陈琦 张曰花 王红

摘  要：图像在进行传递表达信息时会受到一定噪音的影响，使得图像的信息度降低，整个图像的平滑度降低，所以，为了保证图像在传输过程中的准确度、图像整体的效果，会对图像进行预处理——专门的去噪，专门的去噪过程有多种，其中包括空域、变换域和机器学习三大类方法，而其中较为成熟的应用技术要属机器学习方法，机器学习的图像去噪又有三大类，分别是神经网络、稀疏算法和向量算法，通过对去噪过程进行研究，提高图像在信息传递中的清晰度和准确度，同时，增强去噪的作用效果。本文将主要就机器学习的去噪过程进行研究，分别从机器学习的去噪研究的含义，去噪研究的应用及提高去噪作用效果的相应措施几个方面进行详细讨论，为日后相应的措施改变提供理论参考和借鉴。

关键词：机器学习;图像去噪;应用改进

中图分类号：TP391.41;TP181      文献标识码：A 文章编号：2096-4706（2019）14-0071-03

Research on Image Denoising Based on Machine Learning

CHEN Qi，ZHANG Yuehua，WANG Hong

（Shandong Huayu University of Technology，Dezhou  253034，China）

Abstract：Image in conveying information will be influenced by a certain noise，make the image information degree is reduced，the smoothness of the image is reduced，Therefore，in order to guarantee the accuracy of image in the process of transmission，the effect of the image as a whole，the image preprocessing，through specialized denoising，there are many types of specialized denoising process，including the airspace，transform domain and machine learning methods，and the more mature application technology is machine learning methods，machine learning image denoising and three categories，respectively is neural networks，sparse algorithm and vector algorithm，through the research of the denoising process improve the clarity and accuracy of the image in the transmission of information，and enhance the effect of denoising. This paper will mainly study the denoising process of machine learning，and discuss in detail the meaning of the denoising study of machine learning，the application of the denoising study and the corresponding measures to improve the effect of the denoising study，so as to provide theoretical reference and reference for the corresponding measures in the future.

Keywords：machine learning;image denoising;application of improved

0  引  言

圖像去噪过程有三种，分别是空域、变换域和机器学习三种，每一种去噪方法有着相应的优缺点，其中，较为成熟的是基于机器学习的去噪研究，分为神经网络、稀疏算法和向量算法。神经网络是日常较为常用的一种方法，其中有三种通过的神经网络，分别是卷积神经网络、普通神经网络和模糊神经网络，通过对图像进行基于机器学习的去噪，提高图像展现信息的程度和效果，增强信息传输的能力。本文将主要对机器学习的图像去噪研究进行详细讨论，其中相应的含义，作用，及改进措施会依次进行论述，为日后相应的措施提供理论经验。

1  基于机器学习的图像去噪含义与分类

所谓去噪，就是去除噪音，数字图像在获取和传输过程中会受到一定噪音的干扰，通过对图像进行去噪处理，以提高图像的质量，图像去噪有一定的技术基础，其中，基于机器学习的去噪应用较为成熟，以机器学习为基础，提高图像的质量，机器学习的图像去噪有三种，分别为稀疏表示、神经网络和向量算法，接下来，将通过大致的介绍几种具体的去噪应用，来为后文相应的措施提供基础。

1.1  稀疏表示的图像去噪

所谓的稀疏表示指的是通过将信号在处理过程中用一种较为稀疏的方式表示，提高图像信息的利用率和获取率，指用一种称为字典的函数表示图像信息，其中每个组成元素称为原子，图像的整个是由原子组成的函数的线性组合，通过此种方式，提高图像的表达效果和获取信息的程度，稀疏表示的图像去噪是通过稀疏噪音编码的使用，通过稀疏噪音编码将相似的噪音进行编码，一旦系统或者算法感知到相似的音域将进行稀释或者阻断，以此提高图像的清晰度，减少图像在使用过程中的杂音，由于这种方法有一定的局限性，对于未进行标记的噪音无法及时进行识别和处理，所以，在机器学习领域中，此种方法并非常用方法。

1.2  基于神经网络的图像去噪研究

神经网络中的图像去噪研究有三种，分别是卷积神经网络、普通神经网络和模糊神经网络三种。卷积神经网络是一种人工处理的神经网，在图像识别、去噪研究中成为热点，卷积神经网络去噪是通过卷积子网和反卷积子网进行的，通过两者的对称处理将多余的噪音进行清除，这种方法可以对图像中的任何信息产生不变性，不会因为处理而改变图像中的任何信息，卷积神经网络的有效应用使得图像在处理过程中的噪音明显的降低，提高了图像在使用过程中的有效性。普通神经网络是通过人工神经网络检测器识别发现的，通过检测器的检测，识别出相应的噪音，从而进行清除，普通的神经网络在图像去噪方面的应用较为简单，并且缺点也较为明显，不能清晰地将噪音进行去除，普通神经网络的再次更新是模糊网络。模糊神经系统与模糊网络结合形成模糊神经网络。模糊神经网络汇集了神经网络与模糊理论的优点，集信息的获取，识别，处理，分析，综合等于一体，通过模糊神经网络的应用，使得图像的去噪应用更为创新，第三种是第二种处理方式的更迭，通过这三种方式的使用，使得图像在处理信息过程中免受噪音的干扰，如图1所示。

1.3  基于向量机的图像去噪

向量机是基于统计数据的使用，通过向量机的使用将图像处理过程中的各种杂音进行去除，在图像去噪方面取得了不错的效果，通过向量机的使用，图像去噪变得更加简洁方便，向量机使得图像在使用过程中的噪音有效地去除，并且保证原有的已知的有价值的图像信息不受干扰，向量机的使用实际上与数学原理相关，与数学在此方面的应用有关系，向量机的使用目前是不太完善的，需要时间进行补充完善，从而提高图像在使用过程的去噪效果。

2  基于机器学习的图像去噪的相应应用

基于机器学习的图像去噪技术已经在日常生活中有很多应用，其中在科研领域、通信领域、医疗领域甚至是刑侦领域都有着具体的应用与实践，对其的研究主要是为了应用更为广泛，应用效果提升。

2.1  刑侦领域

摄像头的使用在刑侦破案领域是必备的，同时也是发现线索的主要来源，然而，有时摄像头中的信息处理尤其是图像在处理过程中会由于噪音等问题，降低摄像图像的画质，使得图像模糊，从而很难发现更为有价值的线索，因此，会在获取图像信息的过程中进行去噪处理，通过对噪音的消除，提高画质的质量，从而提升破案的效果和速度，破案的质量也会有相应的提升，除了在摄像头等方面的使用外，在视频信息的处理过程中也会有所涉及，通过对视频的剪辑和图像的相应处理，提高视频的清晰度，使得警方破案顺利。

2.2  医疗领域

医疗领域需要图像的方面很多，核磁共振，脑部CT等等都是需要进行图像处理的，尤其在医疗领域有专门的医疗影像，这其中就有对图像进行信息的获取、处理、分析的过程，在整个过程的进行中，难免会存在噪音，噪音使得图像在处理过程中的准确度降低，从而医生对于病人病况的判断就会不准确，这时，对于医疗领域来说，图像更为重要，图像的判断显示的是病人的生命，必须进行详细的诊断，图像在处理过程中的去噪研究需要更为高的水平，要求更为严格，一般是使用卷积神经网络进行处理，提高信息的准确度和降低对信息的影响。

2.3  科研领域

科研领域对于图像的精确度要求会很高，图像所展现的信息会对整个实验过程，实验结果产生影响，为了确保实验结果的有效性和正确率，进行图像的预处理及图像的去噪应用就显得很有必要，通过对图像进行相应的处理，消除掉无效的杂音，科研領域中的图像去噪一般使用的是依据数学统计为原理的，通过数学模型进行应用的向量机的图像去噪，通过此种方式，提高图像在使用过程中的正确度和标准程度。科研领域中的图像去噪较为复杂，需要进行相应的研究及提升。

2.4  教育领域

教育领域中的图像一般是用于多媒体中，通过互联网传出的图像，有时会出现噪音干扰，降低图像对教育图像的影响，提高教学质量与学生的学习质量需要进行图像的去噪，图像的去噪过程较为简单，由于教育领域对于图像的要求并非很高，一般而言，使用普通神经网络就可以有效去除图像中的噪音，是一个非常简单快捷的应用。教育领域内进行图像的去噪主要是为了便于学生在学习中不会受到干扰，提高学生的学习结果和学习质量，对于教师而言，不会在讲解过程中出现多种问题，这就是图像去噪的基本应用。

3  基于机器学习的图像去噪提升措施

将机器学习的原理应用于图像去噪过程，通过图像去噪的应用使得图像的处理更加提升，图像的质量加以提高，这便是图像去噪的目的。

3.1  改进算法程序，加快去噪速度

上文提到机器学习的图像去噪是通过算法得以实现的，将进行去噪的算法改进，使用Python作为主要语言来编写图像去噪神经网络，Python的语法更人性化，可以让精力集中在编程对象和思维方法上。但是Python作为一种解释性语言，其运行效率远低于C/C++。针对这个问题，本文采用了混合编程的方法。Python被称为“胶水”语言，它可以很好地与C/C++及其他一些语言进行相互调用。通过实验发现，使用Python语言对一个512*512*3的图像矩阵做预处理操作约需要2500ms的时间，而使用C++语言对该模块进行重写后同样的处理过程只需5ms。速度是之前的近500倍，这大大提高了整个网络的运行速度。

3.2  深度挖掘原理，提升去噪质量

图像去噪是基于机器学习的原理进行操作与应用的，虽然对于机器学习方面已经进行了系列的研究与提升，但是有可能出现过拟合现象，为了避免过拟合问题，一个非常常用的方法是正则化（Regularization）。正则化的思想就是在损失函数中加入刻画模型复杂程度的指标。假设用于刻画模型在训练数据上表现的损失函数为J（Ø），MAME在优化是不直接优化J（Ø），而是优化J（Ø）+λR（w）。其中R（w）刻画的是模型的复杂程度，而λ表示模型复杂损失在总损失中的比例。注意这里Ø表示的是一个神经网络中所有的参数，它包括边上的权重w和偏置项b。一般来说模型复杂度只由权重w决定。常用的刻画模型复杂度的函数R（w）有两种，一种是L1正则化，计算公式如下：

3.3  综合去噪方法，改进去噪应用

上述提到了图像去噪有多种方法，不仅仅有以机器学习为基础的，还有其他的，将多种方式方法的使用进行相应的融合，以便优点得以综合，更加的发扬，缺点得以有效的改进，像上述提到的向量机与神经网络就可以综合，将数学统计与神经系统相结合，以此提升去噪的效果，是一个不错的应用与技巧，通过综合去噪方法，有效提升去噪的质量，是非常值得尝试与使用的。

3.4  提升专业技能技巧

所谓提升专业技能技巧针对的是进行图像去噪过程中的研发与设计人员，需要对其进行培训，以便提升专业人员的发展潜能与发展潜力，通过专业人员的发展，以便图像去噪得到更好的发展，提升专业人员的技能技巧并非单单是培训可以完成的，需要的还有情怀的培养，以便更好地提高专业抱负。

4  结  论

基于机器学习的去噪研究是目前图像处理领域研究的热点，并非单单的简单处理就可以实现，需要的更多是专业技能的提升，专业知识的研究等，需要经过时间慢慢地改变与完善。通过现实生活中的应用与实践，逐渐摸索出真正的去噪方法。

参考文献：

[1] 江唯奕.数字图像去噪算法原理及应用 [J].电子制作，2019（6）：26-28.

[2] 李胜旺，韩倩.基于深度学习的图像处理技术 [J].数字技术与应用，2018，36（9）：65-66.

[3] 王萌萌，屈红伟，孙燕，等.基于自适应非局部稀疏编码图像去噪方法 [J].计算机工程与设计，2017，38（8）：2178-2183.

[4] 徐政超.使用稀疏表达和机器学习的行人检测技术探讨 [J].科技创新与应用，2017（10）：75.

[5] 郭德全，杨红雨，刘东权，等.基于稀疏性的图像去噪综述 [J].计算机应用研究，2012，29（2）：406-413.

作者简介：陈琦（1985-），男，汉族，山东济宁人，教师，初级职称，硕士，研究方向：计算机应用技术。