劉昭策+騫宇澄

（四川大學(xué) 四川 成都 610207）

摘 要： 隨著2016年AlphaGo與李世石的圍棋大戰(zhàn)以4比1告終，人工智能開(kāi)始走入大眾的視野。但人工智能并不只局限于圍棋，它擁有非常廣泛的應(yīng)用方向，例如機(jī)器人、智能家具、指紋識(shí)別和圖像處理等，都將影響人類的生活。本文結(jié)合圖像處理方向的基于EPOS的邊緣保護(hù)噪聲處理技術(shù)深入的探討了人工智能的具體應(yīng)用情況及未來(lái)的發(fā)展方向。

關(guān)鍵詞： 人工智能 圖像處理 EPOS 邊緣保護(hù) 噪聲處理

1 前言

在第一次工業(yè)革命中，機(jī)器的出現(xiàn)極大地促進(jìn)了社會(huì)的發(fā)展。在計(jì)算機(jī)飛速發(fā)展的今天，人類又將面臨一場(chǎng)嶄新的工業(yè)革命。[1]所謂人工智能，就是指可以用某種智能化的機(jī)器來(lái)實(shí)現(xiàn)人類的各種腦力勞動(dòng)或者智能行動(dòng)，諸如判斷、推理、證明、識(shí)別、感知、理解、通信、設(shè)計(jì)、思考、規(guī)劃、學(xué)習(xí)和問(wèn)題求解等思維活動(dòng)?，F(xiàn)在，人們對(duì)人工智能的關(guān)注度非常之高，尤其是2016年3月韓國(guó)圍棋大師李世石輸給計(jì)算機(jī)之后，更是轟動(dòng)一時(shí)。人工智能已經(jīng)進(jìn)入了一個(gè)快速發(fā)展的新階段，它對(duì)人類社會(huì)、經(jīng)濟(jì)、科技、文化都產(chǎn)生了巨大的影響，并將繼續(xù)發(fā)揮著重要作用。

2 基于EPOS的邊緣保護(hù)噪聲處理技術(shù)

人工智能在圖像處理領(lǐng)域也有著一定的貢獻(xiàn)，其中對(duì)圖像的噪聲處理尤為突出[2]。

在日常生活中，我們看到的很多圖片中都蘊(yùn)含著椒鹽噪聲，即在圖片中混雜著黑色和白色的隨機(jī)斑點(diǎn)。而這種椒鹽噪聲是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲。所以我們?cè)趯?duì)于圖像處理的時(shí)候首先需要做的就是把這些不規(guī)則的噪點(diǎn)去除掉。比較常規(guī)的方法是利用中值濾波，但中值濾波的缺點(diǎn)即為不能很好的保護(hù)邊緣[3]。于是我們采取這種新的方式來(lái)對(duì)于圖像進(jìn)行保護(hù)邊緣的處理。在傳統(tǒng)處理椒鹽噪聲方式的中值濾波中，將所有的像素完全遍歷，然后對(duì)于其鄰域（即為該像素點(diǎn)的周圍區(qū)域，四鄰域代表上下左右四個(gè)點(diǎn)，八鄰域則加上左上右上左下右下，以此類推）作為濾波窗口進(jìn)行排序，對(duì)于排序的數(shù)值取其中位數(shù)。例如一個(gè)點(diǎn)其像素值為5，那么濾波窗口從左到右、自上而下為4、8、3、2、5、2、7、8、2。那么除去這個(gè)點(diǎn)本身5之后，排序結(jié)果為2、2、2、3、4、7、8、8，我們會(huì)選擇其中值4作為濾波后的結(jié)果替換5像素。這樣做之后，圖像中由于椒鹽噪聲點(diǎn)或大或小，所以這些點(diǎn)就會(huì)被旁邊的中間值替換點(diǎn)，于是起到了降噪的作用。但是傳統(tǒng)的中值濾波存在一定地缺陷，即為如果圖像邊緣被判斷為噪點(diǎn)后，那么圖像的邊緣都會(huì)被過(guò)濾掉，所以會(huì)造成去噪之后整個(gè)圖片都變得模糊的情況。

在本文中，我們采取了邊緣保持最優(yōu)化（Edge Preserving Optimized Speckle，EPOS）算法（下文中以EPOS代替）來(lái)對(duì)于噪聲進(jìn)行濾波，將講解EPOS算法的原理以及其依據(jù)，并編寫了基于C語(yǔ)言的EPOS程序而且以多幅圖片作為示例進(jìn)行不同地處理。最終得出的結(jié)果將在后文中呈現(xiàn)。最終實(shí)現(xiàn)了的EPOS算法源程序同樣將出現(xiàn)于該文附錄中，以便驗(yàn)證算法的正確性與可用性。

2.1 EPOS算法介紹

2.1.1原理綜述

EPOS是一種可以自動(dòng)根據(jù)當(dāng)前濾波窗口情況來(lái)選擇合適的窗口大小和形狀的平滑算法。它將窗口分為八個(gè)“風(fēng)車狀”子區(qū)域，首先通過(guò)計(jì)算該窗口的無(wú)序程度，然后分別求各個(gè)子區(qū)域與被測(cè)像素（中心像素）求相對(duì)比較下的無(wú)序程度。如果滿足無(wú)序程度小于某一個(gè)值那么就認(rèn)為可以進(jìn)行處理，然后進(jìn)行中值濾波[4]。如果某個(gè)子區(qū)域無(wú)序程度比較大就認(rèn)為該區(qū)域是邊緣區(qū)域，并舍棄掉該區(qū)域，反復(fù)與那一個(gè)值進(jìn)行比較。如果八個(gè)區(qū)域都舍棄掉則縮小窗口重新比較。最終得到一個(gè)合理的窗口進(jìn)行中值濾波，否則當(dāng)窗口縮小到0的時(shí)候則認(rèn)為該點(diǎn)為邊緣。

2.1.2算法描述與數(shù)學(xué)分析

如流程圖所示，程序一開(kāi)始對(duì)于所有像素點(diǎn)進(jìn)行遍歷（圖像邊沿點(diǎn)進(jìn)行偶延拓），然后組成一個(gè)個(gè)窗口。

首先我們計(jì)算整個(gè)窗口的標(biāo)準(zhǔn)差

其中N表示整個(gè)窗口下的元素個(gè)數(shù)，μ表示這個(gè)窗口的均值。求得整個(gè)窗口的標(biāo)準(zhǔn)差大小，與某個(gè)值進(jìn)行比對(duì)之后，如果小于等于這個(gè)值則認(rèn)為該區(qū)域是符合濾波條件的，即該區(qū)域被認(rèn)為不是邊緣部分。一旦符合這樣的標(biāo)準(zhǔn)我們就可以進(jìn)行中值濾波[5]；否則我們就計(jì)算每個(gè)區(qū)域單獨(dú)的標(biāo)準(zhǔn)差。

如果某個(gè)區(qū)域的標(biāo)準(zhǔn)差太大，我們就剔除這個(gè)區(qū)域。然后再計(jì)算剔除后的新的窗口，再進(jìn)入到第一個(gè)判斷中。直到最后8個(gè)部分全部剔除則將窗口長(zhǎng)度減一后計(jì)算，一旦窗口長(zhǎng)度小于等于3，我們就認(rèn)為該點(diǎn)是邊緣，于是保留該點(diǎn)。

由于（2）式中，標(biāo)準(zhǔn)差σ代表了中心點(diǎn)周圍的差距程度，所以如果該點(diǎn)為邊緣的話則可以被算法檢測(cè)出，于是保留。而且對(duì)于該點(diǎn)的濾波上，除去邊緣另一側(cè)的像素點(diǎn)，對(duì)于濾波的準(zhǔn)確性更有提高。

2.2 實(shí)驗(yàn)結(jié)果及其分析

由以上圖片我們可以看到該算法對(duì)于椒鹽噪聲的處理還是相當(dāng)不錯(cuò)的，原因?yàn)樵撍惴ㄊ腔谥兄禐V波算法，而中濾波本來(lái)就會(huì)對(duì)于椒鹽噪聲有很好的處理效果，加入邊緣保護(hù)之后不會(huì)對(duì)于被認(rèn)為是邊緣的點(diǎn)進(jìn)行處理[6]。所以對(duì)于椒鹽噪聲的處理還是很不錯(cuò)的。

2.3 結(jié)論

本文中所介紹的方法的優(yōu)點(diǎn)是可以對(duì)于圖像的邊界進(jìn)行保護(hù)，在圖像去噪前加入一定的邊緣檢測(cè)算法[7]。改進(jìn)點(diǎn)就是基于中值濾波的邊緣檢測(cè)。最后所得的效果是能夠保護(hù)住圖像的邊沿，使得在圖像邊緣的點(diǎn)不會(huì)被認(rèn)為是噪聲而處理掉。由上述實(shí)驗(yàn)可以看出，本算法對(duì)于椒鹽噪聲有十分優(yōu)異的處理性能，同時(shí)能夠做到不錯(cuò)的保邊效果。

同時(shí)，該算法也存在著一定的缺點(diǎn)。比如該算法對(duì)于高斯噪聲的處理并不會(huì)很完美，主要是因?yàn)楸舅惴ㄔ跒V波操作上是基于中值濾波而不是基于均值濾波算法。第二是該算法運(yùn)行比較耗時(shí)，實(shí)驗(yàn)證明，當(dāng)初始窗口大小大于等于6之后，耗時(shí)呈指數(shù)被增加，提高終止的最低窗口大小會(huì)一定程度上解決這個(gè)問(wèn)題，但是仍比較費(fèi)時(shí)。原因是該算法在處理8個(gè)不同分塊時(shí)對(duì)于一個(gè)函數(shù)的遞歸調(diào)用，如果8個(gè)分塊都無(wú)法滿足條件還要回歸窗口減一的原函數(shù)。

我通過(guò)一些資料得知，對(duì)于高斯噪聲的處理需要用一些其他的算法，所以本算法在處理高斯噪聲上存在可改進(jìn)的余地，但是對(duì)于椒鹽噪聲的處理可能會(huì)打折扣。而至于時(shí)間復(fù)雜性，由于本算法本身的遞歸性暫時(shí)沒(méi)有找的很好的解決方法，不過(guò)即使在初始窗口為6的時(shí)候仍然只需要5s來(lái)運(yùn)行，而6的初始窗口大小足夠大部分情況下圖片的去噪。

3 結(jié)束語(yǔ)

人工智能一直是計(jì)算機(jī)科學(xué)的前沿學(xué)科，其研究的理論和成果將在很大程度上控制著科學(xué)技術(shù)，決定著計(jì)算機(jī)技術(shù)的發(fā)展方向。如今，人工智能的很多研究成果已經(jīng)進(jìn)入人們的日常生活。人工智能進(jìn)入了一個(gè)加速發(fā)展的新時(shí)期，在其影響意義上，遠(yuǎn)遠(yuǎn)超過(guò)蒸汽機(jī)和電力所推動(dòng)的工業(yè)革命。在我國(guó)，人工智能學(xué)科迎來(lái)了一個(gè)蓬勃發(fā)展的時(shí)代，并將為社會(huì)的發(fā)展做出巨大貢獻(xiàn)。

參考文獻(xiàn)

[1]王宇樓. 人工智能的現(xiàn)狀及今后的發(fā)展趨勢(shì)展望[J]. 科技展望，2016，（22）：299.

[2]易平， 陳福生， 鄒紅艷. 圖像處理中消除噪聲的方法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2004，20（5）：29-30.

[3]周杰. 應(yīng)用于圖像處理的中值濾波改進(jìn)算法[D]. 北京郵電大學(xué)， 2007.

[4]張恒， 雷志輝， 丁曉華. 一種改進(jìn)的中值濾波算法[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2004， 9：408-411.

[5] ZHOU Jun xia WU Guo ping， GAO Fang fang. A Combined Edge Detecting based on Median Filter and Mathematics Morphology[J]. Modern Computer， 2005.

[6] Medeiros F N S， Marques R C P， Laprano C M， et al. Edge Preserving Wavelet Speckle Filtering[C]// Image Analysis and Interpretation， 2002. Proceedings. Fifth IEEE Southwest Symposium on. 2002：0281.

[7] Xu J， Wang L， Shi Z. A switching weighted vector median filter based on edge detection[J]. Signal Processing， 2014， 98：359–369.