一种基于模糊神经系统的图像去噪方法

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (3): 85-87.

一种基于模糊神经系统的图像去噪方法

徐皓

辽宁大学信息科学与技术学院，沈阳 110036

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-21 发布日期:2008-01-21
通讯作者: 徐皓

Neuro fuzzy system-based image de-noising method

XU Hao

College of Information Science and Technology，Liaoning University，Shenyang 110036，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-21 Published:2008-01-21
Contact: XU Hao

摘要/Abstract

摘要： 提出一种对含有高斯噪声的数字图像的去噪方法，这种方法能够增强高斯噪声滤波器的性能，减少去噪对图像造成的模糊和失真。设计了一个模糊推理系统（FIS），并利用ANFIS训练这个FIS。通过训练可以调整、优化FIS的内部参数值。训练图像数据由计算机程序自动生成。优化后的FIS即可处理输入的图像数据，产生增强的图像。从结果图像的视觉效果和量化标准两方面的实验和分析，可以看出这种方法可基本消除高斯噪声滤波器产生的模糊和失真，提高滤波器性能。实验表明模糊神经系统可以应用于图像去噪问题。在合理地选择隶属度函数、规则和训练数据的前提下，会产生明显的图像增强效果。

关键词: 模糊神经系统, 高斯噪声, 滤波器, ANFIS

Abstract: A method of de-noising a digital image contaminated by Gaussian noise is presented.This method can improve the performance of current Gaussian noise filters，reduce the blurring effect caused by filters.A Fuzzy Inference System（FIS） is properly designed and it is trained by ANFIS.The internal parameters of the FIS is adjusted and optimized through training.The training image data is generated automatically by computer programs.The optimized FIS can process the input data，produce enhanced images.The output images and the calculations show that this method can reduce blurring effects and improve the filter performance.Neuro fuzzy system can be used in image de-noising problems.If the membership functions，rules and training data are properly selected，this method can combine with other filters and enhance their performance.

Key words: neuro fuzzy system, Gaussian noise, filter, ANFIS

徐皓. 一种基于模糊神经系统的图像去噪方法[J]. 计算机工程与应用, 2008, 44(3): 85-87.

XU Hao. Neuro fuzzy system-based image de-noising method[J]. Computer Engineering and Applications, 2008, 44(3): 85-87.

[1]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[2]	王国屹，孙永荣，吴雷，曾庆化. 分块检测尺度自适应的圆形目标相关跟踪[J]. 计算机工程与应用, 2020, 56(8): 177-184.
[3]	王思奎，刘云鹏，亓琳，张钟毓，林智远. 基于背景约束与卷积特征的目标跟踪方法[J]. 计算机工程与应用, 2020, 56(8): 205-214.
[4]	李俊彦，宋焕生，张朝阳，侯景严，武非凡. 基于视频的多目标车辆跟踪及轨迹优化[J]. 计算机工程与应用, 2020, 56(5): 194-199.
[5]	刘剑锋，李瑞华，刘垚圻，苏泳涛，胡金龙. 无线通信中的信噪比估计算法研究[J]. 计算机工程与应用, 2020, 56(18): 82-89.
[6]	贺军义，杨丰，安葳鹏，尚家泽. 基于IGGIII方案的自适应渐消卡尔曼滤波器[J]. 计算机工程与应用, 2020, 56(14): 52-56.
[7]	潘荣敏，袁杰，王宏伟，米汤. 融合深度信息的移动机器人跟踪方法研究[J]. 计算机工程与应用, 2020, 56(14): 161-168.
[8]	卢航，郝顺义，彭志颖，黄国荣. 基于MCC的鲁棒高阶CKF在组合导航中的应用[J]. 计算机工程与应用, 2020, 56(1): 257-264.
[9]	苗露，冯新喜，迟珞珈. 基于GGIW-CPHD的衍生扩展目标跟踪算法[J]. 计算机工程与应用, 2019, 55(9): 118-123.
[10]	吴刚1，2，曾晓勤2，王池社1，苏守宝1. DCNN深度特征与交替方向乘子的相关滤波跟踪[J]. 计算机工程与应用, 2019, 55(8): 157-163.
[11]	郑银环1，王备战2，王嘉珺2，陈凌宇2，洪清启2. 深度卷积神经网络应用于人脸特征点检测研究[J]. 计算机工程与应用, 2019, 55(4): 173-178.
[12]	付佳，田婷，唐铭，何凌，尹恒. 结合PECGTFs和SSMC的腭裂语音咽擦音自动检测算法[J]. 计算机工程与应用, 2019, 55(24): 102-109.
[13]	杨松1，2，3，李盛阳1，2，邵雨阳1，2，郑贺1，2，3. 基于改进HOG特征的建筑物识别方法[J]. 计算机工程与应用, 2018, 54(7): 196-200.
[14]	马骏峰1，韩鹏1，2. 基于便携式智能终端的空中鼠标技术研究[J]. 计算机工程与应用, 2018, 54(7): 56-61.
[15]	王剑峰，姜顺，潘丰. 一类网络控制系统的非脆弱耗散滤波器设计[J]. 计算机工程与应用, 2018, 54(7): 114-120.