刘婷 闵慧 刘金花

摘要：原有图像处理方法的收缩维度过大，在图像切割过程中难以平衡到各个噪点位置，导致在图像去噪过程中丢失图像原始信息，需要反复对比去噪后的图像与原始图像，增加图像的去噪时间。深度学习在处理实际问题中发挥了巨大作用，可以通过各种智能技术手段，对信息图像进行处理，从而帮助人们更好地观察事物，采取较为正确的行动，研究监督性机器学习算法在图像去噪中的应用方法。在多点位设置图像噪点分隔节点的基础上，采用监督性机器学习算法，构建图像的噪点提取模型，聚类理论筛选噪点完成图像去噪，完成监督性机器学习算法在图像去噪中的应用方法设计。实验结果表明：以动物图像为测试对象，分别将其内部包含的噪点含量进行检测，采用原始方法和该文方法进行对比，能够得到与原始图像相一致的结果，并在图像不失真的前提下，能够将图像的去噪时间控制在1.26s之内，而原始方法平均需要21.32s和16.24s，说明该文方法能够提高去噪效率，具有实际应用效果。

关键词：监督性;机器学习算法;图像去噪;原始图像

中图分类号：TN918.1   文献标识码：A

文章编号：1009-3044（2022）16-0081-03

图像在拍摄过程中或者传输过程中，极容易受到外界环境的影响，在图像中产生噪点信息，而当图像被噪声破坏后，无法再利用其进行后续的实物操作，需要对其进行精准的噪声去除。在信息技术不断发展的势态下，各种各样的智能化算法被应用于图像去噪中，其中利用小波分析和线性方程，进行图像去噪被广泛应用在各个行业中。在不同的算法和技术手段中，延伸了多种图像去噪模型，均能够在获取图像时对其内在的噪声信息进行剔除。而原有算法或者原有模型在图像去噪过程中，更偏重图像的应用效果，因此在对图像边缘信息处理上，不够细致和精准，常常出现处理后的图像与原始图像，对应点数据信息不匹配的程度，延长了图像的去噪时间，但去噪结果非常明显[1]。

因此想要更高效地进行图像去噪，既保证图像的应用效果，又能够缩短图像的去噪周期，需要对原有去噪算法和方式进行优化处理，从而提出一种更适应于现阶段图像处理的新方法。根据原有算法的大量计算步骤，引入监督性机器学习算法，能够在数据快速交替的过程中，对原始图像保留有印象和特征，在后续去噪时能够以其为基础进行数据监督，在保证去噪效果不变的基础上，能够减少与原始图像比对的时间周期。本文以此为基础，研究监督性机器学习算法在图像去噪中的应用方法，将机器学习理论和图像去噪相结合，为保证图像去噪效果和去噪时间提高理论支持，以此提高图像的去噪效率。

1监督性机器学习算法在图像去噪中的应用方法

1.1多点位设置图像噪点分隔节点

对原始图像中噪点进行去除，需要在保证原始图像不被破坏的基础上，对其噪点进行多角度和多层次的筛选，以此完成较为真实图像的结构叙述。采用多层级的网络结构，对需要去噪的图像进行分隔，按照不同的顺序结构设置噪点分隔节点[2]。

其中对图像设置的层级可以看作是一个神经网络的变形，记载每个层级中的噪点数量，都能够被称为随机的变量神经元。每个层级之间的噪点神经元，能够通过其自身的权值进行连接，在不破坏图像结构的基础上，进行没有隶属性质的噪点特征描述和调整。

在没有隶属性质的噪点特征描述过程中，会将图像信息进行大量的无样本标记，即利用多层级的神经网络展示特性，在多个层级内首先做出噪点分隔的第一次权值量、按照初步确定的层级权值，再将带有指向性的噪点描述格式，引入图像的不同结构层次内，进行从低到高或者从内向外的顺序，对图像网络层结构进行依次标记。当图像被按照网络层级的形式划分完毕后，按照最大的判别属性将噪点设置为暴露目标，在不断的分隔过程中进行权值调整[3]。

利用网络层级的权值特性，能够在原始图像中对其包含的字符和信息进行监测，能够识别出原始图像中的色彩比例，以及组成该组图像的重要元素。利用大量的无标记样本选择，在对图像进行节点分隔时，能够将内在包含的噪点信息设置为特殊的特征属性。以此在监督性机器学习的算法下，构建对原始图像噪点的提取模型，对分隔完成的图像噪点按照顺序进行依次分离。

1.2监督性机器学习算法构建噪点提取模型

通过对选择图像中的噪声分布节点进行管控，并利用监督性机器学习算法，建立一个噪点的提取模型，能够在对图像的本质上，进行详细的噪声分析。在典型的机器学习过程中，能够利用特征表达法和分类的处理方式，对不同的事物进行特征信号表达，按照内部分类器的处理模型，选择输出的数据结果。以监督性机器学习的内在框架，对图像的噪点特征进行目标的识别和标记[4]，具体过程如图1所示。

根据图1中内容所示，在机器学习的过程中，其对特征的表达选项，能够直接按照结构框架直接输出，在获取图像时，能够在视觉框架下对输入的图像进行全方位扫描。通过特征表达的形式对不同的噪点节点进行分析，进入到机器学习的分类器中，按照不同的特征指令进行数据输出。

以图像的轮廓保持状态为基础，在不改变图像边界清晰度的基础上，假定图像的噪声特征点内包含有的数据信息，只受到一种外界因素影响，以此设定图像中噪声特征点数量的计算公式，表达式为：

[Z=B+C]                                      （1）

公式中：提取模型中獲取的总计图像噪点数量，用[Z]来表示，图像中原始的表达信号用[B]来表示，图像中能够被显示出来的噪声信号用[C]表示。在对原始图像信息的特征元素和提出的噪声点信息元素进行对比的过程中，能够实现输入图像的显示预处理。将图像中包含的噪点信息进行统计，按照不同的分隔节点位置的分布结果，对噪点数据进行筛选完成多层次的图像去噪[5]。

1.3聚类筛选噪点完成图像去噪

噪声信号的提取过程是一个相互转化的流程，在监督性机器学习算法的理论模型中，能够直接对图像中的所有特征点进行提取，并按照顺序将扫描获得的噪点信息进行分类处理。一般情况下去图像的噪点提取完毕后，需要对不同的噪点类型进行筛选，再按照类型标准选择对应的去噪方式，综合完成图像中不同特征点的去噪效果。由于图像的拍摄方式不同，在不同的外界因素条件下，展示出来的图像效果也不一致，图像的噪点可能受光线影响，也可能受拍摄人物的特性影响，因此在对噪点特征提取完毕后，必须对噪点信息进行筛选[6]。

以聚类分析的方式对提取的噪点进行分析，能够在相类似的噪点数据中，进行大范围的初选的标记，即在同类型的噪点特征中，能够根据较为明显的特征实现自动分类。常规条件下对静态事物的噪点去除效果，更加简单清晰，只需要对图像内的光线和颜色进行调整即可。而对于动态的事物或者人物，需要在保留内在事物的线条基础上，通过外界因素的不断调整，以此达到真实图像的还原全过程。在多点位设置图像噪点分隔节点的基础上，采用监督性机器学习算法，构建图像的噪点提取模型，聚类理论筛选噪点完成图像去噪，完成监督性机器学习算法在图像去噪中的应用方法设计。

2实验测试与分析

为验证本文设计的方法具有实际应用效果，能够在图像去噪过程中，不改变原始图像中的数据信息，从而提高图像的去噪时间，采用实验测试的方法进行多轮论证。实验测试分为两个阶段，第一阶段为测试不同方法的去噪效果，即在同样的图像中，将内部包含的噪点进行剔除，是否能够不对图像进行破坏。第二阶段为不同方法的去噪时间，即在图像噪点全部剔除完毕后，不同方法所用的时间结果。测试开始前引入两组传统方法作为对比，选择一组图像作为测试对象，为保证图像中的噪点来源较为真实，以动物拍摄过程的取景为样本，截取一组图片，具体如图2所示。

根据图2中内容所示，在选择的样本图像中，能够明确地看出不清晰之处，主要是在动物拍摄过程中，无法避免动物的运动属性，在其奔跑过程中进行抓拍会产生失真现象，符合实验测试标准。为保证不同方式的测试结果，能够在公平的过程中进行比较，此次选择的拍摄图片会在电视中进行呈现，以此将截取的图像样本，与电视播出效果进行比对，并将展出的图像结果导入至MATLAB测试平台中。

利用得到的真实去噪图作为效果示例，依次将三种不同的去噪方法连接在测试平台中，分别对选择的图像样本进行去噪处理，并将去噪完成的图像与示例效果进行比较，对比不同方法下图像的去噪结果。此次去噪效果的比对只针对第一次去噪动作，即在不同方法首次完成去噪后，直接进行图像去噪效果的对比，具体如图3所示。

根据图3中内容可知，在选择的截图样本数据中，其在电视台的展出效果颜色较为明朗，且对动物的身形显示非常清晰，完整地保留了动物的身形特征。将几种方式去噪的结果与其进行对比，发现本文方法所得的图像基本上，与电视台的展出效果一致，无论是动物的身形特征，还是外界的颜色均较为明朗。而两组传统方法虽然将样本中的模糊点，进行了有效的噪点去除，在对动物身形边缘处理上，存在一些模糊的边界，虽然没有非常的明显，但经过图像的无数次方法处理后，会变得非常不清晰。且两组传统方法下图像的外部环境颜色较暗，与电视的播出效果存在一定差距，说明本文方法的去噪效果更加明显，效果更好。

为进一步研究不同方法的去噪时间，以上述图像作为测试对象，在保证所有噪点全部去除后，且图像的信息仍保存完整的条件下，对比不同方法的去噪所用时间。根据上文测试结果，在两组传统方法下对样本图像的处理，存在一定的模糊边界点，因此需要进行第二次的图像去噪，在其得到与展出效果相一致的图像后，重新导入测试平台进行对比。此次测试不展示传统方法的多轮去噪结果，实际测试过程中两组传统方法能够得到真实图像，以此对比不同方法下的图像去噪时间，具体如表1所示。

根据表1中内容所示，不同方法下对图像的去噪時间不同。在本文方法的应用下，能够将图像的去噪时间控制在1.26s，主要是由于本文方法能够一次性完成图像去噪，且效果非常明显。原始方法的去噪时间，平均需要21.32s和16.24s，是由于其不能一次性完成图像去噪，需要在多轮反复操作中进行去噪，增加了图像的去噪时间。

综合实验结果：在本文方法和原始方法的对比过程中，本文方法的图像去噪时间，较比原始方法分别缩短了20.06s和14.98s，能够有效提高去噪效率，具有实际应用效果。

3结束语

本文以机器学习算法的理论作基础，研究监督性学习的方法步骤，以此在二者相结合的方式下，提出了监督性机器学习算法的去噪方法，进行不同类型的图像去噪。实验结果表明：以两组动物图像为测试对象，分别将其内部包含的噪点含量进行检测，采用原始方法和本文方法进行对比，在图像不失真的前提下，本文方法能够将两组图像的去噪时间控制在1.26s，而原始方法平均需要21.32s和16.24s，说明本文方法能够提高去噪效率，具有实际应用效果。

但由于本人的研究时间有限，在测试过程中对图像样本的选择具有局限性，没有从多个角度下进行筛选，所得结果存在一定的偏差。后续研究中会进一步改变不足之处，利用大量的图像样本进行参考，分析机器算法的图像去噪效果，更深层次地研究不同去噪方法的优势和不足，为图像的处理提供更标准的理论支持。

参考文献：

[1] 梅玲，苟双全.一种加权中值滤波算法在医学磁共振图像去噪中的应用[J].延边大学学报（自然科学版），2021，47（4）：365-369.

[2] 张浩，汪德义.基于半监督机器学习算法的智能电网调度控制系统健康度评价[J].电气自动化，2021，43（5）：97-100.

[3] 龚丽文，陈丽娟，黄世源.机器学习算法在发震构造形态特征及地震迁移规律研究中的应用前景[J].地震地磁观测与研究，2021，42（2）：217-218.

[4] 杜渺勇，于祥雨，周浩，等.基于自编码卷积神经网络的图像去噪算法[J].杭州师范大学学报（自然科学版），2021，20（1）：95-101.

[5] 朱柯睿，周瑞鑫，康世举，等.两种监督机器学习算法在Fermi BCU分类评估中的应用[J].云南师范大学学报（自然科学版），2019，39（5）：1-5.

[6] 李彩红，张慧娥，申海杰.K-means无监督机器学习算法在心脏CT图像分割中的应用[J].电脑知识与技术，2019，15（1）：212-213.

【通联编辑：朱宝贵】