粒子群优化的最佳阈值选取

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (26): 32-35.

粒子群优化的最佳阈值选取

邓承志1，2

1.南昌工程学院计算机网络与信息安全研究所，南昌 330099
2.南昌工程学院信息工程学院，南昌 330099

出版日期:2012-09-11 发布日期:2012-09-21

Optimal threshold based particle swarm optimization

DENG Chengzhi1，2

1.Institute of Computer Networks and Information Security, Nanchang Institute of Technology, Nanchang 330099, China
2.School of Information Engineering, Nanchang Institute of Technology, Nanchang 330099, China

Online:2012-09-11 Published:2012-09-21

摘要/Abstract

摘要： 选取最佳的收缩阈值是变换域收缩去噪的关键。针对Shearlet变换域图像收缩去噪的阈值选取问题，提出了基于粒子群优化的最佳阈值选取算法。建立了Shearlet变换域最佳阈值选取的广义交叉验证准则；以广义交叉验证准则为适应值函数，利用粒子群优化算法自适应地确定出与Shearlet尺度和方向匹配的最佳阈值。算法不依赖任何的先验知识，实现Shearlet变换域图像自适应去噪。仿真结果表明，最佳阈值能够更有效地去除噪声，获得更好的视觉效果。

关键词: 收缩去噪, Shearlet变换, 粒子群优化, 广义交叉验证

Abstract: The key challenge of transform based shrinkage denoising is to find the optimal threshold value. Aiming at the Shearlet based shrinkage denoising, optimal threshold selection method based particle swarm optimization is proposed. Generalized cross validation for optimal threshold is derived in Shearlet domain. Using the generalized cross validation as fitness function, the optimal threshold associated with Shearlet scale and direction is adaptively determined by particle swarm optimization. The threshold selection method does not rely on any prior knowledges, is an adaptive method. Simulation results show that the optimal threshold can reduce the noise effectively, achieve the more satisfied visual quality.

Key words: shrikage denoising, Shearlet transform, particle swarm optimization, generalized cross validation

邓承志1，2. 粒子群优化的最佳阈值选取[J]. 计算机工程与应用, 2012, 48(26): 32-35.

DENG Chengzhi1，2. Optimal threshold based particle swarm optimization[J]. Computer Engineering and Applications, 2012, 48(26): 32-35.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	王洁，金正猛，冯灿. 自适应广义全变差的图像泊松去噪算法[J]. 计算机工程与应用, 2021, 57(20): 203-209.
[6]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[7]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[8]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[12]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[13]	刘祎，高净植，桂志国. 基于NSST域卷积神经网络的低剂量CT图像恢复[J]. 计算机工程与应用, 2019, 55(23): 209-215.
[14]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[15]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.