陳林，白興蘭，胡軻

(浙江海洋大學(xué)船舶與海運(yùn)學(xué)院，浙江省近海海洋工程技術(shù)重點(diǎn)實(shí)驗(yàn)室，浙江舟山 316022)

海底管道是海洋開(kāi)發(fā)資源特別是油氣資源的重要輸送工具，長(zhǎng)期鋪設(shè)在海底的管道會(huì)因海流的沖刷產(chǎn)生懸空現(xiàn)象，海底管道懸空若不及時(shí)檢測(cè)并加以處理，會(huì)造成海底管道疲勞斷裂，導(dǎo)致石油、天然氣等泄露，將會(huì)造成巨大的經(jīng)濟(jì)損失和環(huán)境污染。側(cè)掃聲吶(side-scan soanr，SS)運(yùn)用入射聲波反向散射原理來(lái)生成側(cè)掃聲吶圖像(side-scansoanr image，SSI)，能夠?qū)５坠艿赖臓顟B(tài)進(jìn)行直觀判斷。海底復(fù)雜的環(huán)境，使得SSI 的采集受到很大的噪聲影響，存在混合復(fù)雜的各種噪聲，導(dǎo)致圖像細(xì)節(jié)的缺失。SSI 圖像去噪的目的在于消除噪聲，同時(shí)盡可能保留圖像上的紋理、邊緣和其他細(xì)節(jié)[1～2]。在對(duì)海底管道SSI 中的目標(biāo)進(jìn)行識(shí)別和狀態(tài)判斷之前，進(jìn)行圖像分割是至關(guān)重要的一步，圖像分割通常是將圖像分割為目標(biāo)高亮區(qū)、陰影區(qū)以及海底混響區(qū)三類，而海底管道SSI 噪聲復(fù)雜，斑點(diǎn)噪聲突出，如何抑制噪聲干擾，使分割圖像得到完整準(zhǔn)確的目標(biāo)及陰影是研究熱點(diǎn)問(wèn)題[3]。

針對(duì)SSI 去噪方面，學(xué)者們提出了多種降噪方法，如均值濾波法、中值濾波法、基于小波變換法等，但去噪效果卻不是很理想[4～5]。為改善去噪效果，王雷等[6]采用了不同閾值對(duì)海底管道SSI 進(jìn)行小波閾值去噪。張曉娟等[7]利用超小波脊波變換方法解決了去噪過(guò)程中的過(guò)平滑問(wèn)題。石建飛等[8]提出了結(jié)合非局部先驗(yàn)性與加權(quán)核范數(shù)最小化的去噪算法。WANG Xingmei,et al[9]提出了一種基于黃金比的自適應(yīng)非局部空間信息水下聲吶圖像去噪方法。LU Huimin,et al[10]提出了二維快速離散Curvelet 變換作為軟閾值的一種去噪方法。ZHAO Kun,et al[11]提出了一種結(jié)合二維經(jīng)驗(yàn)?zāi)B(tài)分解(BEMD)和非局部均值(NLM)算法的SSI 去噪方法。DABOV,et al[12]提出的基于變換域增強(qiáng)稀疏表示的三維塊匹配(BM3D)算法的圖像去噪方法在去噪方面要優(yōu)于其他圖像去噪算法。陳朋等[13]將BM3D 算法進(jìn)行改進(jìn)，對(duì)SSI 散斑噪聲的消除有良好效果。同時(shí)國(guó)內(nèi)外學(xué)者提出了多種用于SSI 分割的方法，如郭海濤等[14]提出的基于MAR 與FCM 聚類的聲吶圖像分割方法具有分割準(zhǔn)確和收斂速度快的優(yōu)點(diǎn)。李慶武等[15]提出了基于NSCT 域邊緣檢測(cè)的SSI 分割方法。何義才等[16]提出了綜合利用NSCT 分解圖像、局部標(biāo)準(zhǔn)差和均值組合增強(qiáng)圖像和多重分形判斷圖像奇異性的SSI 分割方法。SONG Yan,et al[17]提出了一種針對(duì)斑點(diǎn)噪聲和噪聲強(qiáng)度不均勻的聲吶圖像分割方法。WU Meihan,et al[18]提出了一種新的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以實(shí)現(xiàn)SSI 分割。ABU,et al[19]提出了基于增強(qiáng)模糊局部信息的聲吶圖像分割方法，可解決圖像噪聲強(qiáng)度不均勻的問(wèn)題。ECKHORN,et al[20]和REITBOECK,et al[21]在對(duì)貓視覺(jué)皮層研究中發(fā)現(xiàn)神經(jīng)元中有同步脈沖發(fā)放現(xiàn)象并提出了同步脈沖發(fā)放現(xiàn)象的連接模型。JOHNSON,et al[22-23]和RANGANATH,et al[24]對(duì)上述模型進(jìn)行研究開(kāi)發(fā)并提出了脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)，且在圖像處理方面效果良好。

擬運(yùn)用BM3D 算法對(duì)海底管道SSI 進(jìn)行去噪處理，通過(guò)自編程序?qū)?shí)驗(yàn)結(jié)果圖像進(jìn)行無(wú)參考圖像評(píng)價(jià)指標(biāo)數(shù)值計(jì)算，并與其他去噪方法進(jìn)行對(duì)比分析，體現(xiàn)BM3D 算法對(duì)海底管道SSI 去噪處理的有效性與優(yōu)越性。針對(duì)海底管道SSI 噪聲混合復(fù)雜，目標(biāo)分割困難的問(wèn)題，提出了一種基于三維塊匹配(BM3D)與PCNN 結(jié)合的SSI 分割方法。文中對(duì)真實(shí)海底管道SSI 進(jìn)行仿真處理，從主觀評(píng)價(jià)與客觀評(píng)價(jià)上與傳統(tǒng)PCNN 圖像分割方法相比較，驗(yàn)證其有效性和優(yōu)越性。

1 基于BM3D 算法的圖像去噪方法

1.1 BM3D 算法

BM3D 算法借鑒了非局部均值(NL-Means)方法的非局部塊匹配思想，通過(guò)與相鄰圖像塊進(jìn)行匹配，將若干相似的塊整合為1 個(gè)三維矩陣，在三維空間進(jìn)行濾波處理，再將結(jié)果反變換融合到二維，形成去噪后的圖像[25]。BM3D 算法由2 大步驟組成，即基礎(chǔ)估計(jì)和最終估計(jì)階段，每一階段又分別包含3 個(gè)部分：塊匹配、協(xié)同濾波和聚合。圖1 為BM3D 算法流程圖。

圖1 BM3D 算法流程圖Fig.1 Flow chart of BM3D algorithm

1.1.1 基礎(chǔ)估計(jì)

首先將含有噪聲的圖像按照移動(dòng)窗步長(zhǎng)劃分成固定大小的若干塊，對(duì)每一個(gè)參考?jí)K都要進(jìn)行至少一次塊匹配和3D 變換域?yàn)V波。然后將所有參考?jí)K處理完成之后，把所有參考?jí)K的預(yù)估值返回到圖像的原始位置進(jìn)行加權(quán)平均，最后得到基礎(chǔ)估計(jì)后的圖像。對(duì)帶有噪聲的圖像，可以用公式(1)獲得其加性噪聲：

式中：(x)為有噪聲的圖像；y(x)為沒(méi)有噪聲污染的原始圖像；η(x)為添加的加性噪聲；x為圖像的像素點(diǎn)坐標(biāo)；Ω 為整幅圖像的像素點(diǎn)集合。文中的硬閾值濾波和維納濾波分別用ht和wie標(biāo)識(shí)。

(1)塊匹配

在理想情況下，對(duì)于無(wú)噪聲圖像y(x)上的某個(gè)大小為Nht1×Nht1的參考?jí)KYxR和待匹配的圖像塊Yx，塊匹配過(guò)程中參考?jí)KYxR與圖像塊Yx之間的距離可由公式(2)計(jì)算得：

式中：R和x分別表示2 個(gè)圖像塊左上角的坐標(biāo)，Nht1是圖像塊的大小，‖·‖2是L2 范數(shù)。理想的圖像y(x)不能直接獲得，獲得的圖像一般為含有噪聲的圖像，故可以按公式(3)計(jì)算距離：

如果參考?jí)KZxR和圖像塊Zx之間是沒(méi)有重疊的，也就是每個(gè)像素是獨(dú)立的，那么在噪聲圖z(x)上對(duì)應(yīng)位置的參考?jí)K與圖像塊的匹配誤差的數(shù)學(xué)期望以及方差分別為：

當(dāng)噪聲方差很大或者圖像分塊比較小時(shí)，直接在有噪聲圖像z(x)上尋找相似塊是不準(zhǔn)確的，可能會(huì)發(fā)生分組錯(cuò)誤。解決的方法是對(duì)有噪聲圖像z(x)上的兩個(gè)圖像塊進(jìn)行可分離的二維正交變換，然后將那些幅度小于一定閾值的系數(shù)置零，這樣2 個(gè)塊的匹配誤差就可表示為這些系數(shù)的均方誤差，即：

式中：γ′為硬閾值操作，相應(yīng)的閾值一般為2 個(gè)標(biāo)準(zhǔn)差；Tht2D為相應(yīng)的可分離二維正交變換。

根據(jù)公式(6)計(jì)算得到當(dāng)前參考?jí)K與其他所有圖像塊的匹配誤差后，我們只保留那些誤差小于一定閾值的圖像塊，并得到相應(yīng)的坐標(biāo)集合，參考?jí)KZxR的相似圖像塊集合可得：

式中：τhtmatch為判定2 個(gè)塊相似的最大誤差閾值，一般根據(jù)經(jīng)驗(yàn)來(lái)設(shè)置。

(2)協(xié)同濾波

將所有的相似塊按距離由小到大順序堆疊起來(lái)，就可以得到一個(gè)形狀大小為代表該集合元素的個(gè)數(shù)。得到參考?jí)K對(duì)應(yīng)的3D 數(shù)組后，可進(jìn)行3D 協(xié)同變換和濾波，可表示為：

式中：Tht3D為相應(yīng)的3D 正交變換；γ 表示用閾值進(jìn)行硬閾值濾波；Tht-13D為3D 線性逆變換。

可以根據(jù)協(xié)同濾波后剩余的非零系數(shù)的個(gè)數(shù)來(lái)進(jìn)行權(quán)值的分配，假設(shè)該3D 組合內(nèi)所有的像素都是獨(dú)立的，記硬閾值操作后剩下的系數(shù)個(gè)數(shù)為NxRhard，則可以進(jìn)一步用公式(9)計(jì)算重復(fù)的像素權(quán)重：

式中：σ2為噪聲方差；Nxhard為不為零元素的個(gè)數(shù)。

(3)聚合

由于參考?jí)K之間可能存在重疊且每個(gè)參考?jí)K都包含有自身在內(nèi)的多個(gè)相似塊，因此每一個(gè)像素點(diǎn)的像素值都會(huì)被重復(fù)預(yù)估，將所有參考?jí)K的預(yù)估值返回到圖像的原始位置，進(jìn)行像素點(diǎn)的加權(quán)平均就可以得到基礎(chǔ)估計(jì)圖像：

χxm∈{0,1}是位于xm∈Ω 處相似塊的特征函數(shù)；Ybasic(x)表示第一步得到的基礎(chǔ)估計(jì)圖像。

1.1.2 最終估計(jì)

(1)塊匹配

從基礎(chǔ)估計(jì)階段得到的基礎(chǔ)估計(jì)圖像，可得到候選匹配塊集合為：

由SwiexR可以得到2 個(gè)三維矩陣，堆疊基礎(chǔ)估計(jì)圖像匹配塊得到的三維矩陣，堆疊含噪圖像匹配塊得到三維矩陣。

(2)協(xié)同濾波

最終估計(jì)階段的濾波要用維納濾波取代硬閾值濾波，可得：

定義維納濾波的收縮系數(shù)為：

相比于基礎(chǔ)估計(jì)階段的硬閾值濾波，最終估計(jì)階段的維納濾波能夠抑制所有頻段的噪聲，同時(shí)也不會(huì)完全地抹殺掉高頻的信息，從而獲得更好的降噪效果。

(3)聚合

類似于基礎(chǔ)估計(jì)階段，對(duì)圖像中每一個(gè)參考?jí)K都進(jìn)行維納濾波后，我們同樣需要對(duì)這些結(jié)果進(jìn)行整合。這個(gè)階段也有可能發(fā)生像素點(diǎn)重疊，可分配權(quán)重值：

最后求得最終估計(jì)圖像為：

1.2 實(shí)驗(yàn)對(duì)比與分析

為了驗(yàn)證BM3D 算法，選取真實(shí)的海底管道側(cè)掃聲吶圖像進(jìn)行去噪處理，并對(duì)去噪圖像質(zhì)量進(jìn)行指標(biāo)評(píng)價(jià)，實(shí)驗(yàn)在matlab 2020a 軟件平臺(tái)上進(jìn)行。主觀評(píng)價(jià)上，通過(guò)人本身的視覺(jué)檢查去噪圖像的一些可視特點(diǎn)，比如去噪圖像邊緣保持能力、模糊程度，點(diǎn)目標(biāo)保持以及在客觀上難以被察覺(jué)的一些細(xì)節(jié)等等。在客觀指標(biāo)評(píng)價(jià)上，去噪圖像的視覺(jué)評(píng)估可以通過(guò)公認(rèn)的圖像評(píng)價(jià)手段，包括全參考圖像質(zhì)量、半?yún)⒖紙D像質(zhì)量和無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)[26]。

1.2.1 無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)

由于真實(shí)的海底管道SSI 是沒(méi)有參考圖像比較的，所以本文采用了2 種無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)來(lái)比較不同去噪算法對(duì)圖像處理的優(yōu)越性，評(píng)價(jià)指標(biāo)包括等效視數(shù)和散斑抑制指數(shù)。

(1)等效視數(shù)

式中：μ 為圖像均值；σ 為圖像標(biāo)準(zhǔn)差。EENL的值越高，圖像均勻區(qū)域噪聲的平滑效率越高。

(2)散斑抑制指數(shù)

式中：I1為含噪聲圖像，I2為經(jīng)過(guò)去噪處理的圖像，該指數(shù)體現(xiàn)算法對(duì)于散斑噪聲的抑制效果，如果去噪算法能夠有效降低散斑噪聲，指數(shù)往往是小于1 的，并且數(shù)值越低，說(shuō)明抑制散斑噪聲效果越好。

1.2.2 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)選取的海底管道圖A 來(lái)源文獻(xiàn)[6]，海底管道圖B 和圖C 為浙江省舟山海域的實(shí)測(cè)圖，如圖2 所示。

圖2 海底管道側(cè)掃聲吶實(shí)測(cè)圖像Fig.2 Actual SS image of submarine pipeline

分別運(yùn)用均值濾波，中值濾波，小波變換，NLM 算法和BM3D 算法進(jìn)行對(duì)比實(shí)驗(yàn)，各算法進(jìn)行去噪后的效果圖見(jiàn)圖3(a)～(o)所示。

圖3 各算法圖像處理效果圖Fig.3 Effect of image processing using the different methods

圖3 中(a)～(e)為圖2A 的去噪效果圖，(f)～(j)為圖2B 的去噪效果圖，(k)～(o)為圖2C 的去噪效果圖。在主觀感受上，均值濾波和中值濾波的去噪效果不明顯，仍存在大量斑點(diǎn)噪聲；小波變換的去噪結(jié)果圖像中的斑點(diǎn)噪聲被消除了部分，但也使得圖像模糊化；NLM 算法的降噪結(jié)果相比較實(shí)驗(yàn)圖像，消除噪聲比較明顯，但仍存在部分或明或暗的斑點(diǎn)噪聲；BM3D 算法的去噪效果圖中，從視覺(jué)上對(duì)檢測(cè)噪聲圖像的噪聲消除效果更明顯，圖像平滑效果更好，并很好地保留了圖像的邊緣細(xì)節(jié)特征，很明顯去噪效果要優(yōu)于上述幾種去噪方法。

在客觀評(píng)價(jià)上，對(duì)不同算法對(duì)SSI 的處理效果進(jìn)行無(wú)參考圖像質(zhì)量評(píng)價(jià)指標(biāo)計(jì)算，具體見(jiàn)表1。由表1可知：(1)等效視數(shù)：BM3D 算法的指標(biāo)數(shù)值明顯大于其他方法；(2)散斑抑制指數(shù)：BM3D 算法的指標(biāo)數(shù)值低于其他算法。可見(jiàn)，BM3D 算法對(duì)于懸跨海底管道SSI 的去噪效果更好，能夠很好地抑制散斑噪聲并且保存圖像的紋理細(xì)節(jié)。

表1 不同算法的無(wú)參考圖像質(zhì)量評(píng)價(jià)對(duì)比Tab.1 Comparison of unreferenced image quality evaluation of different algorithms

2 基于BM3D-PCNN 的側(cè)掃聲吶圖像分割

2.1 BM3D-PCNN 圖像分割方法

SSI 目標(biāo)分割困難，且傳統(tǒng)PCNN 不能很好地消除噪聲影響，結(jié)合BM3D 和PCNN 提出一種新的圖像分割方法，即將BM3D 算法運(yùn)用于PCNN 圖像分割方法中，能很好地消除噪聲對(duì)分割結(jié)果的影響，使得圖像特征目標(biāo)分割更加準(zhǔn)確。PCNN 算法的基本模型結(jié)構(gòu)由接收域、調(diào)制域和脈沖發(fā)生器3部分組成[27]，如圖4 所示。

圖4 PCNN 基本模型結(jié)構(gòu)Fig.4 PCNN basic model structure

由圖4 可知：神經(jīng)元Nij模型有5 個(gè)主要部分，即反饋輸入Fij(n)、連接輸入Lij(n)、內(nèi)部活動(dòng)Uij(n)、動(dòng)態(tài)閾值Eij(n)和脈沖輸出Yij(n)。其中，反饋輸入Fij(n)和連接輸入Lij(n)可分別表示：

式中：αF、αL分別表示記錄先前輸入狀態(tài)的指數(shù)衰減因子；VF、VL是調(diào)節(jié)周圍神經(jīng)元?jiǎng)幼麟娢坏臋?quán)重因子；Mijkl、Wijkl分別為反饋輸入域和耦合連接域的權(quán)重矩陣。Sij是一種外饋輸入激勵(lì)，對(duì)脈沖耦合突觸調(diào)制有重要影響。

根據(jù)脈沖耦合神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)理，反饋輸入和連接輸入之間的非線性調(diào)制產(chǎn)生內(nèi)部活動(dòng)Uij(n)，從而推導(dǎo)出膜電位的耦合結(jié)果，即：

式中：β 為連接系數(shù)，它直接決定了連接輸入Lij(n)在內(nèi)部活動(dòng)Uij(n)中的強(qiáng)度。式(20)顯示了對(duì)神經(jīng)元輸入的調(diào)節(jié)耦合。顯然，反饋輸入Fij(n)由于其權(quán)重分配在耦合調(diào)制中起著最重要的作用，而連接輸入Lij(n)則受到鄰近神經(jīng)元的次要影響。根據(jù)內(nèi)部活動(dòng)Uij(n)和動(dòng)態(tài)閾值Eij(n)的比較結(jié)果，神經(jīng)元的脈沖輸出Yij(n)和動(dòng)態(tài)閾值Eij(n)描述分別為：

式中：αE是指數(shù)衰減因子。其值越小，前一次迭代對(duì)動(dòng)態(tài)閾值的影響越明顯。VE是動(dòng)態(tài)閾值的幅值，神經(jīng)元產(chǎn)生輸出脈沖時(shí)VE會(huì)瞬間增大。式(22)中，如果一個(gè)神經(jīng)元的內(nèi)部活動(dòng)Uij(n)強(qiáng)度大于其動(dòng)態(tài)閾值Eij(n)，神經(jīng)元將立即觸發(fā)并產(chǎn)生一個(gè)輸出脈沖。

2.2 實(shí)驗(yàn)結(jié)果

為驗(yàn)證PCNN 算法的有效性，以matlab R2020a 為平臺(tái)，由于圖2A 不清晰，因此僅對(duì)海底管道圖2B和海底管道圖2C 進(jìn)行仿真研究。分別運(yùn)用傳統(tǒng)PCNN 算法和BM3D-PCNN 對(duì)圖2B 和圖2C 的側(cè)掃聲吶圖像進(jìn)行分割處理，如圖5 所示。分別從主觀和客觀兩方面對(duì)圖像分割質(zhì)量進(jìn)行評(píng)價(jià)。

圖5 圖像分割效果Fig.5 Image segmentation effect

2.2.1 主觀評(píng)價(jià)

主觀評(píng)價(jià)是通過(guò)人體本身的視覺(jué)對(duì)分割圖像紋理細(xì)節(jié)檢查。通過(guò)對(duì)圖5 中原圖像與分割結(jié)果圖像主觀評(píng)價(jià)分析，海底管道圖2B 和海底管道圖2C 的分割圖像都不存在過(guò)分分割情況，分割的區(qū)域也比較平滑，分割的效果適合人眼觀察識(shí)別，圖像信息細(xì)節(jié)等得到了充分顯示。但是傳統(tǒng)的PCNN 算法分割結(jié)果仍然存在大量的噪聲干擾，對(duì)噪聲干擾的抑制效果比較低。該算法的分割結(jié)果基本消除了噪聲干擾，只將圖像中的特征信息分割出來(lái)，分割效果比較完美。

2.2.2 客觀評(píng)價(jià)

為了更加準(zhǔn)確的評(píng)估圖像分割方法的準(zhǔn)確性和圖像分割質(zhì)量，本文采用了3 種圖像分割質(zhì)量評(píng)價(jià)指標(biāo)對(duì)分割圖像效果進(jìn)行評(píng)價(jià)，包括Jaccard 相似系數(shù)[28]、Dice 系數(shù)[28]和精確度(Precision)[29]。

(1)Jaccard 系數(shù)

Jaccard 系數(shù)又稱為Jaccard 相似系數(shù)(Jaccard similarity coefficient)用于比較有限樣本集之間的相似性與差異性。Jaccard 系數(shù)值越大，樣本相似度越高。

(2)Dice 系數(shù)

Dice 系數(shù)是一種集合相似度度量函數(shù)，通常用于計(jì)算2 個(gè)樣本的相似度，取值范圍在[0,1]，數(shù)值越大，相似度越高。

(3)精確度(precision)

精確度是表示標(biāo)記正確的樣本數(shù)量占總樣本的比例，精確度越高，表示圖像分割效果越好。

評(píng)價(jià)得到的結(jié)果如表2 所示，可知：該分割算法對(duì)于圖2B 和圖2C 的圖像分割質(zhì)量評(píng)價(jià)指標(biāo)數(shù)值均高于傳統(tǒng)PCNN 算法，驗(yàn)證了本文提出方法的優(yōu)越性。但受圖2B 本身圖像特征的影響，使得圖像分割質(zhì)量評(píng)價(jià)指標(biāo)優(yōu)勢(shì)不太明顯。

表2 圖像分割質(zhì)量評(píng)價(jià)數(shù)據(jù)Tab.2 Image segmentation quality evaluation data

3 結(jié)論

側(cè)掃聲吶能夠?qū)５坠艿罓顩r進(jìn)行檢測(cè)，并根據(jù)其圖像直觀判斷海底管道狀態(tài)，保障其安全運(yùn)行?；趯?shí)測(cè)SSI 圖像，將提出的圖像去噪、圖像分割方法在matlab 2020a 軟件平臺(tái)進(jìn)行了實(shí)驗(yàn)驗(yàn)證，得到了如下有意義的結(jié)論：

(1)基于塊匹配、協(xié)同濾波、聚合等，建立BM3D 方法用于海底管道SSI 的去噪處理。

(2)通過(guò)無(wú)參考評(píng)價(jià)指標(biāo)將BM3D 去噪方法與均值濾波、中值濾波、小波變換、NLM 算法進(jìn)行對(duì)比分析，其等效視數(shù)分別高于其他算法40.5%、40.6%和9.8%以上，散斑指數(shù)分別低0.9%、0.9%和0.5%，體現(xiàn)了BM3D 算法良好的去噪效果，能更好地體現(xiàn)海底管道狀態(tài)。

(3)基于去噪方法BM3D，并結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)圖像分割方法，提出BM3D-PCNN 方法，即PCNN分割方法基礎(chǔ)上，先消除噪聲影響，使得圖像目標(biāo)分割更加準(zhǔn)確。

(4)圖像處理的指標(biāo)評(píng)價(jià)。分別運(yùn)用Jaccard 相似系數(shù)、Dice 系數(shù)和Precision 3 種評(píng)價(jià)指標(biāo)，通過(guò)對(duì)比發(fā)現(xiàn)BM3D-PCNN 算法分割處理圖像明顯優(yōu)于傳統(tǒng)PCNN 算法。