基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的ccd噪聲濾波方法

基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的ccd噪聲濾波方法

隨著經(jīng)濟(jì)和社會的發(fā)展，環(huán)境質(zhì)量在經(jīng)濟(jì)和社會建設(shè)中發(fā)揮著越來越重要的作用。環(huán)境質(zhì)量的廣泛應(yīng)用對遙感數(shù)據(jù)的精度提出了更高的要求。由于遙感衛(wèi)星直接暴露在復(fù)雜的宇宙環(huán)境中，沒有地球?qū)拥谋Ｗo(hù)，遙感衛(wèi)星電子郵件設(shè)備的性能容易受到宇宙射線和高科技顆粒的影響，從而影響遙感數(shù)據(jù)的精度。此外，在傳輸過程中，電子耦合器也會受到空間環(huán)境的影響，降低數(shù)據(jù)質(zhì)量。電子通信裝置（chargacouperdevice）將入射光子轉(zhuǎn)換為電子，通過電子線路將特定區(qū)域（像素）上的電子轉(zhuǎn)移到特定區(qū)域，然后轉(zhuǎn)移到片內(nèi)電子顯微鏡，并將其轉(zhuǎn)換為電壓。模擬數(shù)字兌換后的數(shù)字信號可以反映接收點入射光的強(qiáng)度，并獲得相關(guān)點信息。這是遙感衛(wèi)星中最常用的數(shù)字圖像采集設(shè)備。根據(jù)貓皮的同步脈沖分布規(guī)律，引入了脈沖分布模型，并在驗證猴皮時也會使用該模型。對于csc給出的模型變形，可以獲得具有思維邏輯和相位信息的脈沖神經(jīng)網(wǎng)絡(luò)模型（pcni）。嚴(yán)格地說，中國的實際生物細(xì)胞模型與pc氮的模型一致。在這項工作中，我們使用了基于cd噪聲和pc氮的特征的pcni并將pc氮引入cc噪聲過濾方法。結(jié)果表明，pc氮方法對sd噪聲的過濾效果較好。1cd的特性與響應(yīng)CCD的暗流、數(shù)據(jù)讀出噪聲、像素大小、每個像素中的滿井電荷數(shù)、A/D轉(zhuǎn)換器的位數(shù)、CCD動態(tài)范圍以及CCD零響應(yīng)偏差等原因?qū)D像質(zhì)量都有影響.實際應(yīng)用中,暗流、零響應(yīng)偏差和響應(yīng)不均勻性是重點考慮的影響因素.CCD暗流是指在沒有光照的情況下CCD像素中的電荷積累,和溫度有著極其密切的關(guān)系,隨著溫度的升高快速增加.在極低溫度下CCD暗流可以被忽略,而采用熱電冷卻一般要進(jìn)行暗流校正.由于遙感衛(wèi)星大多采用熱電冷卻,所以將暗流作為一種重要的噪聲來處理,一般是從所獲得的圖像中減去暗流圖像.暗流圖像是指關(guān)閉CCD相機(jī)快門,曝光一定時間后所得的圖像,通常曝光時間和目標(biāo)圖像的曝光時間一樣長.在一定的精度范圍內(nèi)可以認(rèn)為暗流是時間的線性函數(shù),通常采用多幅暗流圖像平均的辦法獲得最終暗流圖像.但這只去除了暗流的直流部分,暗流交流部分的均值可以認(rèn)為是0,方差為某值的高斯噪聲.零響應(yīng)偏差又稱偏移圖像,指快門關(guān)閉不曝光,CCD即刻讀出的數(shù)據(jù).CCD的這種偏移值通常由片內(nèi)放大器造成的,在圖像陣列中具有較低的空間頻率,且不隨時間的變化而變化.一般用多幅偏移圖像的平均值作為偏移圖像.由于暗流圖像中包含了零響應(yīng)偏差,如果進(jìn)行了暗流校正,就不需再進(jìn)行零響應(yīng)偏差校正了.理想情況下CCD應(yīng)將物體的亮度單調(diào)地映射成圖像的灰度級,且在空間上是各向同性的,但由于CCD各像素的響應(yīng)不盡相同,造成在均勻曝光情況下得到非均勻結(jié)果.CCD的響應(yīng)不一致用響應(yīng)模板來校正,波段、獲取目標(biāo)圖像的步驟不同都要進(jìn)行模板校正.響應(yīng)模板即為CCD對一個亮度均勻的發(fā)光體拍照所得的圖像,一般用多張響應(yīng)模板的均值作為圖像校正的響應(yīng)模板.此外,CCD在宇宙射線和高能粒子的影響下還可能會出現(xiàn)壞點,該點不能正常反映對應(yīng)點的灰度值,其對應(yīng)的灰度值不隨對應(yīng)點的光強(qiáng)的不同而改變.CCD的暗流直流分量、零響應(yīng)偏差和響應(yīng)不均勻性的影響可進(jìn)行如下校正,即f(x,y)=C[g(x,y)?md(x,y;n)/n]ge(x,y)?(1)f(x,y)=C[g(x,y)-md(x,y;n)/n]ge(x,y)?(1)式中,f(x,y),g(x,y)分別為校正后和校正前圖像的灰度值;C為物體各點灰度的理論值;m為圖像的曝光時間,s;d(x,y;n)為CCD的ns暗流圖像;ge(x,y)是對一個亮度均勻的物體進(jìn)行曝光得到的實際圖像灰度的平均值.[JP2]完成上述校正后,可以認(rèn)為圖像中所含有的噪聲僅有高斯噪聲和椒鹽噪聲.對于上述兩類噪聲有許多濾除算法,特別是椒鹽噪聲,中值濾波能很好地濾除它;但對于高斯噪聲,難以找到一種有效地濾除方法.[JP]2基于pcnn的噪聲濾除PCNN是由若干個神經(jīng)元互連而構(gòu)成的反饋型網(wǎng)絡(luò),其神經(jīng)元的結(jié)構(gòu)模型如圖1所示.其數(shù)學(xué)表達(dá)式可簡化為Fj[n]=exp(?αF)Fj[n?1]+VF∑kmjkYk[n?1]+Sj?(2)Lj[n]=exp(?αL)Lj[n?1]+VL∑kwjkYk[n?1]?(3)Uj[n]=Fj[n](1+βjLj[n])?(4)Ej[n]=exp(?αE)Ej[n?1]+VE∑k∑lYkl[n?1]?(5)Yj[n]={1Uj[n]>Ej[n],0其他?(6)Fj[n]=exp(-αF)Fj[n-1]+VF∑kmjkYk[n-1]+Sj?(2)Lj[n]=exp(-αL)Lj[n-1]+VL∑kwjkYk[n-1]?(3)Uj[n]=Fj[n](1+βjLj[n])?(4)Ej[n]=exp(-αE)Ej[n-1]+VE∑k∑lYkl[n-1]?(5)Yj[n]={1Uj[n]>Ej[n],0其他?(6)式中,Fj[n],Lj[n],Uj[n],Ej[n],Yj[n],Sj和βj分別為第j個神經(jīng)元的第n次反饋輸出、連接項、內(nèi)部活動項、動態(tài)門限、輸出和第j個神經(jīng)元的外部輸入和連接系數(shù);αF,αL,αE分別為Fj[n],Lj[n],Ej[n]的衰減系數(shù);VF,VL,VE分別為Fj[n],Lj[n],Ej[n]的固有系數(shù);mjk,wjk分別為第j個神經(jīng)元的反饋和內(nèi)部連接權(quán)值,若某個神經(jīng)元的輸出為1時被稱為點火.PCNN用于圖像噪聲濾除時,其神經(jīng)元與圖像像素點一一對應(yīng)且外部輸入為該像素點的灰度值.可看出,當(dāng)每個神經(jīng)元的權(quán)值mjk=0和連接系數(shù)βj=0時,像素的灰度值越高,對應(yīng)神經(jīng)元的點火頻率就越高;而當(dāng)神經(jīng)元的連接系數(shù)βj≠0且mjk≠0和wjk≠0,在每個神經(jīng)元的連接系數(shù)、反饋連接系數(shù)和內(nèi)部連接系數(shù)都相同的情況下,灰度值大的神經(jīng)元先點火,其點火以后將影響其周圍的神經(jīng)元.由式(2)～(4)知,點火神經(jīng)元周圍神經(jīng)元的下一次內(nèi)部活動項的值有所提高,即在網(wǎng)絡(luò)參數(shù)已定的情況下,空間鄰近、灰度值相近的像素對應(yīng)的神經(jīng)元將在同一時間點火,各神經(jīng)元間對應(yīng)的亮度差越小越容易同步點火.當(dāng)某個神經(jīng)元的點火時間與其周圍大部分神經(jīng)元的點火時間不一致時,則認(rèn)為該點有噪聲的影響.可以采取合適的辦法來縮小它們灰度值之間的差距,如用相連神經(jīng)元對應(yīng)灰度的平均值或中間值來代替該點的灰度值.由PCNN神經(jīng)元的數(shù)學(xué)表達(dá)式組可知:在其他參數(shù)已定的情況下,βj越大消除噪聲的能力越強(qiáng),但對圖像邊緣的模糊作用也越強(qiáng),PCNN中的參數(shù)的選擇和確定對噪聲的濾除效果起著很重要的作用,但由于PCNN的復(fù)雜性和理論研究的不足,在具體的應(yīng)用過程中需要根據(jù)噪聲的具體情況來確定PCNN中的參數(shù).本文所用到的基于PCNN的噪聲濾除的算法可簡單描述如下:①輸入原始圖像,暗流圖像和響應(yīng)校正模板;②由式(1)得到包含有椒鹽噪聲和高斯噪聲的待處理圖像;③初始化PCNN網(wǎng)絡(luò)中的參數(shù);④將待處理圖像與PCNN網(wǎng)絡(luò)對應(yīng)起來,計算各神經(jīng)元的點火情況;⑤循環(huán)對圖像中的所有像素對應(yīng)的神經(jīng)元作如下處理:如果某個神經(jīng)元的點火時間和其周圍的大部分神經(jīng)元的點火時間一致則不作處理,否則用與其相連的神經(jīng)元對應(yīng)的像素的灰度值的平均值代替該神經(jīng)元對應(yīng)的像素的灰度值;⑥返回到第4步,直至步驟5中更改像素的個數(shù)小于規(guī)定的個數(shù).3psnr性能表征利用一幅遙感圖像進(jìn)行仿真計算,并將本文所述算法的結(jié)果與中值濾波的結(jié)果進(jìn)行比較.圖2為含有不同噪聲、采用本文所述算法和采用中值濾波的結(jié)果.PCNN網(wǎng)絡(luò)的參數(shù)分別設(shè)為αF=0.1,αL=0.1,αE=1.0,VF=1.0,VL=1.0,VE=100.0,βj=0.01,每個神經(jīng)元的反饋連接權(quán)值和內(nèi)部連接權(quán)值都為1,每個神經(jīng)元和其周圍8個神經(jīng)元相連.中值濾波采用3×3濾波窗口.表1列出了基于PCNN和中值濾波方法的PSNR,PSNR主要反映對噪聲的抑制程度,其定義為PSNR=10lg255×2551MN∑x=0M?1∑y=0N?1|f(x?y)?f′(x?y)|2?(7)ΡSΝR=10lg255×2551ΜΝ∑x=0Μ-1∑y=0Ν-1|f(x?y)-f′(x?y)|2?(7)式中,M,N分別為圖像的行列數(shù);f(x,y),f′(x,y)分別為噪聲濾除前、后圖像的灰度值.仿真計算結(jié)果表明:基于PCNN的CCD噪聲濾除方法比中值濾波方法的效果要好,PSNR平均約高出3.5dB.它不僅對CCD中典型的椒鹽噪聲和高斯噪聲有濾除作用,而且圖像的邊緣也保護(hù)的很好.圖像中噪聲較小時濾波的效果比噪聲大時的濾波效果好,但從表1可以看出,不論是本文給出的濾波方法還是中值濾波方法對高斯噪聲的濾除效果都不是很好,要想更好的濾除高斯噪聲的影響應(yīng)該采取其他方法.此外,由于PCNN的模型