仿真，具有鲜明的生物学认知学特点；它适用于无表达或有表达的任何类函数,具有广泛的可实现的并行计算能力；它可以计算任何形式实际问题，应用价值非常广泛。所以，GA得到了广泛的认可，在自动控制、计算科学、模式识别、工程设计、智能故障诊断、管理科学和社会科学等领域都得到了应用，非常适用于解决复杂的非线性和多维空间寻优问题。它是目前公认的理想的优化算法之一。由此，我们拟采用其中多目标遗传作为本文的优化算法，用于寻找在不同尺度、不同方向下的小波系数问题。同时，拟采用软阈值的方法进行抑制的工作。

 

发明内容

    本文研究了Shearlet 变换域图像去噪阈值选取的问题，有机的将Shearlet和遗传学算法结合在一起，提出了使用多目标遗传算法来对阈值进行优化设定的算法。其特点在于：

1.     用多目标遗传算法来对Shearlet小波的阈值进行优化；

2.     对Shearlet 变换域的不同尺度、不同方向的分布特征，设计一个各尺度和方向的变化阈值，设置Shearlet 尺度和方向的软阈值规则为：

      

                  ；

其中函数为单极性非线性转移函数，简称为S函数，其特点是函数本身及其导数都是连续的；为当前的尺度等级，为在尺度下Shearlet的第个方向；

3.       采用多目标遗传算法来自适应地确定各尺度和方向的最优阈值，实现基于图像内容的自适应去噪。采用信噪比(PSNR)、和均方误差(MSE)来衡量图像的质量，并将之作为多目标遗传算法的目标函数，其目标函数如下式：

，其中为权值；

本发明的步骤如下：

[1].           分解原始图像。将图像采用Shearlet小波分解的方法，分解成多尺度下多方向的各个分量；

[2].           设定阈值参数。对Shearlet 变换域的不同尺度、不同方向的分布特征，设计一个各尺度和方向的变化阈值。

[3].           设定目标函数。对多目标遗传算法的目标函数做设定。