專利名稱：：基于非局部萎縮因子參數(shù)估計(jì)的圖像去噪方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，具體地說是一種參數(shù)估計(jì)方法，可用于對(duì)自然圖像自適應(yīng)萎縮去噪處理時(shí)更新萎縮因子以提高去噪效果。
背景技術(shù)：
：數(shù)字圖像處理由于成像設(shè)備及成像條件的限制，使得圖像在采集，轉(zhuǎn)換，以及運(yùn)輸過程中不可避免受到噪聲的污染。因此圖像去噪在圖像處理領(lǐng)域占據(jù)著舉足輕重的地位，成為該領(lǐng)域最基本技術(shù)之一。圖像處理中許多實(shí)際的噪聲可以近似的認(rèn)為是高斯白噪聲，因此去除圖像中的高斯白噪聲成為圖像去噪領(lǐng)域中一個(gè)重要的方向。傳統(tǒng)的去噪方法大致可以分為兩類，一類是基于空域的方法，一類是基于變換域的方法。空域去噪方法中比較經(jīng)典的方法包括高斯濾波，中值濾波，雙邊濾波等。它們的共同特點(diǎn)就是利用局部窗口內(nèi)像素灰度值的連續(xù)性來對(duì)當(dāng)前像素進(jìn)行灰度調(diào)整。這些方法的缺點(diǎn)是在去除噪聲的同時(shí)模糊了圖像的細(xì)節(jié)信息，例如圖像的邊緣，紋理等。在空域去噪方法中，非局部均值去噪方法以當(dāng)前像素為中心取大小一定的窗口，在整幅圖像內(nèi)尋找與其具有相似結(jié)構(gòu)的窗口，以窗口之間的相似度為權(quán)值對(duì)當(dāng)前像素的灰度值進(jìn)行調(diào)整。這一思想有效的結(jié)合了圖像系數(shù)間的相關(guān)性?；谧儞Q域的去噪方法比較成熟的是小波域的各種去噪方法，但由于它缺少方向選擇性，不適宜表示圖像邊緣、輪廓等線性奇異性的結(jié)構(gòu)特征，為此，一些新的具有多尺度多方向特性的變換應(yīng)運(yùn)而生，如Brushlet變換、Curvelet變換、Contourlet變換和非下采樣Contourlet變換等。自適應(yīng)去噪算法是一種基于變換域的圖像去噪方法。這種方法是利用圖像在變換域產(chǎn)生的系數(shù)進(jìn)行先驗(yàn)知識(shí)——似然比和先驗(yàn)比的計(jì)算來更新萎縮系數(shù)，從而在變換域?qū)ο禂?shù)進(jìn)行重新估計(jì)，最后進(jìn)行重構(gòu)來完成圖像去噪。這類自適應(yīng)去噪方法能夠有效的去除噪聲，但它對(duì)于萎縮因子的計(jì)算方法較為簡單，并沒有考慮到變換域系數(shù)之間的有效相關(guān)性，因此去噪結(jié)果往往造成平滑效果較差。
發(fā)明內(nèi)容本發(fā)明的目的在于克服自適應(yīng)圖像去噪的不足，提出了一種基于非局部萎縮因子參數(shù)估計(jì)的圖像去噪方法，以有效地改善平滑力度，提高去噪效果。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟1)對(duì)輸入的含噪圖像c進(jìn)行多尺度變換，將其分解為K=4層子帶，每層子帶分解為L=4個(gè)方向，子帶系數(shù)為C1kj,k=1,-K；1=1,…L;j=1，2…512·512，最低頻子帶系數(shù)不作處理；2)對(duì)子帶系數(shù)進(jìn)行初始掩碼估計(jì)，得到掩碼估計(jì)值、,權(quán)利要求一種基于非局部萎縮因子參數(shù)估計(jì)的圖像去噪方法，包括如下步驟1)對(duì)輸入的含噪圖像c進(jìn)行多尺度變換，將其分解為K＝4層子帶，每層子帶分解為L＝4個(gè)方向，子帶系數(shù)為，k＝1，…K；l＝1，…L；j＝1，2…512·512，最低頻子帶系數(shù)不作處理；2)對(duì)子帶系數(shù)進(jìn)行初始掩碼估計(jì)，得到掩碼估計(jì)值δl為Donoho提出的魯棒中值閾值，為子帶系數(shù)的無斑系數(shù)，取3)計(jì)算子帶系數(shù)的似然比和方向性先驗(yàn)比<mrow><msubsup><mi>ξ</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mi>α</mi><mo>)</mo></mrow><mo>,</mo><msubsup><mi>m</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>></mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>δ</mi><mo>)</mo></mrow><msubsup><mi>T</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mtd></mtr><mtr><mtd><mfrac><mrow><msubsup><mi>m</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><msubsup><mi>T</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mrow><mrow><mrow><mo>(</mo><mn>1</mn><mo>+</mo><mi>α</mi><mo>)</mo></mrow><msubsup><mi>T</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>-</mo><msubsup><mi>m</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mrow></mfrac><mo>,</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>δ</mi><mo>)</mo></mrow><msubsup><mi>T</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>≤</mo><msubsup><mi>m</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>≤</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><mi>δ</mi><mo>)</mo></mrow><msubsup><mi>T</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mtd></mtr><mtr><mtd><mi>exp</mi><mrow><mo>(</mo><mi>α</mi><mo>)</mo></mrow><mo>,</mo><msubsup><mi>m</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>></mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><mi>δ</mi><mo>)</mo></mrow><msubsup><mi>T</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mtd></mtr></mtable></mfenced><mo>,</mo></mrow>其中，是對(duì)應(yīng)的方向塊閾值；δ是方向塊控制參數(shù)，取值為0.5；α是似然比公式參數(shù)，取值為0.5；是子帶系數(shù)的模值；<mrow><msub><msup><mi>η</mi><mi>l</mi></msup><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mi>exp</mi><mo>{</mo><mi>γ</mi><mo>·</mo><munder><mi>max</mi><mrow><mi>i</mi><mo>=</mo><mo>{</mo><mn>1,2,3,4</mn><mo>}</mo></mrow></munder><mo>[</mo><munder><mi>Σ</mi><mrow><mi>k</mi><mo>∈</mo><msub><mo>∂</mo><mi>i</mi></msub></mrow></munder><mn>2</mn><msubsup><mover><mi>x</mi><mo>^</mo></mover><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>-</mo><mn>1</mn><mo>]</mo><mo>}</mo><mo>,</mo></mrow>其中，γ是似然比控制參數(shù)，取值為0.5；為四個(gè)方向各項(xiàng)異性模型；4)根據(jù)似然比和方向性先驗(yàn)比，計(jì)算子帶系數(shù)的初始萎縮因子<mrow><msubsup><mi>ρ</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>=</mo><mfrac><mrow><msubsup><mi>η</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><msubsup><mi>ξ</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mrow><mrow><mn>1</mn><mo>+</mo><msubsup><mi>η</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><msubsup><mi>ξ</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup></mrow></mfrac><mo>;</mo></mrow>5)用非局部方法，在搜索窗Δ內(nèi)對(duì)初始萎縮因子進(jìn)行修正，得到修正后的非局部萎縮因子<mrow><msup><msubsup><mi>ρ</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>′</mo></msup><mo>=</mo><mfrac><mrow><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>r</mi></munderover><msubsup><mi>ρ</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>·</mo><mi>ω</mi><mrow><mo>(</mo><msubsup><mi>x</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>,</mo><msubsup><mi>x</mi><mrow><mi>k</mi><mo>,</mo><mi>i</mi></mrow><mi>l</mi></msubsup><mo>)</mo></mrow></mrow><mrow><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>r</mi></munderover><mi>ω</mi><mrow><mo>(</mo><msubsup><mi>x</mi><mrow><mi>k</mi><mo>,</mo><mi>j</mi></mrow><mi>l</mi></msubsup><mo>,</mo><msubsup><mi>x</mi><mrow><mi>k</mi><mo>,</mo><mi>i</mi></mrow><mi>l</mi></msubsup><mo>)</mo></mrow></mrow></mfrac><mo>,</mo></mrow>r＝1，2...W·W，其中W是搜索窗Δ的尺度，W＝21；是子帶系數(shù)與的權(quán)重，Λu，Λv分別表示Δ內(nèi)以子帶系數(shù)為中心的大小為M×M的塊，M取7；d(Λu，Λv)是Λu與Λv的相似性，通過高斯加權(quán)的歐氏距離來衡量，h是平滑參數(shù)，h＝0.5σ，其中σ是搜索窗Δ的標(biāo)準(zhǔn)差；6)用非局部萎縮因子更新子帶系數(shù)，得到新的子帶系數(shù)k＝1，…K；l＝1，…L；j＝1，2…512·512，7)對(duì)新的子帶系數(shù)進(jìn)行多尺度反變換，得到去噪后的圖像。FSA00000249750600011.tif,FSA00000249750600012.tif,FSA00000249750600013.tif,FSA00000249750600014.tif,FSA00000249750600015.tif,FSA00000249750600016.tif,FSA00000249750600017.tif,FSA00000249750600018.tif,FSA00000249750600019.tif,FSA000002497506000110.tif,FSA000002497506000112.tif,FSA000002497506000113.tif,FSA000002497506000114.tif,FSA000002497506000116.tif,FSA000002497506000117.tif,FSA000002497506000118.tif,FSA000002497506000119.tif,FSA000002497506000120.tif,FSA000002497506000122.tif,FSA000002497506000123.tif,FSA00000249750600022.tif,FSA00000249750600023.tif,FSA00000249750600024.tif,FSA00000249750600025.tif,FSA00000249750600026.tif,FSA00000249750600027.tif,FSA00000249750600028.tif,FSA00000249750600029.tif2.根據(jù)權(quán)利要求1所述的基于非局部萎縮因子參數(shù)估計(jì)的圖像去噪方法，其特征在于對(duì)步驟(5)得到的萎縮系數(shù)加入非局部權(quán)重進(jìn)行修正，按如下步驟進(jìn)行2a.對(duì)多尺度變換得到的分解子帶系數(shù)<y進(jìn)行非局部權(quán)重計(jì)算設(shè)4=心，是預(yù)進(jìn)行非局部權(quán)重修正的子帶系數(shù)，<是搜尋窗Δ內(nèi)，預(yù)與<,進(jìn)行相似性比較的子帶系數(shù)，子帶系數(shù)與的權(quán)重為全文摘要本發(fā)明公開了一種基于非局部萎縮因子參數(shù)估計(jì)的圖像去噪方法，主要克服自然圖像原始自適應(yīng)萎縮去噪中的邊緣吉布斯效應(yīng)明顯、視覺質(zhì)量不理想的問題。其實(shí)現(xiàn)過程是(1)對(duì)輸入的自然圖像進(jìn)行多尺度變換，得到需處理的子帶系數(shù)；(2)對(duì)子帶系數(shù)進(jìn)行初始掩碼估計(jì)；(3)依次計(jì)算子帶系數(shù)的似然比、先驗(yàn)比和初始萎縮因子；(4)根據(jù)子帶系數(shù)計(jì)算非局部濾波子帶權(quán)重；(5)根據(jù)非局部濾波子帶權(quán)重更新初始萎縮因子；(6)根據(jù)非局部權(quán)重萎縮因子更新子帶系數(shù)；(7)用更新的子帶系數(shù)進(jìn)行多尺度反變換得到去噪結(jié)果。本發(fā)明能很好的減弱吉布斯效應(yīng)，得到較高的PSNR值，可用于對(duì)自然圖像的去噪處理中。文檔編號(hào)G06T5/00GK101957984SQ20101026750公開日2011年1月26日申請(qǐng)日期2010年8月30日優(yōu)先權(quán)日2010年8月30日發(fā)明者侯彪,尚榮華,朱丹,焦李成,王桂婷,王爽,鐘樺,馬文萍申請(qǐng)人:西安電子科技大學(xué)