论文部分内容阅读
图像去噪是图像预处理中一个至关重要的步骤并且也是图像处理的基础问题,低秩稀疏分解是现阶段应用比较广泛的图像去噪法,但是低秩稀疏分解的缺陷是如何自适应获取奇异值阈值。由于传统的人工蜂群算法及其改进算法应用到图像去噪中时主要与小波算法融合,并且改进后的融合算法在去噪效果方面仍有待提高。本文中采用Bloch球面编码的方式改进基于量子编码方式的人工蜂群算法,提出一种改进的基于Bloch球面量子蜂群(Improved Bloch Quantum Artificial Bee Colony,IBQABC)算法,同时选取适应度函数—低秩稀疏分解的数学模型对图像去噪的问题进行深入研究,本文具体的工作内容如下:首先,阐述低秩矩阵稀疏分解的基础理论知识和常用的低秩稀疏分解算法,其中低秩稀疏分解算法包括迭代阈值法、加速近端梯度法以及拉格朗日乘子法。最后分析低秩稀疏分解的数学模型对图像去噪的影响;其次,分析基本人工蜂群算法的缺点以及不足之处。将初始蜜源分散到Bloch球面上在三维空间中编码,使目标函数全局最好解的个数得到扩充。基于Bloch球面劣弧寻优路径的原理,将Bloch球看作一个透明的球体,改变原来的寻优路径,将三角函数的关系式融合到最初的蜜源更新公式之中,从而改进蜜源的更新策略,提出IBQABC算法。最后分析人工蜂群算法每个参数对函数优化结果的影响,把传统蜂群算法以及改进后蜂群算法的参数设置采用同一标准,并且通过选取具有代表性的函数进行仿真实验。比较ABC算法、BQABC算法以及IBQABC算法在寻优、收敛速度等方面的能力,检验IBQABC算法良好的优化性能,即良好的获取最优值的能力;再次,分析低秩稀疏分解现阶段的优化算法。阐述低秩稀疏分解的优化算法不精确的增广拉格朗日乘子法存在的两个缺陷,其一根据经验人为事先设定奇异值阈值,其二针对大数据量的矩阵处理时处理速度急速下降的问题。为此引入图像的聚类分解,并且基于IBQABC算法的自适应寻优的特点,把低秩稀疏分解与IBQABC算法融合,为解决低秩稀疏分解存在的缺陷提供改进方向;最后,对融合算法的去噪性能进行实验分析,利用中值滤波法、IALM算法、BM3D算法以及本文蜂群与低秩稀疏分解的融合算法对标准图像库中的图像和扫描工程图纸的图像进行图像去噪,通过比较这四种算法对图像进行去噪后得到视觉效果图及实验数据,验证IBQABC算法在图像去噪中的有效性和实用性;ABC算法、BQABC算法分别与低秩稀疏分解融合对标准图像进行去噪处理,对去噪后的峰值信噪比、去噪运行时间、收敛速度等与IBQABC算法与低秩稀疏分解融合的去噪数据做对比,反映出IBQABC算法于低秩稀疏分解融合在去噪效果、收敛性能等都占有一定的优势。