刘珍丹，曹汉华，丁 丰，王孟博

(中山大学新华学院，广东广州510520)

1 引言

近几年来，图像处理技术得到了快速的发展，并被广泛地应用。随着计算机技术的迅速发展，图像显示和图像数字化设备的广泛应用，为图像处理技术的发展提供了良好的条件，使之成为推动该领域发展的重要力量。图像的传输和转换过程往往会导致图像在各种图像系统中的退化，如成像、扫描、复制、传输和显示等，其中噪声的加入是主要的原因。为了抑制图像噪声，改善图像质量，对图像去噪有重要的意义，图像去噪是图像处理领域中的一个重要基础研究课题，具有很大的理论价值和现实意义。

当前，已有较多学者开展了关于图像噪声滤除的研究，其中文献[1]研究了改进的曲率滤波强噪声图像去噪方法，该方法主要针对强噪声图像中强噪声斑点的特点，通过添加局部方差的正则能量，修正正则能量函数，使其约束条件更为合理，提高了算法的去噪性能；文献[2]研究了基于模糊推理的图像椒盐噪声自适应滤波算法，它主要是对图像像素进行模糊划分，通过在滤波过程中计算方向指数和平均偏差，建立模糊隶属度函数来生成噪声图，实现图像混合噪声的去除。上述研究对数据图像具有一定的去噪效果，但是存在去除效果差的问题，为此设计对抗网络数字图像混合噪声滤除算法，结合虚拟现实技术已解决目前存在的问题。实验结果表明，通过此次研究的数字图像混合噪声滤除算法有效提高了噪声去除效果。

2 对抗网络数字图像混合噪声滤除算法

2.1 对抗网络数字图像边缘检测

图像边缘检测是图像解释和信息提取的基础，图像边缘实际上是对抗网络数字图像灰度变换的关键所在，为此在对抗网络数字图像混合噪声滤除之前对对抗网络数字图像边缘检测。利用灰度关键度结合虚拟现实技术判别信息在图像中的变换[3]，为了完成对抗网络数字图像边缘检测，虚拟现实技术需要将计算机图像系统与各种显示、控制等接口设备相结合，在计算机上生成环境。使用者能进入此虚拟环境，与环境完成互动，使用者能透过视、听、触等动作来感知环境，并在环境中完成相关动作，产生互动虚拟环境视景模拟，可以有效地辅助图像噪声滤除和模式识别。边缘检测流程如图1所示。

图1 边缘检测流程

在边缘检测过程中，采用Canny 边缘检测算法进行图像边缘检测，利用传统卷积模板和图像像素间的卷积来选择梯度幅度[4]，Canny传统的卷积2的模板分别是水平的和垂直的[5]，卷积模板表示为

(1)

梯度幅值为

(2)

将梯度方向表示为

(3)

式中，Gx、Gy分别代表图像像素点，G(x，y)代表图像中心像素点。

为了进一步完善确定对应的边缘[6]，需要保留梯度最大的点，抑制非极大值的点，为此采用如下计算方法进行解决：

N(x，y)=NMS(G(x，y)，ζ(x，y))

(4)

式(4)中，N(x，y)代表非极大值抑制后的图像，ζ(x，y)代表抑制区域。

利用上述计算方法确定图像边缘，完成对抗网络数字图像边缘检测。

2.2 对抗网络数字图像预处理

在上述图像边缘检测的基础上，对图像预处理。对抗网络数字图像是由数组表示的图像，这个阵列中的每个元素都称为像素。像素是对抗网络数字图像的基本元素，它通过对二进制数序列的某种规则，如模拟、数字转换等来表示图像中每一点的信息[7]。由于当前计算机所能处理的信息必须是数字信号，而照片、图画、场景等原始信息都是连续的模拟信号，因此对抗网络数字图像处理的第一步是将连续的图像信息转化为数字形式[8]。结合虚拟现实技术将图像按照等间距形式对图像进行采样，采样后得到M行，N列的点阵，则将图像列成M×N的矩阵，在该矩阵中每个点都对应着对抗网络数字图像中的一个元素，将其称为像素。即该图像中具有M像素、N像素的图像，则将对抗网络数字图像F记作

fM×N(x，y)

(5)

由于图像中采样点众多，其直接影响图像采样后图像的质量，为此以一维信号为例，将其记作

(6)

式(6)中，t代表采样间隔，iT代表采样时间，f代表采样频率。

在此基础上，对其量化处理，其处理公式如下所示

f(x，y)=[Lmin，Lmax]/qi*L

(7)

式(7)中，L代表亮度值，[Lmin，Lmax]代表图像灰度级范围，qi代表图像i区间对应的亮度值。

基于上述过程完成对图像的预处理操作，为图像噪声判断与去除提供基础。

2.3 对抗网络数字图像混合噪声判断

基于上述过程对图像预处理的基础上，对对抗网络数字图像混合噪声判断，目的是区别信号点与噪声[9]。结合虚拟现实技术采用两极门限检测法进行处理[10]，其处理窗口如图2所示。

图2 窗口像素标记

在该窗口中，根据判断位置逐点移动窗口，以在图像中遍历各个像素点，将其算法表示为

(8)

式(8)中，α代表阈值，xi，j代表中心像素点。

基于上述过程能够将噪声点与正常信号进行区分，并能够减少漏判现象的发生，能够较好地保护图像细节[11]。

在此基础上，结合虚拟现实技术对检测出的噪声进行分类处理，将上述检测完成的噪声图像的数学模型记为

v(i)=u(i)+n(i)

(9)

式(9)中，u(i)代表原始图像噪声，n代表高斯噪声。

将噪声图像的概率密度函数记作

(10)

式(10)中，z代表图像像素点的灰度值，μ代表z的期望值，σ代表像素标准差。

通过上述计算能够反映一幅图像中出现灰度的概率，完成对图像噪声的判断。

2.4 对抗网络数字图像混合噪声滤除

在上述基本工作完成后，对对抗网络数字图像混合噪声滤除，在这一部分主要采用小波阈值方法对其进行解决。小波阈值去噪方法主要是利用小波变化选择合适的小波基对图像噪声多层分解，通过对小波系数的分解，得到高频信号分量和低频信号分量。将小波高频系数分量与相应的阈值函数和阈值准则相结合，通过保留有效低频信号系数，结合虚拟现实技术重构出有效低频信号的小波系数和阈值高频信号系数，得到去除噪声后的新图像。算法流程如图3所示。

图3 小波阈值去噪方法去噪流程

基于小波变换的实用性和自适应性，小波可以应用于很多领域，但是在处理含有二维信息的信号时，一维连续小波缺乏相应的分量。该方法不适用于一维信号处理对象，一般图像和计算机视觉信息都是二维的。所以二维连续小波变换在二维信号处理方面有很好的应用前景。基于上述分析，将连续小波函数表示为

Wf(a)=f(x，y)×(bx，by)

(11)

式中，f(x，y)表示小波函数值，bx、by分别代表在图像x、y轴上的平移量。

由于在去噪过程中，对噪声图像的理解与分析会造成较大的干扰，为此对阈值进行选择，其公式为

(12)

式(12)中，δ代表噪声的标准方差，s代表图像尺寸。

而在小于阈值的系数中可能还存在少于噪声系数，为此在小于上述阈值函数的小波系数加入新的处理函数，将其表达为：

(13)

式(13)中，k代表软阈值函数，e代表阈值优化参数，t代表阈值有效系数。

在此基础上通过阈值对高频小波系数进行处理，处理公式为

(14)

式(14)中，yij代表表示硬阈值处理小波系数后输出的函数值，xvj代表噪声图像分解的未处理的小波系数。

在上述阈值选择的基础上，对图像进行滤波处理[12]，小波变换的特点就是对图像轮廓进行概括与区分描述，将图像的细节信号表示为

(15)

依据区分描述结果，对噪声滤除，其表达式为

G(u，v)=H(u，v)×F(u，v)

(16)

式(16)中，F(u，v)代表经过变换后的噪声图像，G(u，v)代表经过低通滤波之后的频率域的图像，H(u，v)代表低通滤波器。

通过上述过程对含噪声的图像进行低频与高频的分解处理，通过对其分解与阈值化的处理，得到重构图像信号，以此完成对抗网络数字图像混合噪声的滤除。

3 仿真分析

为了验证此次研究的对抗网络数字图像混合噪声滤除算法的有效性，进行实验对比，并将传统的改进的曲率滤波强噪声图像去噪方法、基于模糊推理的图像椒盐噪声自适应滤波算法与此次研究的噪声滤除方法对比，对比三种方法的有效性。

由于客观评价方法在很大程度上限制了图像的其它因素，图像的直观性只能反映清晰度，而不能提取区域信息。所以，图像处理质量的评判标准往往是量化评价指标，为此提出以下评价指标：均方误差、峰值信噪比、结构相似度。将这三个指标作为此次实验的评价指标，详细对比结果如下所示。

3.1 均方误差对比

均方误差，该值是纯净图像与处理后图像像素之间的差值，通过均方差的数值大小表示图像失真程度

(17)

利用上述计算法方法对比改进的曲率滤波强噪声图像去噪方法、基于模糊推理的图像椒盐噪声自适应滤波算法与此次研究的方法在图像去噪后的均方误差，其对比结果如图4所示。

图4 均方根误差对比

通过图4可知，经过此次研究的对抗网络数字图像混合噪声滤除算法滤除后的图像，均方根误差情况较传统两种方法的均方根误差低，证明此次研究的滤除算法在噪声滤除后也能够较好地保留图像信息。

3.2 峰值信噪比对比

峰值信噪比，该对比指标也是评价图像噪声滤除效果的方法之一，该值越大代表图像质量越好，其表达式为

(18)

对比三种方法噪声去除后的峰值信噪比，其对比结果如图5所示。

图5 峰值信噪比对比

分析图5可知，传统两种的改进的曲率滤波强噪声图像去噪方法、基于模糊推理的图像椒盐噪声自适应滤波方法处理后的图像峰值信噪比较低，低于此次研究的对抗网络数字图像混合噪声滤除算法滤除后图像的信噪比，可见传统两种方法的滤除效果没有此次研究的方法的滤除效果好。

3.3 结构相似度对比

结构相似度对比，该评价指标主要从亮度、对比度、结构等方面考察图像评价指标，其基本思路为用纯净图像进行亮度、反差和结构等方面的测试，然后比较两幅图像中所获得的相同指标的对应数量，得出比较差异，再通过各方向指标的空间整合，得出结构相似度的值，表达式为

SSIM[f(x，y)，f(xi，yi)]=1，MAXSSM=1

(19)

传统两种方法与此次研究的对抗网络数字图像混合噪声滤除算法处理后图像结构相似度对比结果如图6所示。

图6 结构相似度对比

通过图6可知，此次研究方法处理后的图像结构相似度较高，效果好于传统两种方法。证明经过此次研究的对抗网络数字图像混合噪声滤除算法滤除后，图像噪声痕迹残留较少，并且在滤除后能够保证较为清晰的图像细节。

综上所述，此次研究的对抗网络数字图像混合噪声滤除算法的滤除效果好于传统两种方法，原因是此次研究的图像混合噪声滤除算法首先对图像边缘进行了检测，并对图像进行了检测与噪声判断，从而取得了较好的对抗网络数字图像混合噪声滤除效果，具备一定的实际应用意义。

4 结束语

设计了一个对抗网络数字图像混合噪声滤除算法，并通过实验验证了此次研究的滤除算法的有效性。通过此次研究的算法有效提高了噪声滤除效果，并能够很好地保留图像细节信息，满足了对抗网络数字图像混合噪声滤除算法的设计需求。并得到以下结论：

1)分析滤波的优缺点，采用小波去噪算法进行了分析，并介绍了其相关知识与原理，并通过实验验证了小波去噪算法的有效性；

2)采用Canny 算法对图像进行了边缘检测与重构平均，进一步提高了含噪图像的检测效果。

但由于研究部时间与研究条件的限制，所提算法难免存在一定的不足，为此在后续研究中需要进一步分析。当前边缘检测算法较多，在后续研究中可以引入更多的检测算法，以获得效果更好的噪声滤除效果。