题目：基于自适应神经网络模糊推理系统的图像去噪算法研究

图像去噪是图像预处理的一个非常重要的内容，图像去噪结果的好坏直接影响到图像的后级分析，所以去噪算法不仅要提高去噪能力，而且还要尽可能地保护原始图像的细节信息。针对脉冲噪声，现有的算法缺乏对小于滤波窗口的图像细节与边缘信息的保护能力，如何充分利用图像的局部特征以提高滤波器的滤波效果、细节及边缘信息的保持能力，本文针对脉冲噪声感染图像的特点提出了一种新的滤噪算法，分别用噪声检测、噪声滤除这两个过程来完成对图像的噪声滤除。
噪声检测过程中，应用噪声检测算法对含有噪声的图像进行检测，尽可能准确高效地确定噪声点与非噪声点。文中应用两种噪声检测算法，基于二阶差分图像的噪声检测算法和基于自适应中值原理二次模糊判断的噪声检测算法。前者根据二阶差分原理，将一幅灰度图像进行一阶差分、二阶差分后转换为一幅二值图像，从而确定出噪声点与非噪声点，该方法具有较低的计算复杂度和较高的检测性能。后者根据自适应中值原理结合模糊理论，首先，根据自适应中值原理对噪声图像进行第一次检测，确定出噪声点和非噪声点；其次，根据图像被噪声感染的特点，如在一些特殊区域（偏黑区域的黑点或者偏白区域的白点），第一次检测有可能会产生误检，因此，采用窗口中的信息点获得局部隶属度函数，针对噪声点进行第二次模糊判断，进一步提高检测性能。
噪声滤除过程中，根据滤波算法对检测出的噪声进行滤除，尽可能恢复图像的原始信息。文中应用模糊理论和神经网络理论相结合的方法对噪声进行滤除。由于模糊推理系统具备处理模糊语言信息的能力，可模拟人类智慧进行判断和决策。神经网络具备自学习和自适应能力，具有并行处理能力和较强的容错能力，二者的有机结合使模糊推理具备自适应学习功能，使神经网络具备处理模糊信息功能，进行判断和决策。利用二者的优势互补建立自适应神经网络模糊推理系统（ANFIS）图像去噪模型，借助噪声点周围的若干邻近信息点通过ANFIS的训练后，对中心噪声点的像素值进行估计得到其灰度值，从而滤除噪声。充分利用图像的局部特征通过模糊推理对噪声点进行非线性估计，实验结果表明，该算法在细节保护和噪声滤除方面效果明显优于其它滤波算法。