[发明专利]一种基于GWO和BEMD优化的自适应PCNN图像去噪方法

说明书

本发明公开了一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，使用BEMD将原始噪声图像分解，使用GWO对PCNN参数进行优化，自适应PCNN去噪方法将对分解的各个分量进行去噪，将去噪后的各分量进行重建得到去噪后的图像。本发明有效确定了PCNN关键参数，解决了高强度噪声的抑制问题，与现有图像去噪方法相比不仅具有更快的收敛速度而且产生了更好的去噪效果。

技术领域

本发明涉及现代信息处理的图像和数据去噪技术，具体地说，是指一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。

背景技术

随着数字技术和多媒体通信的蓬勃发展，关于非线性和不稳定数据的数字图像分析方法特别是数字图像处理在数据传输、图像匹配、目标检测、遥感等许多领域中得到广泛应用。然而，图像噪声的存在不可避免地会使图像质量下降，最终导致有效像素的毛刺和失真，因此对于数字图像，为了提高有效像素的识别精度，必须通过可靠有效的图像去噪方法保证视觉像素的质量。现有图像去噪算法都存在搜索机制复杂、容易陷入局部最优、泛化能力低等问题。

发明内容

发明目的：为了解决现有图像去噪方法存在的搜索机制复杂、局部最优、保留细节信息不完整等问题，本发明提供一种基于GWO和BEMD优化的自适应PCNN图像去噪方法。

技术方案：一种基于GWO和BEMD优化的自适应PCNN图像去噪方法，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。

进一步地，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。

进一步地，对原始噪声图像BEMD分解的方法为：