人工智能安全：原理与实践 课件 第5章 随机森林算法的安全应用(5.2基于随机森林算法的图像去噪-实践).pptx

李剑博士，教授，博士生导师网络空间安全学院lijian@bupt.edu.cnJanuary23,2025第5章随机森林算法的安全应用实践5-1基于随机森林算法的图像去噪

本章介绍本实践探究基于随机森林算法的图像去噪方法，以提高图片的质量和可读性，为文本分析、信息提取和自然语言处理等任务提供更好的基础支持。

1.图像去噪介绍(1)图像噪声图像噪声是图像中存在的任何不期望的或多余的信息，它会干扰图像的视觉质量。(2)常见的图像噪声高斯噪声椒盐噪声泊松噪声量化噪声(3)图像去噪技术传统的图像去噪技术主要包括：平均滤波，高斯滤波，中值滤波。

1.图像去噪介绍基于机器学习的图像去噪技术主要包括：(1)基于神经网络的图像去噪：通过训练神经网络模型来学习图像噪声的特征和去噪映射关系。(2)基于稀疏表示的图像去噪：稀疏表示是一种把信号变换为略微稀疏的方式来表示，从而能够提高信息的利用率以及提取率的方法。

2.实践目的本节实践内容“基于随机森林算法的图像去噪”的主要目的如下：1.深入掌握随机森林在图像去噪中的应用及效果。2.实践调整随机森林模型参数以优化去噪性能。3.可视化模型学习过程和去噪效果评估。

3.实践环境? Python版本：3.9或更高版本? 深度学习框架：torch2.2.，torchvision0.17.1? 其他库版本：numpy1.24.3，imutils0.5.4，progressbar2.5，scikit-learn1.0，matplotlib3.7.2，pyqt55.15.10? 运行平台：PyCharm

4.实践步骤第1步，访问Python官方网站下载Python3.9。

4.实践步骤第2步，安装实践环境。

4.实践步骤第3步，配置文件。

4.实践步骤第4步，build_features.py从图像中提取特征和目标值，写入CSV文件。

4.实践步骤第5步，train_denoiser.py训练提取到的特征和目标值。

4.实践步骤第6步，denoise_document.py对测试集进行去噪

4.实践步骤第7步，通过命令行执行程序。程序的执行过程如图所示。

5.实践结果结果：去除噪音前去除噪音后

小结本小节详细介绍如何使用Python编程实现随机森林算法对图像进行去噪。

祝同学们学习进步！致谢