臺灣博碩士論文加值系統

雜訊濾除往往是影像處理工作的第一步，胡椒鹽雜訊是圖像中常見的雜訊。目前已經有很多種去雜訊演算法，如NL-Means均值濾波、中值濾波。儘管這些濾波器都可以對影像做雜訊濾除，但都很可能同時將影像細節也濾除，導致最後影像模糊失真。為了去除雜訊而且減少影像失真，我們使用脈衝耦合神經網路PCNN ( Pulse Coupled Neural Network ) 來去除雜訊。經過PCNN的過濾之後，可以有效的保留圖像細節，去除雜訊。
一般PCNN的運算，都以固定的大小的窗格來處理圖像，也把每個像素的灰度值當作神經元輸入，來計算是否為雜訊。本文將固定大小的窗格，改為動態大小。當窗格內的影像無雜訊時，改進方法會自動放大窗格的大小，來重新計算是否這樣做的效果有無雜訊。
關鍵字：圖像去雜訊、脈衝耦合神經網路PCNN ( Pulse Coupled Neural Network )、雜訊檢測。

Image de-noise is the first step in image processing. Salt and pepper noises are common image noises. There are already many de-noise algorithms， such as the non local means (NL-means)， mean filtering， and median filtering. Although these filters can de-noise images， they may reduce image details at the same time， resulting image blur and distortion. To reduce image blur and distortion after de-noising， we use pulse-coupled neural network PCNN (Pulse Coupled Neural Network) to de-noise images. PCNN can effectively remove noises and preserve image details.
PCNN generally uses a fixed pane size in image de-noise. It uses gray-scale values of pixels as input neurons to calculate whether pixels have noises. In this paper， dynamic sized panes are used instead of fixed sized panes. When there are no noises in a pane， our improved PCNN will automatically enlarge the size of the pane， to recalculate whether there are noises.

Keywords:  Image De-noising， PCNN (Pulse Coupled Neural Network)， detect noise

目錄
謝辭 1
中文摘要 2
Abstract 3
第1章 緒論 8
1-1 背景與動機目的 8
1-2 論文架構 9
第2章 相關研究 10
2-1 類神經網路 10
2-2 PCNN介紹 11
2-3 PCNN 數學式 13
2-4 PCNN 去雜訊方法 14
2-5 中值濾波 15
2-6 側抑制 16
2-7 均值濾波器 (Mean Filter) 17
2-8 NL-Means 18
2-8-1 NL-Means計算方法 19
2-8-2 NL-Means 搜索執行 21
2-9 PSNR 計算 22
2-10 本章小結 23
第3章 PCNN去雜訊改進 24
3-1 PCNN改進方法 25
3-2 去雜訊後處理-側抑制 28
3-3 PCNN數學式改造-增加5x5計算 29
3-4 PCNN去雜訊程式改造 30
3-4-1 改造方法 33
3-4-2 改造步驟-新增陣列 34
3-4-3 改造步驟-新增各別計算 35
3-4-4 改造步驟-新增判斷 37
3-5 影像後處理：側抑制 39
3-6 本章小結 40
第4章 實驗與分析 41
4-1 實驗環境： 41
4-2 實驗與分析- Lena加胡椒鹽雜訊 42
4-2-1 胡椒鹽雜訊結果分析 46
4-2-2 本節小結 48
4-3 高斯雜訊實驗與分析 49
4-3-1 Lena去除高斯雜訊結果分析 53
4-3-2 本節小結 54
4-4 整體分析 54
第5章 結論與未來工作 57
5-1 研究結論 57
5-2 未來研究方向 57

圖目錄
圖 1 PCNN 演算法示意圖 11
圖 2 PCNN 數學式 13
圖 3 3X3 計算示意圖 14
圖 4 中值濾波範例 15
圖 5 Hermann圖例 16
圖 6 九宮格像素輸入 17
圖 7 NL-Means 示意圖 18
圖 8 NL-Means 搜索像素示意圖 21
圖 9 PCNN 3x3偵測 25
圖 10 PCNN擴張偵測 26
圖 11本文 PCNN新方法 27
圖 12 側抑制輸入方法 28
圖 13 3X3計算去雜訊程式碼 32
圖 14 PCNN 3X3 演算法示意圖 32
圖 15 新增5x5陣列 34
圖 16 神經元輸入改造圖 35
圖 17 加入UFIVE與LFIVE計算 36
圖 18 Pulse 判斷 38
圖 19 側抑制程式碼 40
圖 20胡椒鹽雜訊Lena 圖 42
圖 21 Lena 原圖 43
圖 22 Lena 雜訊強度0.7 + 改進型PCNN 去雜訊 44
圖 23 Lena 雜訊強度0.7 + NL-Means去胡椒鹽雜訊s 44
圖 25 Lena 雜訊強度0.6 + 改進型PCNN去胡椒鹽雜訊 45
圖 26 Lena 雜訊強度0.6 + 原始PCNN 去胡椒鹽雜訊 45
圖 27 Lena 雜訊強度0.5 + 改進型PCNN去胡椒鹽雜訊 47
圖 28 Lena 雜訊強度0.5 + NL-Means去胡椒鹽雜訊 47
圖 29 加入高斯雜訊的Lena圖 49
圖 30 Lena 雜訊強度0.1 + 改進型PCNN 去高斯雜訊 50
圖 31 Lena 雜訊強度0.1 + PCNN 去高斯雜訊 50
圖 32 Lena 雜訊強度0.7 + 改進型PCNN去高斯雜訊 51
圖 33 Lena 雜訊強度0.7 + NL-Means去高斯雜訊 51
圖 34 Lena 雜訊強度0.7 + PCNN去高斯雜訊 52
圖 35 Lena 雜訊強度0.7 + 改進型PCNN去高斯雜訊 52
圖 36去除胡椒鹽雜訊圖表分析 55
圖 37圖表分析高斯雜訊 56

表目錄
表 1 去除胡椒鹽雜訊結果分析 46
表 2 去除高斯雜訊結果分析 53

參考文獻
[1] Eckhorn R.Feature, “linking via synchronization among distributed assemblies”, simulation of results from cat cortex. Neural Computation, 1990, 2（3）：293-307.
[2] Johnson J L, “Padgett M L.PCNN models and applications”, IEEE Trans on Neural Networks, 1999, 10（3）：480-498.
[3] Jean-Michel Morel , “A non-local algorithm for image denoising”, IEEE Computer Society Conference, 2005, 60 – 65 vol. 2.
[4] Minakshi Kumar, “Digital Image Processing”, Satellite Remote Sensing and GIS Applications in Agricultural Meteorology, July 2003, 3rd ed. Chapter 3 Chapter 5f.
[5] 張軍英, 盧志軍, 石林, 等.[基於脈衝耦合神經網路的椒鹽雜訊圖像濾波], 中國科學E輯：資訊科學，2004，34（8）：882-894。
[6] 劉遠民, 秦世引.[一種新的基於PCNN的自我調整強去噪方法], 北京航空航太大學學報, 2009, 35（1）：108-112。
[7] 顧曉東, 郭仕德, 餘道衡.[一種基於PCNN的圖像去噪新方法], 電子與資訊學報, 2002, 24（10）：1304-1309。
[8] 王紅梅, 李言俊, 張科.[一種改進型椒鹽雜訊濾波演算法], 光電子鐳射, 2007, 18（1）：113-116。
[9] 馬義德, 李廉, 綻琨, 等.[脈衝耦合神經網路與數位影像處理], 北京：科學出版社, 2008。
[10] 李保磊, 楊民, 李俊江.[基於改進NL - means演算法的顯微CT 圖像降噪], 北京航空航太大學, 機械工程及自動化學院,北京 100191
[11] 梁爽.[基於生物側抑制機制的神經網路模型研究], 南京航天大學, 2010, Q811:TP183。
[12] 鄒文潔.[基於PCNN神經網路的圖像去噪演算法研究], 電腦模擬, 2008, 25（8）：234-237。
[13] 姜殿龍, 趙峙江, 張翠翠.[基於簡化型PCNN的圖像混合雜訊濾波方法], 哈爾濱工程大學資訊與通信學院, 黑龍江哈爾濱150001。