基于神经网络的表计图像去噪算法研究

2022-10-02

一、图像去躁背景与意义

图像去噪是图像处理中最有吸引力的领域。图像在获取的过程中, 受到诸多因素的影响, 会导致对比度降低、细节模糊, 这样不利于图像的后续处理[1]。图像去噪是图像处理的基本方法之一, 其基本思想是显现那些模糊了的细节, 或突出一幅图像中感兴趣的特征, 目的是对图像进行加工处理, 提高图像的清晰度, 从而得到有价值的信息以便对图像进行其它的处理[2]。在实际生产生活中, 表计的读数看似是一个简单的任务, 但是在一些特定的场合, 比如:高压电厂, 核电厂等等, 人工度数不仅耗费人力和物力, 而且还有较大的危险性[3]。因此这就促使着智能化表计度数的产生。智能化表计度数通过摄像头拍摄表盘, 如图1所示, 然后对数字进行定位、分割最后进行数字识别[4]。在识别过程中由于分割出来的数字存在一定的噪声, 大大影响了识别的准确性。因此若能在增强数字在图片中的效果, 除去噪声将会在一定程度上增加度数识别的准确性。

二、本文算法

本文采用的前向网络算法是经典的反向传播算法。在反向传播算法中, 假设我们有一个固定样本集{ (x (1) , y (1) ) , ..., (x (m) , y (m) ) }, 它包含m个样例。在网络的训练过程中可以用梯度下降法来求解神经网络, 更新参数。具体来讲, 对于单个样例 (x, y) , 其代价函数为:。其中, J (W, b) 是一个均方差项。第二项是规则化项 (也叫权重衰减项) , 它的意义在于减小衰减幅度来防止对数据的过拟合。这里λ为权重衰减参数, 用来控制第二项在总体公式中的相对重要性。在训练过程中, 目标是通过求J (W, b) 的最小值来求得学习参数W和b。为了达到这个目标, 首先将权值矩阵W和b随机初始化一个很小的随机值, 然后采用随机梯度下降法对参数进行优化, 得到想要的W和b[5]。

反向传播算法主要思想如下:给定一个样本数据 (x, y) , 首先进行前向传播, 计算网络中所有神经元的激活值, 包括输出层h (W, b) 的值。之后, 针对第l层的每一个节点i, 计算出其“残差” (或称为误差敏感项) δi (l) , 残差表明了该节点对最终输出的值产生了多少影响, 其计算可以定义为。对于最终输出节点, 可以直接计算出网络所产生的激活值和实际值之间的差距, 将这个差距定义为 (nl层表示输出层) [6]。对于隐藏单元可以通过求导链式法则来推导计算。

三、实验结果与分析

实验数据采用表计图片中分割出来的数字图片如图2所示, 一共1207张图片, 每张图片大小为40x20像素。其中随机抽取1000张图片作为训练集, 207张图片作为测试集。并且分别在训练集和测试集中加入高斯噪声、椒盐噪声以及随机噪声。实验结果如图2所示。

通过网络收敛性结果可以看出网络在迭代1800次左右已经达到收敛, 收敛后, 对网络进行测试, 从测试的结果可以看出训练的网络在高斯噪声和椒盐噪声上都能够很好的去进行去噪;在随机噪声数据上网络也能够很好的去除噪声并且对比原图可以发现网络不仅去掉了图片中的随机噪声, 而且还增强了图片的对比度和清晰度, 是图片中的数字与背景区分更明显。

但是在去除随机噪声是, 有的图片中不存在数字, 只是背景和个别数字相似, 经过网络处理后, 不仅去除了噪声, 也罢对应的图片形成了和背景相似的图片。通过对神经网络学习知识的机制分析得到, 改神经网络不仅学习到了各种噪声的特征, 还学习到了图片中各种数字的特征, 所以在去除图片中噪声的同时也会使用学习到数字的特征对图片中的数字进行增强表现。

摘要：在表计数字识别的应用中, 噪声对识别率有很大影响, 本文提出一种基于神经网络的算法来有效去除表计图片中的不同类型的噪声, 从而为后面的图片识别进行更好的数据预处理。在神经网络算法中, 模拟生物神经网络的工作原理, 对生物神经元进行建模, 从而模拟生物神经元的功能, 构建神经网络。本文神经网络的学习算法是反向传播算法, 通过在大量数据集上实验证明, 本文的方法能够实际有效的去除高斯、椒盐和随机噪声。

关键词：神经网络,BP算法,去噪,图像增强