劉婷 閔慧 劉金花

摘要：原有圖像處理方法的收縮維度過大，在圖像切割過程中難以平衡到各個(gè)噪點(diǎn)位置，導(dǎo)致在圖像去噪過程中丟失圖像原始信息，需要反復(fù)對比去噪后的圖像與原始圖像，增加圖像的去噪時(shí)間。深度學(xué)習(xí)在處理實(shí)際問題中發(fā)揮了巨大作用，可以通過各種智能技術(shù)手段，對信息圖像進(jìn)行處理，從而幫助人們更好地觀察事物，采取較為正確的行動，研究監(jiān)督性機(jī)器學(xué)習(xí)算法在圖像去噪中的應(yīng)用方法。在多點(diǎn)位設(shè)置圖像噪點(diǎn)分隔節(jié)點(diǎn)的基礎(chǔ)上，采用監(jiān)督性機(jī)器學(xué)習(xí)算法，構(gòu)建圖像的噪點(diǎn)提取模型，聚類理論篩選噪點(diǎn)完成圖像去噪，完成監(jiān)督性機(jī)器學(xué)習(xí)算法在圖像去噪中的應(yīng)用方法設(shè)計(jì)。實(shí)驗(yàn)結(jié)果表明：以動物圖像為測試對象，分別將其內(nèi)部包含的噪點(diǎn)含量進(jìn)行檢測，采用原始方法和該文方法進(jìn)行對比，能夠得到與原始圖像相一致的結(jié)果，并在圖像不失真的前提下，能夠?qū)D像的去噪時(shí)間控制在1.26s之內(nèi)，而原始方法平均需要21.32s和16.24s，說明該文方法能夠提高去噪效率，具有實(shí)際應(yīng)用效果。

關(guān)鍵詞：監(jiān)督性;機(jī)器學(xué)習(xí)算法;圖像去噪;原始圖像

中圖分類號：TN918.1? ?文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）16-0081-03

圖像在拍攝過程中或者傳輸過程中，極容易受到外界環(huán)境的影響，在圖像中產(chǎn)生噪點(diǎn)信息，而當(dāng)圖像被噪聲破壞后，無法再利用其進(jìn)行后續(xù)的實(shí)物操作，需要對其進(jìn)行精準(zhǔn)的噪聲去除。在信息技術(shù)不斷發(fā)展的勢態(tài)下，各種各樣的智能化算法被應(yīng)用于圖像去噪中，其中利用小波分析和線性方程，進(jìn)行圖像去噪被廣泛應(yīng)用在各個(gè)行業(yè)中。在不同的算法和技術(shù)手段中，延伸了多種圖像去噪模型，均能夠在獲取圖像時(shí)對其內(nèi)在的噪聲信息進(jìn)行剔除。而原有算法或者原有模型在圖像去噪過程中，更偏重圖像的應(yīng)用效果，因此在對圖像邊緣信息處理上，不夠細(xì)致和精準(zhǔn)，常常出現(xiàn)處理后的圖像與原始圖像，對應(yīng)點(diǎn)數(shù)據(jù)信息不匹配的程度，延長了圖像的去噪時(shí)間，但去噪結(jié)果非常明顯[1]。

因此想要更高效地進(jìn)行圖像去噪，既保證圖像的應(yīng)用效果，又能夠縮短圖像的去噪周期，需要對原有去噪算法和方式進(jìn)行優(yōu)化處理，從而提出一種更適應(yīng)于現(xiàn)階段圖像處理的新方法。根據(jù)原有算法的大量計(jì)算步驟，引入監(jiān)督性機(jī)器學(xué)習(xí)算法，能夠在數(shù)據(jù)快速交替的過程中，對原始圖像保留有印象和特征，在后續(xù)去噪時(shí)能夠以其為基礎(chǔ)進(jìn)行數(shù)據(jù)監(jiān)督，在保證去噪效果不變的基礎(chǔ)上，能夠減少與原始圖像比對的時(shí)間周期。本文以此為基礎(chǔ)，研究監(jiān)督性機(jī)器學(xué)習(xí)算法在圖像去噪中的應(yīng)用方法，將機(jī)器學(xué)習(xí)理論和圖像去噪相結(jié)合，為保證圖像去噪效果和去噪時(shí)間提高理論支持，以此提高圖像的去噪效率。

1監(jiān)督性機(jī)器學(xué)習(xí)算法在圖像去噪中的應(yīng)用方法

1.1多點(diǎn)位設(shè)置圖像噪點(diǎn)分隔節(jié)點(diǎn)

對原始圖像中噪點(diǎn)進(jìn)行去除，需要在保證原始圖像不被破壞的基礎(chǔ)上，對其噪點(diǎn)進(jìn)行多角度和多層次的篩選，以此完成較為真實(shí)圖像的結(jié)構(gòu)敘述。采用多層級的網(wǎng)絡(luò)結(jié)構(gòu)，對需要去噪的圖像進(jìn)行分隔，按照不同的順序結(jié)構(gòu)設(shè)置噪點(diǎn)分隔節(jié)點(diǎn)[2]。

其中對圖像設(shè)置的層級可以看作是一個(gè)神經(jīng)網(wǎng)絡(luò)的變形，記載每個(gè)層級中的噪點(diǎn)數(shù)量，都能夠被稱為隨機(jī)的變量神經(jīng)元。每個(gè)層級之間的噪點(diǎn)神經(jīng)元，能夠通過其自身的權(quán)值進(jìn)行連接，在不破壞圖像結(jié)構(gòu)的基礎(chǔ)上，進(jìn)行沒有隸屬性質(zhì)的噪點(diǎn)特征描述和調(diào)整。

在沒有隸屬性質(zhì)的噪點(diǎn)特征描述過程中，會將圖像信息進(jìn)行大量的無樣本標(biāo)記，即利用多層級的神經(jīng)網(wǎng)絡(luò)展示特性，在多個(gè)層級內(nèi)首先做出噪點(diǎn)分隔的第一次權(quán)值量、按照初步確定的層級權(quán)值，再將帶有指向性的噪點(diǎn)描述格式，引入圖像的不同結(jié)構(gòu)層次內(nèi)，進(jìn)行從低到高或者從內(nèi)向外的順序，對圖像網(wǎng)絡(luò)層結(jié)構(gòu)進(jìn)行依次標(biāo)記。當(dāng)圖像被按照網(wǎng)絡(luò)層級的形式劃分完畢后，按照最大的判別屬性將噪點(diǎn)設(shè)置為暴露目標(biāo)，在不斷的分隔過程中進(jìn)行權(quán)值調(diào)整[3]。

利用網(wǎng)絡(luò)層級的權(quán)值特性，能夠在原始圖像中對其包含的字符和信息進(jìn)行監(jiān)測，能夠識別出原始圖像中的色彩比例，以及組成該組圖像的重要元素。利用大量的無標(biāo)記樣本選擇，在對圖像進(jìn)行節(jié)點(diǎn)分隔時(shí)，能夠?qū)?nèi)在包含的噪點(diǎn)信息設(shè)置為特殊的特征屬性。以此在監(jiān)督性機(jī)器學(xué)習(xí)的算法下，構(gòu)建對原始圖像噪點(diǎn)的提取模型，對分隔完成的圖像噪點(diǎn)按照順序進(jìn)行依次分離。

1.2監(jiān)督性機(jī)器學(xué)習(xí)算法構(gòu)建噪點(diǎn)提取模型

通過對選擇圖像中的噪聲分布節(jié)點(diǎn)進(jìn)行管控，并利用監(jiān)督性機(jī)器學(xué)習(xí)算法，建立一個(gè)噪點(diǎn)的提取模型，能夠在對圖像的本質(zhì)上，進(jìn)行詳細(xì)的噪聲分析。在典型的機(jī)器學(xué)習(xí)過程中，能夠利用特征表達(dá)法和分類的處理方式，對不同的事物進(jìn)行特征信號表達(dá)，按照內(nèi)部分類器的處理模型，選擇輸出的數(shù)據(jù)結(jié)果。以監(jiān)督性機(jī)器學(xué)習(xí)的內(nèi)在框架，對圖像的噪點(diǎn)特征進(jìn)行目標(biāo)的識別和標(biāo)記[4]，具體過程如圖1所示。

根據(jù)圖1中內(nèi)容所示，在機(jī)器學(xué)習(xí)的過程中，其對特征的表達(dá)選項(xiàng)，能夠直接按照結(jié)構(gòu)框架直接輸出，在獲取圖像時(shí)，能夠在視覺框架下對輸入的圖像進(jìn)行全方位掃描。通過特征表達(dá)的形式對不同的噪點(diǎn)節(jié)點(diǎn)進(jìn)行分析，進(jìn)入到機(jī)器學(xué)習(xí)的分類器中，按照不同的特征指令進(jìn)行數(shù)據(jù)輸出。

以圖像的輪廓保持狀態(tài)為基礎(chǔ)，在不改變圖像邊界清晰度的基礎(chǔ)上，假定圖像的噪聲特征點(diǎn)內(nèi)包含有的數(shù)據(jù)信息，只受到一種外界因素影響，以此設(shè)定圖像中噪聲特征點(diǎn)數(shù)量的計(jì)算公式，表達(dá)式為：

[Z=B+C]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

公式中：提取模型中獲取的總計(jì)圖像噪點(diǎn)數(shù)量，用[Z]來表示，圖像中原始的表達(dá)信號用[B]來表示，圖像中能夠被顯示出來的噪聲信號用[C]表示。在對原始圖像信息的特征元素和提出的噪聲點(diǎn)信息元素進(jìn)行對比的過程中，能夠?qū)崿F(xiàn)輸入圖像的顯示預(yù)處理。將圖像中包含的噪點(diǎn)信息進(jìn)行統(tǒng)計(jì)，按照不同的分隔節(jié)點(diǎn)位置的分布結(jié)果，對噪點(diǎn)數(shù)據(jù)進(jìn)行篩選完成多層次的圖像去噪[5]。

1.3聚類篩選噪點(diǎn)完成圖像去噪

噪聲信號的提取過程是一個(gè)相互轉(zhuǎn)化的流程，在監(jiān)督性機(jī)器學(xué)習(xí)算法的理論模型中，能夠直接對圖像中的所有特征點(diǎn)進(jìn)行提取，并按照順序?qū)呙璜@得的噪點(diǎn)信息進(jìn)行分類處理。一般情況下去圖像的噪點(diǎn)提取完畢后，需要對不同的噪點(diǎn)類型進(jìn)行篩選，再按照類型標(biāo)準(zhǔn)選擇對應(yīng)的去噪方式，綜合完成圖像中不同特征點(diǎn)的去噪效果。由于圖像的拍攝方式不同，在不同的外界因素條件下，展示出來的圖像效果也不一致，圖像的噪點(diǎn)可能受光線影響，也可能受拍攝人物的特性影響，因此在對噪點(diǎn)特征提取完畢后，必須對噪點(diǎn)信息進(jìn)行篩選[6]。

以聚類分析的方式對提取的噪點(diǎn)進(jìn)行分析，能夠在相類似的噪點(diǎn)數(shù)據(jù)中，進(jìn)行大范圍的初選的標(biāo)記，即在同類型的噪點(diǎn)特征中，能夠根據(jù)較為明顯的特征實(shí)現(xiàn)自動分類。常規(guī)條件下對靜態(tài)事物的噪點(diǎn)去除效果，更加簡單清晰，只需要對圖像內(nèi)的光線和顏色進(jìn)行調(diào)整即可。而對于動態(tài)的事物或者人物，需要在保留內(nèi)在事物的線條基礎(chǔ)上，通過外界因素的不斷調(diào)整，以此達(dá)到真實(shí)圖像的還原全過程。在多點(diǎn)位設(shè)置圖像噪點(diǎn)分隔節(jié)點(diǎn)的基礎(chǔ)上，采用監(jiān)督性機(jī)器學(xué)習(xí)算法，構(gòu)建圖像的噪點(diǎn)提取模型，聚類理論篩選噪點(diǎn)完成圖像去噪，完成監(jiān)督性機(jī)器學(xué)習(xí)算法在圖像去噪中的應(yīng)用方法設(shè)計(jì)。

2實(shí)驗(yàn)測試與分析

為驗(yàn)證本文設(shè)計(jì)的方法具有實(shí)際應(yīng)用效果，能夠在圖像去噪過程中，不改變原始圖像中的數(shù)據(jù)信息，從而提高圖像的去噪時(shí)間，采用實(shí)驗(yàn)測試的方法進(jìn)行多輪論證。實(shí)驗(yàn)測試分為兩個(gè)階段，第一階段為測試不同方法的去噪效果，即在同樣的圖像中，將內(nèi)部包含的噪點(diǎn)進(jìn)行剔除，是否能夠不對圖像進(jìn)行破壞。第二階段為不同方法的去噪時(shí)間，即在圖像噪點(diǎn)全部剔除完畢后，不同方法所用的時(shí)間結(jié)果。測試開始前引入兩組傳統(tǒng)方法作為對比，選擇一組圖像作為測試對象，為保證圖像中的噪點(diǎn)來源較為真實(shí)，以動物拍攝過程的取景為樣本，截取一組圖片，具體如圖2所示。

根據(jù)圖2中內(nèi)容所示，在選擇的樣本圖像中，能夠明確地看出不清晰之處，主要是在動物拍攝過程中，無法避免動物的運(yùn)動屬性，在其奔跑過程中進(jìn)行抓拍會產(chǎn)生失真現(xiàn)象，符合實(shí)驗(yàn)測試標(biāo)準(zhǔn)。為保證不同方式的測試結(jié)果，能夠在公平的過程中進(jìn)行比較，此次選擇的拍攝圖片會在電視中進(jìn)行呈現(xiàn)，以此將截取的圖像樣本，與電視播出效果進(jìn)行比對，并將展出的圖像結(jié)果導(dǎo)入至MATLAB測試平臺中。

利用得到的真實(shí)去噪圖作為效果示例，依次將三種不同的去噪方法連接在測試平臺中，分別對選擇的圖像樣本進(jìn)行去噪處理，并將去噪完成的圖像與示例效果進(jìn)行比較，對比不同方法下圖像的去噪結(jié)果。此次去噪效果的比對只針對第一次去噪動作，即在不同方法首次完成去噪后，直接進(jìn)行圖像去噪效果的對比，具體如圖3所示。

根據(jù)圖3中內(nèi)容可知，在選擇的截圖樣本數(shù)據(jù)中，其在電視臺的展出效果顏色較為明朗，且對動物的身形顯示非常清晰，完整地保留了動物的身形特征。將幾種方式去噪的結(jié)果與其進(jìn)行對比，發(fā)現(xiàn)本文方法所得的圖像基本上，與電視臺的展出效果一致，無論是動物的身形特征，還是外界的顏色均較為明朗。而兩組傳統(tǒng)方法雖然將樣本中的模糊點(diǎn)，進(jìn)行了有效的噪點(diǎn)去除，在對動物身形邊緣處理上，存在一些模糊的邊界，雖然沒有非常的明顯，但經(jīng)過圖像的無數(shù)次方法處理后，會變得非常不清晰。且兩組傳統(tǒng)方法下圖像的外部環(huán)境顏色較暗，與電視的播出效果存在一定差距，說明本文方法的去噪效果更加明顯，效果更好。

為進(jìn)一步研究不同方法的去噪時(shí)間，以上述圖像作為測試對象，在保證所有噪點(diǎn)全部去除后，且圖像的信息仍保存完整的條件下，對比不同方法的去噪所用時(shí)間。根據(jù)上文測試結(jié)果，在兩組傳統(tǒng)方法下對樣本圖像的處理，存在一定的模糊邊界點(diǎn)，因此需要進(jìn)行第二次的圖像去噪，在其得到與展出效果相一致的圖像后，重新導(dǎo)入測試平臺進(jìn)行對比。此次測試不展示傳統(tǒng)方法的多輪去噪結(jié)果，實(shí)際測試過程中兩組傳統(tǒng)方法能夠得到真實(shí)圖像，以此對比不同方法下的圖像去噪時(shí)間，具體如表1所示。

根據(jù)表1中內(nèi)容所示，不同方法下對圖像的去噪時(shí)間不同。在本文方法的應(yīng)用下，能夠?qū)D像的去噪時(shí)間控制在1.26s，主要是由于本文方法能夠一次性完成圖像去噪，且效果非常明顯。原始方法的去噪時(shí)間，平均需要21.32s和16.24s，是由于其不能一次性完成圖像去噪，需要在多輪反復(fù)操作中進(jìn)行去噪，增加了圖像的去噪時(shí)間。

綜合實(shí)驗(yàn)結(jié)果：在本文方法和原始方法的對比過程中，本文方法的圖像去噪時(shí)間，較比原始方法分別縮短了20.06s和14.98s，能夠有效提高去噪效率，具有實(shí)際應(yīng)用效果。

3結(jié)束語

本文以機(jī)器學(xué)習(xí)算法的理論作基礎(chǔ)，研究監(jiān)督性學(xué)習(xí)的方法步驟，以此在二者相結(jié)合的方式下，提出了監(jiān)督性機(jī)器學(xué)習(xí)算法的去噪方法，進(jìn)行不同類型的圖像去噪。實(shí)驗(yàn)結(jié)果表明：以兩組動物圖像為測試對象，分別將其內(nèi)部包含的噪點(diǎn)含量進(jìn)行檢測，采用原始方法和本文方法進(jìn)行對比，在圖像不失真的前提下，本文方法能夠?qū)山M圖像的去噪時(shí)間控制在1.26s，而原始方法平均需要21.32s和16.24s，說明本文方法能夠提高去噪效率，具有實(shí)際應(yīng)用效果。

但由于本人的研究時(shí)間有限，在測試過程中對圖像樣本的選擇具有局限性，沒有從多個(gè)角度下進(jìn)行篩選，所得結(jié)果存在一定的偏差。后續(xù)研究中會進(jìn)一步改變不足之處，利用大量的圖像樣本進(jìn)行參考，分析機(jī)器算法的圖像去噪效果，更深層次地研究不同去噪方法的優(yōu)勢和不足，為圖像的處理提供更標(biāo)準(zhǔn)的理論支持。

參考文獻(xiàn)：

[1] 梅玲，茍雙全.一種加權(quán)中值濾波算法在醫(yī)學(xué)磁共振圖像去噪中的應(yīng)用[J].延邊大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，47（4）：365-369.

[2] 張浩，汪德義.基于半監(jiān)督機(jī)器學(xué)習(xí)算法的智能電網(wǎng)調(diào)度控制系統(tǒng)健康度評價(jià)[J].電氣自動化，2021，43（5）：97-100.

[3] 龔麗文，陳麗娟，黃世源.機(jī)器學(xué)習(xí)算法在發(fā)震構(gòu)造形態(tài)特征及地震遷移規(guī)律研究中的應(yīng)用前景[J].地震地磁觀測與研究，2021，42（2）：217-218.

[4] 杜渺勇，于祥雨，周浩，等.基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的圖像去噪算法[J].杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，20（1）：95-101.

[5] 朱柯睿，周瑞鑫，康世舉，等.兩種監(jiān)督機(jī)器學(xué)習(xí)算法在Fermi BCU分類評估中的應(yīng)用[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（5）：1-5.

[6] 李彩紅，張慧娥，申海杰.K-means無監(jiān)督機(jī)器學(xué)習(xí)算法在心臟CT圖像分割中的應(yīng)用[J].電腦知識與技術(shù)，2019，15（1）：212-213.

【通聯(lián)編輯：朱寶貴】