论文部分内容阅读
（四川大学 四川 成都 610207）
摘 要： 随着2016年AlphaGo与李世石的围棋大战以4比1告终，人工智能开始走入大众的视野。但人工智能并不只局限于围棋，它拥有非常广泛的应用方向，例如机器人、智能家具、指纹识别和图像處理等，都将影响人类的生活。本文结合图像处理方向的基于EPOS的边缘保护噪声处理技术深入的探讨了人工智能的具体应用情况及未来的发展方向。
关键词： 人工智能 图像处理 EPOS 边缘保护 噪声处理
1 前言
在第一次工业革命中，机器的出现极大地促进了社会的发展。在计算机飞速发展的今天，人类又将面临一场崭新的工业革命。[1]所谓人工智能，就是指可以用某种智能化的机器来实现人类的各种脑力劳动或者智能行动，诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。现在，人们对人工智能的关注度非常之高，尤其是2016年3月韩国围棋大师李世石输给计算机之后，更是轰动一时。人工智能已经进入了一个快速发展的新阶段，它对人类社会、经济、科技、文化都产生了巨大的影响，并将继续发挥着重要作用。
2 基于EPOS的边缘保护噪声处理技术
人工智能在图像处理领域也有着一定的贡献，其中对图像的噪声处理尤为突出[2]。
在日常生活中，我们看到的很多图片中都蕴含着椒盐噪声，即在图片中混杂着黑色和白色的随机斑点。而这种椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。所以我们在对于图像处理的时候首先需要做的就是把这些不规则的噪点去除掉。比较常规的方法是利用中值滤波，但中值滤波的缺点即为不能很好的保护边缘[3]。于是我们采取这种新的方式来对于图像进行保护边缘的处理。在传统处理椒盐噪声方式的中值滤波中，将所有的像素完全遍历，然后对于其邻域（即为该像素点的周围区域，四邻域代表上下左右四个点，八邻域则加上左上右上左下右下，以此类推）作为滤波窗口进行排序，对于排序的数值取其中位数。例如一个点其像素值为5，那么滤波窗口从左到右、自上而下为4、8、3、2、5、2、7、8、2。那么除去这个点本身5之后，排序结果为2、2、2、3、4、7、8、8，我们会选择其中值4作为滤波后的结果替换5像素。这样做之后，图像中由于椒盐噪声点或大或小，所以这些点就会被旁边的中间值替换点，于是起到了降噪的作用。但是传统的中值滤波存在一定地缺陷，即为如果图像边缘被判断为噪点后，那么图像的边缘都会被过滤掉，所以会造成去噪之后整个图片都变得模糊的情况。
在本文中，我们采取了边缘保持最优化（Edge Preserving Optimized Speckle，EPOS）算法（下文中以EPOS代替）來对于噪声进行滤波，将讲解EPOS算法的原理以及其依据，并编写了基于C语言的EPOS程序而且以多幅图片作为示例进行不同地处理。最终得出的结果将在后文中呈现。最终实现了的EPOS算法源程序同样将出现于该文附录中，以便验证算法的正确性与可用性。
2.1 EPOS算法介绍
2.1.1原理综述
EPOS是一种可以自动根据当前滤波窗口情况来选择合适的窗口大小和形状的平滑算法。它将窗口分为八个“风车状”子区域，首先通过计算该窗口的无序程度，然后分别求各个子区域与被测像素（中心像素）求相对比较下的无序程度。如果满足无序程度小于某一个值那么就认为可以进行处理，然后进行中值滤波[4]。如果某个子区域无序程度比较大就认为该区域是边缘区域，并舍弃掉该区域，反复与那一个值进行比较。如果八个区域都舍弃掉则缩小窗口重新比较。最终得到一个合理的窗口进行中值滤波，否则当窗口缩小到0的时候则认为该点为边缘。
2.1.2算法描述与数学分析
如流程图所示，程序一开始对于所有像素点进行遍历（图像边沿点进行偶延拓），然后组成一个个窗口。
首先我们计算整个窗口的标准差
其中N表示整个窗口下的元素个数，μ表示这个窗口的均值。求得整个窗口的标准差大小，与某个值进行比对之后，如果小于等于这个值则认为该区域是符合滤波条件的，即该区域被认为不是边缘部分。一旦符合这样的标准我们就可以进行中值滤波[5]；否则我们就计算每个区域单独的标准差。
如果某个区域的标准差太大，我们就剔除这个区域。然后再计算剔除后的新的窗口，再进入到第一个判断中。直到最后8个部分全部剔除则将窗口长度减一后计算，一旦窗口长度小于等于3，我们就认为该点是边缘，于是保留该点。
由于（2）式中，标准差σ代表了中心点周围的差距程度，所以如果该点为边缘的话则可以被算法检测出，于是保留。而且对于该点的滤波上，除去边缘另一侧的像素点，对于滤波的准确性更有提高。
2.2 实验结果及其分析
由以上图片我们可以看到该算法对于椒盐噪声的处理还是相当不错的，原因为该算法是基于中值滤波算法，而中滤波本来就会对于椒盐噪声有很好的处理效果，加入边缘保护之后不会对于被认为是边缘的点进行处理[6]。所以对于椒盐噪声的处理还是很不错的。
2.3 结论
本文中所介绍的方法的优点是可以对于图像的边界进行保护，在图像去噪前加入一定的边缘检测算法[7]。改进点就是基于中值滤波的边缘检测。最后所得的效果是能够保护住图像的边沿，使得在图像边缘的点不会被认为是噪声而处理掉。由上述实验可以看出，本算法对于椒盐噪声有十分优异的处理性能，同时能够做到不错的保边效果。
同时，该算法也存在着一定的缺点。比如该算法对于高斯噪声的处理并不会很完美，主要是因为本算法在滤波操作上是基于中值滤波而不是基于均值滤波算法。第二是该算法运行比较耗时，实验证明，当初始窗口大小大于等于6之后，耗时呈指数被增加，提高终止的最低窗口大小会一定程度上解决这个问题，但是仍比较费时。原因是该算法在处理8个不同分块时对于一个函数的递归调用，如果8个分块都无法满足条件还要回归窗口减一的原函数。 我通过一些资料得知，对于高斯噪声的处理需要用一些其他的算法，所以本算法在处理高斯噪声上存在可改进的余地，但是對于椒盐噪声的处理可能会打折扣。而至于时间复杂性，由于本算法本身的递归性暂时没有找的很好的解决方法，不过即使在初始窗口为6的时候仍然只需要5s来运行，而6的初始窗口大小足够大部分情况下图片的去噪。
3 结束语
人工智能一直是计算机科学的前沿学科，其研究的理论和成果将在很大程度上控制着科学技术，决定着计算机技术的发展方向。如今，人工智能的很多研究成果已经进入人们的日常生活。人工智能进入了一个加速发展的新时期，在其影响意义上，远远超过蒸汽机和电力所推动的工业革命。在我国，人工智能学科迎来了一個蓬勃发展的时代，并将为社会的发展做出巨大贡献。
参考文献
[1]王宇楼. 人工智能的现状及今后的发展趋势展望[J]. 科技展望，2016，（22）：299.
[2]易平， 陈福生， 邹红艳. 图像处理中消除噪声的方法[J]. 计算机应用与软件， 2004，20（5）：29-30.
[3]周杰. 应用于图像处理的中值滤波改进算法[D]. 北京邮电大学， 2007.
[4]张恒， 雷志辉， 丁晓华. 一种改进的中值滤波算法[J]. 中国图象图形学报， 2004， 9：408-411.
[5] ZHOU Jun xia WU Guo ping， GAO Fang fang. A Combined Edge Detecting based on Median Filter and Mathematics Morphology[J]. Modern Computer， 2005.
[6] Medeiros F N S， Marques R C P， Laprano C M， et al. Edge Preserving Wavelet Speckle Filtering[C]// Image Analysis and Interpretation， 2002. Proceedings. Fifth IEEE Southwest Symposium on. 2002：0281.
[7] Xu J， Wang L， Shi Z. A switching weighted vector median filter based on edge detection[J]. Signal Processing， 2014， 98：359–369.
摘 要： 随着2016年AlphaGo与李世石的围棋大战以4比1告终，人工智能开始走入大众的视野。但人工智能并不只局限于围棋，它拥有非常广泛的应用方向，例如机器人、智能家具、指纹识别和图像處理等，都将影响人类的生活。本文结合图像处理方向的基于EPOS的边缘保护噪声处理技术深入的探讨了人工智能的具体应用情况及未来的发展方向。
关键词： 人工智能 图像处理 EPOS 边缘保护 噪声处理
1 前言
在第一次工业革命中，机器的出现极大地促进了社会的发展。在计算机飞速发展的今天，人类又将面临一场崭新的工业革命。[1]所谓人工智能，就是指可以用某种智能化的机器来实现人类的各种脑力劳动或者智能行动，诸如判断、推理、证明、识别、感知、理解、通信、设计、思考、规划、学习和问题求解等思维活动。现在，人们对人工智能的关注度非常之高，尤其是2016年3月韩国围棋大师李世石输给计算机之后，更是轰动一时。人工智能已经进入了一个快速发展的新阶段，它对人类社会、经济、科技、文化都产生了巨大的影响，并将继续发挥着重要作用。
2 基于EPOS的边缘保护噪声处理技术
人工智能在图像处理领域也有着一定的贡献，其中对图像的噪声处理尤为突出[2]。
在日常生活中，我们看到的很多图片中都蕴含着椒盐噪声，即在图片中混杂着黑色和白色的随机斑点。而这种椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。所以我们在对于图像处理的时候首先需要做的就是把这些不规则的噪点去除掉。比较常规的方法是利用中值滤波，但中值滤波的缺点即为不能很好的保护边缘[3]。于是我们采取这种新的方式来对于图像进行保护边缘的处理。在传统处理椒盐噪声方式的中值滤波中，将所有的像素完全遍历，然后对于其邻域（即为该像素点的周围区域，四邻域代表上下左右四个点，八邻域则加上左上右上左下右下，以此类推）作为滤波窗口进行排序，对于排序的数值取其中位数。例如一个点其像素值为5，那么滤波窗口从左到右、自上而下为4、8、3、2、5、2、7、8、2。那么除去这个点本身5之后，排序结果为2、2、2、3、4、7、8、8，我们会选择其中值4作为滤波后的结果替换5像素。这样做之后，图像中由于椒盐噪声点或大或小，所以这些点就会被旁边的中间值替换点，于是起到了降噪的作用。但是传统的中值滤波存在一定地缺陷，即为如果图像边缘被判断为噪点后，那么图像的边缘都会被过滤掉，所以会造成去噪之后整个图片都变得模糊的情况。
在本文中，我们采取了边缘保持最优化（Edge Preserving Optimized Speckle，EPOS）算法（下文中以EPOS代替）來对于噪声进行滤波，将讲解EPOS算法的原理以及其依据，并编写了基于C语言的EPOS程序而且以多幅图片作为示例进行不同地处理。最终得出的结果将在后文中呈现。最终实现了的EPOS算法源程序同样将出现于该文附录中，以便验证算法的正确性与可用性。
2.1 EPOS算法介绍
2.1.1原理综述
EPOS是一种可以自动根据当前滤波窗口情况来选择合适的窗口大小和形状的平滑算法。它将窗口分为八个“风车状”子区域，首先通过计算该窗口的无序程度，然后分别求各个子区域与被测像素（中心像素）求相对比较下的无序程度。如果满足无序程度小于某一个值那么就认为可以进行处理，然后进行中值滤波[4]。如果某个子区域无序程度比较大就认为该区域是边缘区域，并舍弃掉该区域，反复与那一个值进行比较。如果八个区域都舍弃掉则缩小窗口重新比较。最终得到一个合理的窗口进行中值滤波，否则当窗口缩小到0的时候则认为该点为边缘。
2.1.2算法描述与数学分析
如流程图所示，程序一开始对于所有像素点进行遍历（图像边沿点进行偶延拓），然后组成一个个窗口。
首先我们计算整个窗口的标准差
其中N表示整个窗口下的元素个数，μ表示这个窗口的均值。求得整个窗口的标准差大小，与某个值进行比对之后，如果小于等于这个值则认为该区域是符合滤波条件的，即该区域被认为不是边缘部分。一旦符合这样的标准我们就可以进行中值滤波[5]；否则我们就计算每个区域单独的标准差。
如果某个区域的标准差太大，我们就剔除这个区域。然后再计算剔除后的新的窗口，再进入到第一个判断中。直到最后8个部分全部剔除则将窗口长度减一后计算，一旦窗口长度小于等于3，我们就认为该点是边缘，于是保留该点。
由于（2）式中，标准差σ代表了中心点周围的差距程度，所以如果该点为边缘的话则可以被算法检测出，于是保留。而且对于该点的滤波上，除去边缘另一侧的像素点，对于滤波的准确性更有提高。
2.2 实验结果及其分析
由以上图片我们可以看到该算法对于椒盐噪声的处理还是相当不错的，原因为该算法是基于中值滤波算法，而中滤波本来就会对于椒盐噪声有很好的处理效果，加入边缘保护之后不会对于被认为是边缘的点进行处理[6]。所以对于椒盐噪声的处理还是很不错的。
2.3 结论
本文中所介绍的方法的优点是可以对于图像的边界进行保护，在图像去噪前加入一定的边缘检测算法[7]。改进点就是基于中值滤波的边缘检测。最后所得的效果是能够保护住图像的边沿，使得在图像边缘的点不会被认为是噪声而处理掉。由上述实验可以看出，本算法对于椒盐噪声有十分优异的处理性能，同时能够做到不错的保边效果。
同时，该算法也存在着一定的缺点。比如该算法对于高斯噪声的处理并不会很完美，主要是因为本算法在滤波操作上是基于中值滤波而不是基于均值滤波算法。第二是该算法运行比较耗时，实验证明，当初始窗口大小大于等于6之后，耗时呈指数被增加，提高终止的最低窗口大小会一定程度上解决这个问题，但是仍比较费时。原因是该算法在处理8个不同分块时对于一个函数的递归调用，如果8个分块都无法满足条件还要回归窗口减一的原函数。 我通过一些资料得知，对于高斯噪声的处理需要用一些其他的算法，所以本算法在处理高斯噪声上存在可改进的余地，但是對于椒盐噪声的处理可能会打折扣。而至于时间复杂性，由于本算法本身的递归性暂时没有找的很好的解决方法，不过即使在初始窗口为6的时候仍然只需要5s来运行，而6的初始窗口大小足够大部分情况下图片的去噪。
3 结束语
人工智能一直是计算机科学的前沿学科，其研究的理论和成果将在很大程度上控制着科学技术，决定着计算机技术的发展方向。如今，人工智能的很多研究成果已经进入人们的日常生活。人工智能进入了一个加速发展的新时期，在其影响意义上，远远超过蒸汽机和电力所推动的工业革命。在我国，人工智能学科迎来了一個蓬勃发展的时代，并将为社会的发展做出巨大贡献。
参考文献
[1]王宇楼. 人工智能的现状及今后的发展趋势展望[J]. 科技展望，2016，（22）：299.
[2]易平， 陈福生， 邹红艳. 图像处理中消除噪声的方法[J]. 计算机应用与软件， 2004，20（5）：29-30.
[3]周杰. 应用于图像处理的中值滤波改进算法[D]. 北京邮电大学， 2007.
[4]张恒， 雷志辉， 丁晓华. 一种改进的中值滤波算法[J]. 中国图象图形学报， 2004， 9：408-411.
[5] ZHOU Jun xia WU Guo ping， GAO Fang fang. A Combined Edge Detecting based on Median Filter and Mathematics Morphology[J]. Modern Computer， 2005.
[6] Medeiros F N S， Marques R C P， Laprano C M， et al. Edge Preserving Wavelet Speckle Filtering[C]// Image Analysis and Interpretation， 2002. Proceedings. Fifth IEEE Southwest Symposium on. 2002：0281.
[7] Xu J， Wang L， Shi Z. A switching weighted vector median filter based on edge detection[J]. Signal Processing， 2014， 98：359–369.