基于Adaboost算法的图像复原方法.doc

基于AdaBoost算法的图像复原方法 蔡念，金丰，阮恭勤，潘晴，许少秋 （广东工业大学信息工程学院，广州， 510006） 摘要：提出一种基于AdaBoost算法的图像复原方法。采用滑动窗口算法提取图像特征，获得BP网络的输入和目标输出。然后以该BP网络为弱学习器，建立AdaBoost算法模型，应用于图像复原。实验结果表明，该方法比传统的BP神经网络具有更好的复原性能，能够有效地应用于大气湍流图像复原。 关键词：图像复原，AdaBoost，BP神经网络，滑动窗口 Image restoration based on an adaboost algorithm CAI Nian, JIN Feng, RUAN Gong-qin, PAN Qing, XU Shao-qiu (School of Information Engineering, Guangdong University of Technoloy, Guangzhou 510006, China) Abstract: A novel image restoration method is developed based an AdaBoost algorithm. A sliding-window method is employed to extract image features and to obtain the input and output of BP neural network. An AdaBoost algorithm is established for image restoration, in which BP neural network is considered as a weak learner. Experimental results indicate that the proposed method is superior to tradition BP neural network in the field of image restoration and can be applied to restore turbulence-degraded images. Keywords: image restoration, AdaBoost, BP neural network, sliding-window 1 引言 图像复原是数字图像处理领域中的最重要、最基本的研究课题之一，具有重要的理论价值和实际意义。经典的滤波方法如维纳滤波根据图像退化的先验知识建立退化模型来实现复原目的。而在实际中，许多先验知识并不知道的情况下，要获得图像的先验知识需要付出很大的代价，甚至是不可实现的。因此，退化模型未知情况下的图像复原方法研究是图像处理领域中的难题，也是近年来的热点研究之一[1]。 由于迭代盲反卷积（iterative blind deconvolution, IBD）方法避免了一些传统图像复原方法需要已知点扩散函数形式的缺点，而是根据图像的退化模型估计点扩散函数和原始清晰图像，因此国内外研究者予以极大地重视[2-5]。可是，当图像降晰原因非常复杂且很难用一个简单模型来描述时，IBD方法就遇到了一定的困难。而且，IBD方法迭代运算耗时较多[6]。 由于人工神经网络具有自组织、自学习性，并行性处理等特性，神经网络在图像复原领域发挥着重要的作用[6]。其复原方法主要分为两大类，即以Hopfield网络为代表的基于优化求解思想的复原方法和以多层感知器为代表的基于学习拟合思想的复原方法。绝大多数方法都是采用第一种方案，可是此类方法计算量较大。Wang和Cai等基于BP神经网络提出第二种方案的解决思路，并较好地解决了图像复原问题[7]。 Adaboost算法是一种可以将弱学习机训练成强学习机的方法，学习效果要优于传统神经网络，在图像处理尤其是图像识别领域得到越来越广泛的应用。AdaBoost算法在分类问题上取得了很多研究成果，可是研究回归拟合问题较少。基于前期研究，提出一种基于AdaBoost算法的图像复原方法。采用滑动窗口结构来提取特征，获得BP网络的输入和目标输出。然后以BP网络为弱学习器，构造适用于图像复原的AdaBoost算法模型，并应用于大气湍流图像复原。 2 滑动窗口算法 图像中某一点的灰度值在退化过程中与它周围点的灰度值有密切关系，距离越小，这种影响作用就越大，所以具有相同灰度值的像素点，如果其领域不同，退化后的灰度值会有较大差异，可以认为，清晰图像的像素点与相应的模糊图像的对应像素点的领域高度相关。为了考虑领域的影响，可采用滑动窗口结构来提取特征，获得BP网络的输入。其具体思想是，采用3×3的滑动窗口，Pk即为退化图