亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于非局部稀疏模型的圖像去噪方法

文檔序號:6362488閱讀:752來源:國知局
專利名稱:基于非局部稀疏模型的圖像去噪方法
基于非局部稀疏模型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,具體地說是基于非局部稀疏模型,利用相似集合數(shù)據(jù)學(xué)習(xí)準(zhǔn)確的小字典,達(dá)到高效稀疏重構(gòu)信號的方法,可用于自然圖像的去噪。
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。圖像處理中許多實際的噪聲可以近似的認(rèn)為是高斯白噪聲, 因此去除含噪圖像中的高斯白噪聲成為圖像去噪領(lǐng)域中一個重要的方向。
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)典的方法包括均值濾波,中值濾波,雙邊濾波等。它們的共同特點就是利用局部窗口內(nèi)像素灰度值的連續(xù)性來對當(dāng)前像素進(jìn)行灰度調(diào)整。這些方法的缺點是在去除噪聲的同時模糊了圖像的細(xì)節(jié)信息,例如圖像的邊緣,紋理等。在空域去噪方法中,近年提出了非局部均值去噪方法,該方法以當(dāng)前像素為中心取大小一定的塊,在整幅圖像內(nèi)尋找與其相同大小具有相似結(jié)構(gòu)的塊,以塊之間的相似度為權(quán)值對當(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。
基于變換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)運而生,如Brushlet變換、Curvelet變換、Contourlet變換和非下采樣Contourlet變換等。多尺度幾何分析旨在尋求高維函數(shù)的有效最優(yōu)表示,而圖像的多尺度幾何分析是一個十分前沿的研究領(lǐng)域,理論和算法還處于發(fā)展階段。
稀疏表示可以理解為基于變換域的圖像去噪方法,但與傳統(tǒng)變換域方法不同。這種方法是從圖像信號的稀疏性出發(fā),利用少量的信息來重構(gòu)信號而不表示噪聲信息,實現(xiàn)圖像去噪。該方法的重點是設(shè)計出有效的字典,即投影矩陣。這類去噪方法有較好去噪效果,具有代表性的方法有K-SVD算法。在該算法中,DCT (離散余弦變換)初始化字典利用含噪圖像中的數(shù)據(jù)來學(xué)習(xí)訓(xùn)練,得到更新后的字典。由于訓(xùn)練的樣本數(shù)據(jù)是全局性的,且是含噪聲的,使得訓(xùn)練得到的字典同樣存在噪聲,所以利用該字典對圖像信號進(jìn)行稀疏表示時, 圖像中的細(xì)節(jié)、紋理和邊緣區(qū)域不能被準(zhǔn)確地稀疏重構(gòu),影響去噪效果。發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述已有技術(shù)的問題,提出一種基于非局部稀疏模型的圖像去噪方法,以對圖像局部區(qū)域分別獨立地訓(xùn)練字典,減少字典中的噪聲,最終提高去噪效^ ο
為實現(xiàn)上述目的,本發(fā)明包括如下步驟
1)對含噪圖像c中的任一點i,以其為頂點選取i的鄰域,鄰域大小為f Xf,將鄰域塊列化為向量記為Xi,再以i為中心得到一個尺度為λ/7的正方形搜索窗Δ,在搜索窗Δ 內(nèi)計算Xi的相似集合
S1 級 j=l’2’…’ J s.t. Il Xj -X1 Il^ <£}
其中,\為Δ中點j鄰域的向量;ε為關(guān)于圖像c噪聲標(biāo)準(zhǔn)差σ的參數(shù);i = l,...,n;n為圖像中點的總數(shù);
2)為相似集合Si設(shè)計稀疏表示的字典Di
2a)將相似集合31大小記為| Si |,選擇閾值參數(shù)u = 15;
2b)將|S」與閾值參數(shù)進(jìn)行比較,選擇字典Di
當(dāng)|S」< u時,選擇K-SVD算法中使用的字典作SSi的字典Di;
當(dāng)ISiI彡u時,首先對相似集合Si的字典Di進(jìn)行初始化,初始化字典記為《,A0包括兩個部分一是計算31中相似數(shù)據(jù){ j e SJ的均值向量A = ^x/1…作為/)。中的JJeSl一個原子;二是利用均值采樣方法從Si中采樣9個相似數(shù)據(jù)\,j e Si,作為其余的原子; 然后利用K-SVD中奇異值分解與多次迭代的學(xué)習(xí)方法,結(jié)合SOMP算法對初始化字典進(jìn)行學(xué)習(xí)更新,得到Si的字典Dit5
3)以相似集合Si內(nèi)的所有相似數(shù)據(jù)\為列向量組成矩陣Xi,其中j e Si ;利用相似集合Si的字典Di,使用SOMP算法求解不等式Il Xi -D1A1 Hg 的最小零范數(shù)解Ai, Ai即為 Xi的稀疏系數(shù),大小為KX I Si I ;其中,K為字典大小;ei= (co)2,c為常數(shù);
4)利用相似集合Si的字典Di和稀疏系數(shù)Ai對相似數(shù)據(jù)Ixp j e SJ進(jìn)行稀疏重構(gòu),得到相似數(shù)據(jù)Ixj, j e SJ中每個鄰域\的去噪結(jié)果A=DiO^i = 1,2,...,η;
5)根據(jù)含噪圖像c中的每一點均包含在不同的鄰域\中,即每一點有多個去噪結(jié)果的特性,對圖像c中每一點的所有去噪結(jié)果求和并取平均,得到圖像c去噪后的結(jié)果η __η _
f = diagC^ Yj RjImV1Yj Σ H/ = 1 J^sl/=1 J^S1
其中,m = f2 .Rj C是二值矩陣,表示\在圖像c中的位置;im是長度為m值ηη全ι的向量;〃_(ΣΣ〃Λ)表示像素點被估計的次數(shù);11〃入表示像素點所有去噪結(jié)/=1 JGSii=l JGSi果的和。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點
1.本發(fā)明中由于對圖像數(shù)據(jù)進(jìn)行稀疏表示時,利用圖像自身數(shù)據(jù)對稀疏表示的字典進(jìn)行初始化與學(xué)習(xí),對圖像進(jìn)行去噪完全依賴含噪圖像自身的信息而無需使用相關(guān)圖像庫信息,所以對圖像去噪更簡單;
2.本發(fā)明由于將圖像數(shù)據(jù)分成不同的集合,為不同集合都設(shè)計了準(zhǔn)確的稀疏表示字典,并且字典冗余性小,所以使用該字典對集合的數(shù)據(jù)進(jìn)行稀疏表示去噪有很好的效果, 且稀疏表示速度快。


圖1是本發(fā)明的流程圖2本發(fā)明使用的第一幅測試圖像;
圖3本發(fā)明使用的第二幅測試圖像;
圖4是本發(fā)明使用的第一幅含噪圖像σ = 20 ;
圖5是用本發(fā)明對圖4進(jìn)行去噪的結(jié)果圖6是分別用本發(fā)明與三種現(xiàn)有方法對圖4進(jìn)行去噪的局部結(jié)果圖7是用本發(fā)明與三種現(xiàn)有方法對Lena圖像去噪后的PSNR曲線對比圖8是用本發(fā)明與三種現(xiàn)有方法對Barbara圖像去噪后的PSNR曲線對比圖。
具體實施方式
參照附圖1,本發(fā)明基于非局部稀疏模型的圖像去噪方法,包括如下步驟
步驟1,在非局部框架下,求解含噪圖像c中點i處的相似集合S”
對含噪圖像c中的一點i,以其為中心,取A =的搜索窗,搜索窗Δ內(nèi)的點位置使用j標(biāo)示,j = 1,2,..., J ;利用公式求解圖像c的點i處的相似集合Si
S1 =1,2,...,n s.t. Il^. -Xj <ε}
其中,Xi,\分別是以i,j為頂點,大小為fXf的鄰域塊列化得到的列向量;ε = (c σ /f)2表示\與Xi相似的閾值,c為常數(shù),σ為圖像噪聲標(biāo)準(zhǔn)差,f是表示鄰域塊邊長的整數(shù),對不同的σ有不同的取值;相似集合Si對應(yīng)的相似數(shù)據(jù)為{xp j e SJ ;i = 1, 2,..., η, η為含噪圖像中像素點的總數(shù);J為搜索窗Δ內(nèi)點的總數(shù)。
步驟2,為相似集合Si設(shè)計稀疏表示的字典Dp
將相似集合Si的大小記為I Si I,選擇閾值參數(shù)u = 15 ;當(dāng)I Si I < u時,選取K-SVD 方法中稀疏表示使用的字典作為Si的字典Di;當(dāng)IsiI彡u時,首先為Si初始化字典,初始化的字典記為,的大小f2X 10 包括兩個部分一是相似數(shù)據(jù)Ixp j e SJ的均值向量4,作為η。中的一個原子;二是利用均勻采樣從相似集合中選取的9個相I …I J^siM似數(shù)據(jù)Xp j e Si,作為其余的原子;然后利用K-SVD中奇異值分解與多次迭代的字典學(xué)習(xí)方法,結(jié)合SOMP算法對初始化字典/^°進(jìn)行學(xué)習(xí),得到相似集合Si的字典D”
步驟3,對相似數(shù)據(jù){ j e SJ進(jìn)行稀疏表示,求解稀疏系數(shù)矩陣Ai。
以相似數(shù)據(jù)\為列向量組成矩陣Xi,其中j e Si ;利用相似集合Si的字典Di,使用SOMP算法求解不等式Il Xi -D1A1 S的最小零范數(shù)解Ai, Ai即為&的稀疏系數(shù)矩陣,大小為KX I Si I,其中,K為字典大??;ε i = (c σ )2,c = 1. 02為常數(shù)^的列向量α 即為\ 的稀疏系數(shù)。
步驟4,計算相似數(shù)據(jù)\的去噪結(jié)果&,即根據(jù)稀疏表示的去噪原理,相似數(shù)據(jù)\ 的去噪結(jié)果為A=DfiC1^ e S。
步驟5,計算圖像c的去噪結(jié)果i
含噪圖像c中每個點均包含在不同的鄰域\,j e Si中,即圖像c中的每一點有多個去噪結(jié)果,對圖像c中每點的所有去噪結(jié)果進(jìn)行求和并取均值,作為該點的去噪結(jié)果,從而得到整幅含噪圖像的去噪結(jié)果 ηη
^ = diagC^ Yj Rj Im )—1 ^ Σi=l JeSii=\ JeSi6
其中,η表示圖像c中像素點總數(shù);A是二值矩陣,表示以j為中心η的塊位置山是值為1、長度為m的列向量;ΣΣΑ盡表示像素點所有去噪結(jié)果的和;/=1 JGSiηdiasCL Σ rj l)表示像素點被估計的次數(shù)。i=l JGSi
本發(fā)明的效果可通過以下仿真實驗進(jìn)一步說明
一.實驗條件和內(nèi)容
實驗條件實驗所使用的輸入圖像如圖2和3所示,其中,圖2是測試圖像Lena, 圖3是測試圖像Barbara,圖4是圖2加入噪聲標(biāo)準(zhǔn)差為20的含噪圖像。
實驗內(nèi)容在上述實驗條件下,選用當(dāng)前去噪領(lǐng)域內(nèi)幾種典型的算法和本發(fā)明方法進(jìn)行比較實驗,它們分別是(1)非局部均值濾波方法NLM ; O)K-SVD ; (3)BM3D ;去噪結(jié)果的客觀評價指標(biāo)用峰值信噪比PSNR衡量。
實驗1,用現(xiàn)有的NLM算法對圖4進(jìn)行去噪,其中搜尋窗大小為21X21,鄰域塊大小為7X7,平滑參數(shù)h = 12ο,σ為含噪圖像的噪聲標(biāo)準(zhǔn)差,得到的圖像局部去噪結(jié)果如圖6(a)所示。從圖6(a)可以看出,此方法具備一定噪聲抑制能力,但視覺效果不理想,不能很好地保持圖像的邊緣和紋理信息,同時平滑區(qū)域的噪聲未能有效地去除。
實驗2,用現(xiàn)有的K-SVD算法對圖4進(jìn)行去噪,相似窗大小為8X8,使用字典大小 64X256,字典更新迭代次數(shù)為20,得到的圖像局部去噪結(jié)果如圖6(b)所示。從圖6(b)可以看出,稀疏表示具備良好的噪聲抑制能力,視覺效果也較優(yōu),但是不能夠很好地保持圖像的細(xì)節(jié)紋理信息,容易產(chǎn)生吉布斯現(xiàn)象。
實驗3,用現(xiàn)有的BM3D方法對圖4進(jìn)行去噪,得到的圖像局部結(jié)果如圖6 (c),從圖 6(c)可以看出,無論是噪聲抑制,圖像細(xì)節(jié)紋理信息的保持,該方法都取得了理想的效果。 該方法是目前圖像去噪領(lǐng)域具有代表性的方法。
實驗4,用本發(fā)明對圖4進(jìn)行去噪,參數(shù)設(shè)置為f = 9,V7 = 61, ε = (35o/f)2, ^i= (1. 02 σ)2,其結(jié)果如圖5。圖6(d)是圖5的局部結(jié)果圖。從圖6(d)可以看出,本發(fā)明方法有顯著的噪聲抑制能力,對圖像細(xì)節(jié)紋理保持也有很好的效果,與BM3D方法去噪性能相近。
實驗5,對圖2和圖3中的測試圖像分別加入噪聲標(biāo)準(zhǔn)差σ為10,20,25,50的高斯加性白噪聲,用PSNR作為去噪效果的評價指標(biāo),將上述三種現(xiàn)有的去噪方法和本發(fā)明的方法進(jìn)行比較,各種方法去噪結(jié)果的PSNR值列在表1中。圖7、圖8是由表1得到的本發(fā)明與三種現(xiàn)有方法對圖2、圖3去噪后的PSNR曲線對比圖其中,本發(fā)明方法中的參數(shù)f取值為當(dāng)ο彡25時,f = 9 ;當(dāng)ο > 25時,f = 12。表1中的結(jié)果均為5次平均后的結(jié)果。
表1各種去噪算法的PSNR(dB)比較
權(quán)利要求
1.一種基于非局部稀疏模型的圖像去噪方法,包括如下步驟1)對含噪圖像C中的任一點i,以其為頂點選取i的鄰域,鄰域大小為fXf,將鄰域塊列化為向量記為Xi,再以i為中心得到一個尺度為λ/7的正方形搜索窗Δ,在搜索窗Δ內(nèi)計算Xi的相似集合
2.根據(jù)權(quán)利要求1所述的基于非局部稀疏模型的圖像去噪方法,其特征在于步驟2)所述的利用K-SVD中奇異值分解與多次迭代的學(xué)習(xí)框架,結(jié)合SOMP算法對初始化字典進(jìn)行學(xué)習(xí)更新,按如下步驟進(jìn)行2a)利用初始化字典使用SOMP算法對相似數(shù)據(jù)Ixp j e SJ進(jìn)行稀疏表示,得到稀疏系數(shù)矩陣4 =[ ]^,,i = 1,. . .,n,其中
全文摘要
本發(fā)明公開了一種基于非局部稀疏模型的圖像去噪方法,主要解決現(xiàn)有技術(shù)對含噪圖像進(jìn)行稀疏表示去噪時,圖像中的細(xì)節(jié)、紋理和邊緣區(qū)域信息難以保持的問題。其實現(xiàn)過程是(1)求解含噪圖像中每點鄰域的相似集合;(2)根據(jù)相似集合的大小,為相似集合設(shè)計稀疏表示的字典;(3)利用得到的字典,使用SOMP算法對相似集合數(shù)據(jù)進(jìn)行稀疏分解與稀疏重構(gòu),實現(xiàn)相似集合數(shù)據(jù)去噪;(4)對含噪圖像中每點的所有去噪結(jié)果求和并取均值,作為該點最終的去噪結(jié)果,進(jìn)而得到整幅圖像的去噪結(jié)果。本發(fā)明提高了圖像去噪效果及對圖像信號進(jìn)行稀疏表示的效率,可用于對目標(biāo)跟蹤與識別。
文檔編號G06T5/00GK102542542SQ20121000038
公開日2012年7月4日 申請日期2012年1月2日 優(yōu)先權(quán)日2012年1月2日
發(fā)明者侯彪, 劉家賓, 張小華, 焦李成, 王桂婷, 王爽, 緱水平, 鐘樺 申請人:西安電子科技大學(xué)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1