基于小波神经网络的激光散斑图像去噪技术研究

　　激光无损检测技术由于其全场非接触测量、高效实时性等优点,近年来在缺陷检测、医学诊断、MEMS制造等领域中得到广泛应用。激光散斑无损检测是一种采用激光对被测物场进行无损全场计量的干涉技术,以激光散斑作为被测物场变化的信息载体。但由于激光散斑图像在成像时不可避免地受高频散斑噪声乘性调制,使得图像信噪比较低,影响到图像质量与信息提取。因此,去除噪声是激光散斑无损检测中的一个重要环节。

　　激光散斑条纹图的传统滤波方法主要包括邻域均值滤波、中值滤波、维纳滤波、低通滤波等[1]。但该类传统方法在去除噪声的同时,往往造成图像边缘细节信息的损失,使得图像模糊。因此,如何既能去除图像中的噪声,又能尽量保护图像细节,是图像去噪研究的关键之一。小波神经网络(WNN)[2-4]是基于小波变换而构造的一类新型前馈神经网络模型,有机融合了神经网络自学习及小波时频局部化等优点。同BP网络相比,WNN具有更强的信息提取和非线性逼近、容错能力。本文采用WNN方法对圆盘表面缺陷激光散斑图像作去噪研究,实验结果证实了该方法的有效性和优越性。

　　1　小波变换理论

　　小波变换用于图像分析的基本思想是把图像进行多分辨分解,将图像分解成不同空间、不同频率的子图像[5]。它克服了傅里叶变换的缺点,可对时-频域进行局部分析,灵活提取信号局部的奇异特征并进行时变滤波[6]。采用小波变换处理含噪信号,可有效滤除噪声并保留信号高频信息,得到原信号的最佳恢复。

　　1.1　连续小波变换

　　设ψ(t)∈L2(R),(L2(R)为平方可积的实数空间,即能量有限的信号空间),其傅里叶变换为^ψ(w)。当^ψ(w)满足容许性条件:

　　则ψ(t)为一个基本小波或母小波。将母小波函数ψ(t)作伸缩和平移后,可得到一个小波序列{ψa,b(t)},即:

　　其中:a—伸缩因子;b—平移因子。对于任意的f(t)∈L2(R)的连续小波变换为:

　　1.2　离散小波变换

　　连续小波变换由于其系数具有很大的冗余量,不易在计算机上实现,因而在具体应用中受到限制。为此,文中引入离散小波变换[7],对尺度和位移进行离散,减小系数的冗余度,提高压缩率。

　　2　小波神经网络去噪算法

　　小波神经网络有机地融合了小波分析的良好时频域特性和神经网络的自适应能力。它通过训练,能自适应地调整小波基的形状完成小波变换。在小波神经网络中用非线性小波函数取代了隐层节点部分的Sigmoid非线性函数,其信号表述是通过将所选取的小波基进行线性叠加来表现的[8]。小波神经网络模型结构见图1。