專(zhuān)利名稱(chēng)：：基于多尺度的自然圖像非局部均值去噪方法
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(shuō)是一種去噪方法，可用于對(duì)自然圖像的去噪處理。
背景技術(shù)：
：隨著計(jì)算機(jī)和數(shù)碼成像設(shè)備的日益普及，數(shù)字圖像處理越來(lái)越受到人們的重視。然而由于成像設(shè)備及成像條件的限制，數(shù)字圖像在采集，轉(zhuǎn)換，以及運(yùn)輸過(guò)程中不可避免受到噪聲的污染，因此圖像去噪作為圖像處理領(lǐng)域的基本技術(shù)之一，受到廣泛的重視。許多實(shí)際的噪聲可以近似的認(rèn)為是高斯白噪聲，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(lèi)，一類(lèi)是基于空域的方法，一類(lèi)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(lái)對(duì)當(dāng)前像素進(jìn)行灰度調(diào)整。這些方法大都在去除噪聲的同時(shí)模糊了圖像的細(xì)節(jié)信息，例如圖像的邊緣，紋理等。由于自然圖像，特別是紋理圖像所含信息具有一定的冗余性，Buades等人提出了一種非局部均值的去噪方法。該方法以當(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。由于這種方法在去噪領(lǐng)域良好的性能，自提出以來(lái)迅速引起眾多學(xué)者的廣泛關(guān)注，但是它仍然存在以下問(wèn)題1算法復(fù)雜性比較大；2權(quán)值計(jì)算準(zhǔn)確性欠佳；3圖像的邊緣與細(xì)節(jié)仍存在一定程度的模糊。基于多尺度幾何分析的去噪方法比較成熟的就是小波域的各種去噪方法，小波去噪的關(guān)鍵問(wèn)題是對(duì)圖像小波系數(shù)統(tǒng)計(jì)模型的研究，這類(lèi)算法的基本思想是把統(tǒng)計(jì)模型作為小波系數(shù)的先驗(yàn)概率模型，然后利用這個(gè)先驗(yàn)信息，在貝葉斯框架下對(duì)原始圖像的小波系數(shù)進(jìn)行估計(jì)。然而，小波變換仍然具有以下不足1高維時(shí)系數(shù)的稀疏性較差；2圖像分解后方向信息有限，為了克服小波變換的不足，近幾年來(lái)出現(xiàn)了Ridgelet，Curvelet,Contourlet,Brushlet,Bandelet等一系列圖像分解的新工具。但是由于多尺度幾何分析的方法只是對(duì)高頻圖像的小波系數(shù)做萎縮閾值調(diào)整，對(duì)低頻圖像不做處理，所以其最終的去噪效果并不是很令人滿(mǎn)意，而且常常會(huì)產(chǎn)生吉布斯現(xiàn)象。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了基于多尺度的自然圖像非局部均值去噪方法，對(duì)圖像的低頻和高頻信息采用不同的方法進(jìn)行處理，以實(shí)現(xiàn)對(duì)自然圖像去噪中邊緣和平滑區(qū)域的兼顧，極大的減弱吉布斯現(xiàn)象，提高圖像去噪效果。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟(1)對(duì)輸入的含噪自然圖像做小波變換，將其分解為低頻圖像和高頻圖像；(2)用BayesShrink方法對(duì)不同尺度的高頻圖像的系數(shù)進(jìn)行修正，得到修正后的高頻圖像V11=KI^B其中，Vij是指第i層第j個(gè)方向的高頻圖像小波系數(shù)，=i，是指第i層第j個(gè)方向的萎縮閾值，是指第i層第j個(gè)方向高頻圖像的噪聲方差，σχ是指高頻圖像信號(hào)的(3)對(duì)步驟⑴得到的低頻圖像和步驟(2)得到的修正后的高頻圖像進(jìn)行重構(gòu)，得到新的低頻圖像；(4)用非局部均值方法對(duì)重構(gòu)得到新的低頻圖像進(jìn)行修正，得到修正后的低頻圖像ν'(χ)=Σν(y)w(x^y)'其中，W(x，;0=exp-IMfhMzl表示重構(gòu)得到新的頻圖像的相似性，L1(X),V/L2(Y)分別表示重構(gòu)得到新的低頻圖像中以X，y為中心的大小為nXn的圖像塊，J為搜索窗口像素點(diǎn)集合，在實(shí)驗(yàn)中，η的取值依次為3X3，5X5，7X7，J的取值依次為7X7,11X11，21X21，h為平滑控制參數(shù)，h=0.2o,V(y)是指重構(gòu)得到新的低頻圖像搜尋區(qū)域內(nèi)的系數(shù)值；(5)對(duì)步驟(4)得到的修正后的低頻圖像和步驟(2)得到修正后的高頻圖像進(jìn)行重構(gòu)，得到去噪后的圖像。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1.本發(fā)明由于用非局部均值方法對(duì)低頻圖像進(jìn)行修正，用BayesShrink方法對(duì)高頻圖像進(jìn)行修正，進(jìn)而最大程度的減弱吉布斯現(xiàn)象。2.本發(fā)明由于用非局部均值方法對(duì)低頻圖像進(jìn)行修正，用BayesShrink方法對(duì)高頻圖像進(jìn)行修正，進(jìn)而能夠較好抑制噪聲，同時(shí)保持和恢復(fù)自然圖像的邊緣和紋理細(xì)節(jié)。圖1是本發(fā)明的流程圖；圖2是本發(fā)明使用的測(cè)試圖像；圖3是本發(fā)明使用的含噪圖像；圖4是用現(xiàn)有的BayesShrink小波閾值方法對(duì)圖3進(jìn)行去噪后的結(jié)果圖；圖5是用現(xiàn)有的雙邊濾波器方法對(duì)圖3進(jìn)行去噪的結(jié)果圖；圖6是用現(xiàn)有的多分辨雙邊濾波器方法對(duì)圖3進(jìn)行去噪的結(jié)果圖；圖7是用現(xiàn)有的非局部濾波器方法對(duì)圖3進(jìn)行去噪的結(jié)果圖；圖8是用本發(fā)明方法對(duì)圖3進(jìn)行去噪的結(jié)果圖。具體實(shí)施例方式參照附圖1，本發(fā)明基于多尺度的自然圖像非局部均值去噪方法，包括如下步驟步驟1，對(duì)輸入的含噪自然圖像做小波變換，將其分解為低頻圖像和高頻圖像。數(shù)字圖像由于成像設(shè)備以及成像條件的限制，不可避免的要受到噪聲的污染，許多實(shí)際的噪聲都可以認(rèn)為是高斯加性白噪聲，含噪的自然圖像模型為ν=u+n其中，ν為含噪圖像的灰度值，u是干凈圖像的灰度值，η是高斯加性白噪聲，本發(fā)明在實(shí)驗(yàn)中選擇正交小波對(duì)圖像進(jìn)行4層分解，使用的小波基是db8，但不局限于這種分解方法，例如也可以使用平穩(wěn)小波變換對(duì)圖像進(jìn)行分解，將含噪自然圖像分解為低頻圖像和高頻圖像兩部分。步驟2，用BayesShrink方法對(duì)不同尺度的高頻圖像的系數(shù)進(jìn)行修正，得到修正后的高頻圖像。Chang等人在小波系數(shù)相互獨(dú)立且服從廣義高斯分布的假設(shè)下，利用貝葉斯方法得到了一種真實(shí)信號(hào)的估計(jì)，進(jìn)而得到BayesShrink萎縮閾值法，其步驟如下2.1)利用Donoho提出的魯棒中值法，估計(jì)各高頻圖像的噪聲標(biāo)準(zhǔn)差權(quán)利要求一種基于多尺度的自然圖像非局部均值去噪方法，包括如下步驟(1)對(duì)輸入的含噪自然圖像做小波變換，將其分解為低頻圖像和高頻圖像；(2)用BayesShrink方法對(duì)不同尺度的高頻圖像的系數(shù)進(jìn)行修正，得到修正后的高頻圖像<mrow><msubsup><mi>V</mi><mi>ij</mi><mo>′</mo></msubsup><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mi>sign</mi><mrow><mo>(</mo><msub><mi>V</mi><mi>ij</mi></msub><mo>)</mo></mrow><mrow><mo>(</mo><mo>|</mo><msub><mi>V</mi><mi>ij</mi></msub><mo>|</mo><mo>-</mo><msub><mi>T</mi><mi>B</mi></msub><mo>)</mo></mrow></mtd><mtd><mo>|</mo><msub><mi>V</mi><mi>ij</mi></msub><mo>|</mo><mo>></mo><msub><mi>T</mi><mi>B</mi></msub></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mo>|</mo><msub><mi>V</mi><mi>ij</mi></msub><mo>|</mo><mo>≤</mo><msub><mi>T</mi><mi>B</mi></msub></mtd></mtr></mtable></mfenced></mrow>其中，Vij是指第i層第j個(gè)方向的高頻圖像小波系數(shù)，是指第i層第j個(gè)方向的萎縮閾值，是指第i層第j個(gè)方向高頻圖像的噪聲方差，σx是指高頻圖像信號(hào)的標(biāo)準(zhǔn)差，sign是指符號(hào)函數(shù)，(3)對(duì)步驟(1)得到的低頻圖像和步驟(2)得到的修正后的高頻圖像進(jìn)行重構(gòu)，得到新的低頻圖像；(4)用非局部均值方法對(duì)重構(gòu)得到新的低頻圖像進(jìn)行修正，得到修正后的低頻圖像<mrow><msup><mi>V</mi><mo>′</mo></msup><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><mi>y</mi><mo>∈</mo><mi>J</mi></mrow></munder><mi>V</mi><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow><mi>w</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>,</mo></mrow>其中，表示重構(gòu)得到新的頻圖像的相似性，L1(x)，L2(y)分別表示重構(gòu)得到新的低頻圖像中以x，y為中心的大小為n×n的圖像塊，J為搜索窗口像素點(diǎn)集合，在實(shí)驗(yàn)中，n的取值依次為3×3，5×5，7×7，J的取值依次為7×7，11×11，21×21，h為平滑控制參數(shù)，h＝0.2σ，V(y)是指重構(gòu)得到新的低頻圖像搜尋區(qū)域內(nèi)的系數(shù)值；(5)對(duì)步驟(4)得到的修正后的低頻圖像和步驟(2)得到修正后的高頻圖像進(jìn)行重構(gòu)，得到去噪后的圖像。FSA00000251464600012.tif,FSA00000251464600013.tif,FSA00000251464600014.tif,FSA00000251464600016.tif2.根據(jù)權(quán)利要求1所述的基于多尺度的自然圖像的非局部去噪方法，其特征在于步驟(2)中所述的對(duì)高頻圖像用BayesShrink方法對(duì)系數(shù)進(jìn)行修正，按如下步驟進(jìn)行2a)利用Donoho提出的魯棒中值法，估計(jì)各高頻圖像的噪聲標(biāo)準(zhǔn)差G,J_0.6745其中，Vij是指第i層第j個(gè)方向的高頻圖像小波系數(shù)，)是指取出Vij中含有的全部小波系數(shù)，abs是指取絕對(duì)值，median是指取中值；2b)估計(jì)各高頻圖像的萎縮閾值其中，A=ymax(c^-σ^,Ο)，它是指第i層第j個(gè)方向的不含噪的高頻圖像標(biāo)準(zhǔn)差，<，是指含噪的高頻圖像方差，η是指第i層第j個(gè)方向的高頻圖像小波系數(shù)的個(gè)數(shù)；2c)用BayesShrink方法將高頻圖像系數(shù)修正，得到修正后的高頻圖像廣二卜詠丨-⑴\νυ\>τΒVjo\φτΒ式中符號(hào)與上述解釋相同。全文摘要本發(fā)明公開(kāi)了一種基于多尺度的自然圖像非局部均值去噪方法，主要克服現(xiàn)有自然圖像去噪結(jié)果中難以保持圖像紋理和細(xì)節(jié)的問(wèn)題。其實(shí)現(xiàn)過(guò)程是(1)對(duì)輸入的含噪自然圖像做小波變換，將其分解為低頻圖像和高頻圖像；(2)用BayesShrink方法對(duì)不同尺度的高頻圖像的系數(shù)進(jìn)行修正，得到修正后的高頻圖像；(3)對(duì)低頻圖像和修正后的高頻圖像進(jìn)行重構(gòu)，得到新的低頻圖像；(4)用非局部均值方法對(duì)重構(gòu)得到新的低頻圖像進(jìn)行修正，得到修正后的低頻圖像；(5)對(duì)修正后的低頻圖像和修正后的高頻圖像進(jìn)行重構(gòu)，得到去噪后的圖像。本發(fā)明相對(duì)于其它的一些經(jīng)典的去噪方法能夠更好抑制噪聲的同時(shí)保持自然圖像的邊緣和紋理細(xì)節(jié)，可用于對(duì)自然圖像的去噪處理。文檔編號(hào)G06T5/00GK101944230SQ20101026854公開(kāi)日2011年1月12日申請(qǐng)日期2010年8月31日優(yōu)先權(quán)日2010年8月31日發(fā)明者侯彪,尚榮華,焦李成,王桂婷,王燦,王爽,鐘樺,馬文萍申請(qǐng)人:西安電子科技大學(xué)