本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及了去除加性噪聲的圖像去噪領(lǐng)域。

背景技術(shù)：

圖像去噪旨在通過(guò)對(duì)被噪聲污染的圖像進(jìn)行某種處理，以降低噪聲對(duì)原始有用信息的影響，盡可能的還原出被噪聲污染前的原始圖像。

獨(dú)立分量分析(Independent Component Analysis，ICA)是20世紀(jì)90年代發(fā)展起來(lái)的一種新的信號(hào)處理技術(shù)?；镜腎CA是指從多個(gè)源信號(hào)的線(xiàn)性混合信號(hào)中分離出各源信號(hào)的技術(shù)。除了需要已知源信號(hào)是統(tǒng)計(jì)獨(dú)立外，無(wú)其他先驗(yàn)知識(shí)，ICA是伴隨著盲信源問(wèn)題而發(fā)展起來(lái)的，故又稱(chēng)盲分離。在時(shí)間信號(hào)處理方面由于ICA可以在n個(gè)原信號(hào)和線(xiàn)性混合系數(shù)都未知的情況下可以把這n個(gè)原信號(hào)從他們線(xiàn)性混合成的n個(gè)混合信號(hào)中分離出來(lái)，并且它的假設(shè)條件僅是這n個(gè)原信號(hào)之間是相互獨(dú)立的，所以ICA在時(shí)間信號(hào)分離方面具有良好的應(yīng)用優(yōu)勢(shì)。在圖像信號(hào)處理方面，加性噪聲圖像可以看成是噪聲與純凈圖像的線(xiàn)性相加，而實(shí)際中噪聲和原始純凈圖像一般是相互獨(dú)立的，符合ICA應(yīng)用的假設(shè)條件，所以ICA可以應(yīng)用在含有加性噪聲情況下的圖像去噪處理。

但I(xiàn)CA方法在進(jìn)行圖像去噪時(shí)，需要至少2幅帶噪聲的圖像或者一幅純凈無(wú)噪圖像和一幅噪聲圖像，并且圖像之間相互獨(dú)立。在只能提供一幅含噪圖像的情況，ICA方法不具備圖像去噪應(yīng)用條件。本發(fā)明將ICA和NLTV相結(jié)合進(jìn)行圖像去噪。在對(duì)含加性噪聲的輸入含噪圖像進(jìn)行NLTV初步去噪后，得到初步去噪圖像，這個(gè)初步去噪圖像在一定程度上可以認(rèn)為是另一張帶噪聲圖像。再利用這二幅圖像，應(yīng)用ICA方法進(jìn)行圖像去噪。

GUY GILBOA和STANLEY OSHER提出的非局部TV模型(Nonlocal Total Variation,NLTV)是將GUY GILBOA和STANLEY OSHER提出的非局部算子(見(jiàn)文獻(xiàn)：NONLOCAL OPERATORS WITH APPLICATIONS TO IMAGE PROCESSING.SIAM Multiscale Modeling and Simulation.Vol.7,No.3,pp.1005–1028)引入到Rudin-Osher-Fatemi提出的總變分(Total Variation，TV)模型中得到的，NLTV模型具有在去除圖像噪聲的同時(shí)能較好地保留圖像的紋理細(xì)節(jié)的特點(diǎn)。本文中所提到的NLTV模型是指GUY GILBOA和STANLEY OSHER提出的非局部TV模型。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決ICA技術(shù)只能應(yīng)用于只有單一輸入含噪圖像情況下的圖像去噪問(wèn)題的缺點(diǎn)，提出一種基于ICA和NLTV的圖像去噪方法，提高了ICA在圖像去噪領(lǐng)域的應(yīng)用價(jià)值。

本發(fā)明方法利用NLTV方法對(duì)輸入的含噪圖像u₀進(jìn)行初步去噪，得到初步去噪圖像u₁，在獲得的u₁、u₀基礎(chǔ)上應(yīng)用ICA方法對(duì)輸入圖像u₀去噪，得到ICA方法去噪后的圖像u₂。為了獲得更好的去噪效果，對(duì)u₂再一次進(jìn)行NLTV去噪，輸出的去噪結(jié)果圖像作為最后去噪結(jié)果圖像。本發(fā)明方法和NLTV相比具有更好的圖像去噪效果。去噪后的圖像有更高的峰值信噪比。

本發(fā)明所述的基于ICA和NLTV的圖像去噪方法，包括如下步驟：

(1)首先輸入N×N大小的含噪圖像u₀。

(2)設(shè)置本發(fā)明去噪方法中的相關(guān)參數(shù)，包括ICA迭代收斂閾值e，第一輪NLTV的搜索窗口大小N₁×N₁、鄰域窗口大小N₂×N₂、保真參數(shù)λ₁、像素相似度權(quán)重函數(shù)ω₁的參數(shù)h₁、像素相似度權(quán)重函數(shù)ω₁中高斯核的標(biāo)準(zhǔn)差σ₁，分裂的Bregman迭代輔助變量b₁^k的初始值b₁⁰、平滑參數(shù)θ₁。第二輪NLTV的搜索窗口大小N₃×N₃、鄰域窗口大小N₄×N₄、保真參數(shù)λ₂、像素相似度權(quán)重函數(shù)ω₂的權(quán)重函數(shù)參數(shù)h₂、像素相似度權(quán)重函數(shù)ω₂中高斯核的標(biāo)準(zhǔn)差σ₂，分裂的Bregman迭代輔助變量b₂^k的初始值b₂⁰、平滑參數(shù)θ₂。

(3)對(duì)噪聲圖像u₀用NLTV方法進(jìn)行第一輪去噪。在本步驟中，對(duì)NLTV模型采用分裂的Bregman算法進(jìn)行數(shù)值迭代求解，迭代一次后獲得初步去噪圖像u₁。用于基于ICA方法的圖像去噪[步驟(4)-(10)]。

(4)將u₀與u₁看成是純?cè)雸D像與無(wú)噪圖像線(xiàn)性混合成的兩個(gè)信號(hào)，基于這兩個(gè)圖像信號(hào)構(gòu)建混合矩陣S，對(duì)S進(jìn)行中心化后得到矩陣S_e，對(duì)S_e進(jìn)行白化處理，得到處理結(jié)果Z。

(5)建立初始解混矩陣B。

(6)建立初始隨機(jī)列向量L，L各向量元素取值范圍是[0,1]。

(7)對(duì)L進(jìn)行迭代。目的是通過(guò)L的迭代運(yùn)算結(jié)果來(lái)逼近解混矩陣B的一個(gè)列向量的真值。

(8)若滿(mǎn)足L迭代的停止條件，則轉(zhuǎn)向步驟(9)，否則返回步驟(7)。

(9)用迭代結(jié)果L替換B的一個(gè)列向量，如果B的列向量全被替換過(guò)一次，則轉(zhuǎn)向步驟(10)，否則返回步驟(6)。

(10)進(jìn)行W＝B^TS運(yùn)算。W的第一行行向量經(jīng)轉(zhuǎn)換即得到去噪后的圖像u₂，轉(zhuǎn)換規(guī)則是：W的第一個(gè)行向量的第(α-1)×N+β列元素轉(zhuǎn)換為u₂的第α列第β行元素，其中α和β取值均為1,2,3,...,N。

(11)為了對(duì)u₂進(jìn)一步去噪，建立第二輪NLTV模型。

(12)對(duì)步驟(11)建立的NLTV模型，用分裂的Bregman算法求解，得到三步式數(shù)值迭代計(jì)算公式。并設(shè)迭代計(jì)數(shù)變量初值k＝0。

(13)用步驟(12)中得到的分裂的Bregman算法三步式數(shù)值迭代計(jì)算公式進(jìn)行順序迭代運(yùn)算，得到本次迭代的輸出圖像u₃^k+1。

(14)計(jì)算步驟(13)中的迭代輸出圖像u₃^k+1的峰值信噪比PSNR，如果本次迭代后輸出圖像u₃^k+1的峰值信噪比PSNR小于等于上一次迭代輸出圖像u₃^k的峰值信噪比PSNR，則迭代結(jié)束，將上一次迭代輸出圖像u₃^k作為最優(yōu)值u_final輸出，即令u_final＝u₃^k，并轉(zhuǎn)到步驟(15)；如果本次迭代后輸出圖像u₃^k+1的峰值信噪比PSNR大于上一次迭代輸出圖像u₃^k的峰值信噪比，則更新k值：k＝k+1,并返回到步驟(13)，繼續(xù)迭代運(yùn)算。

(15)將結(jié)果u_final作為最終去噪結(jié)果圖像輸出。

本發(fā)明的優(yōu)點(diǎn)是：將具有只要滿(mǎn)足n個(gè)原信號(hào)之間相互獨(dú)立，不需要其他的先驗(yàn)條件之優(yōu)勢(shì)的ICA應(yīng)用于單幅圖像去噪；通過(guò)NLTV去噪方法對(duì)輸入的含噪聲圖像u₀進(jìn)行初步去噪，利用初步去噪后的圖像u₁與原噪聲圖像u₀進(jìn)行ICA迭代，去除圖像u₀的噪聲，得到去噪后圖像u₂，然后再對(duì)u₂再一次進(jìn)行NLTV去噪，輸出的去噪結(jié)果圖像作為最后去噪結(jié)果圖像，以獲得更好的去噪效果；本發(fā)明采用了分裂Bregman迭代進(jìn)行NLTV模型的數(shù)值實(shí)現(xiàn)，它將迭代過(guò)程分成三步，降低了迭代的復(fù)雜性，加快去噪運(yùn)算的速度。

附圖說(shuō)明

附圖1是本發(fā)明方法的流程圖。

附圖2是本發(fā)明仿真實(shí)驗(yàn)所用的原始圖像，圖2a是Lena圖像，圖2b是Peppers圖像。

附圖3是本發(fā)明對(duì)原始Peppers圖像加均值為零標(biāo)準(zhǔn)差為15的高斯噪聲后的圖像進(jìn)行去噪的仿真結(jié)果，其中，圖3a是待去噪的含噪圖像(所含噪聲的標(biāo)準(zhǔn)差為15)，圖3b是NLTV去噪結(jié)果，圖3c是本發(fā)明方法的去噪結(jié)果。

具體實(shí)施方式

下面結(jié)合附圖進(jìn)一步說(shuō)明本發(fā)明。

本發(fā)明所述的基于ICA和NLTV的圖像去噪方法，步驟如下：

(1)首先輸入N×N大小的含噪圖像u₀。

(2)設(shè)置本發(fā)明方法中的相關(guān)參數(shù)，包括ICA迭代收斂閾值e，第一輪NLTV的搜索窗口大小N₁×N₁、鄰域窗口大小N₂×N₂、保真參數(shù)λ₁、像素相似度權(quán)重函數(shù)ω₁的參數(shù)h₁、像素相似度權(quán)重函數(shù)ω₁中高斯核的標(biāo)準(zhǔn)差σ₁，分裂的Bregman迭代輔助變量b₁^k的初始值b₁⁰、平滑參數(shù)θ₁。第二輪NLTV的搜索窗口大小N₃×N₃、鄰域窗口大小N₄×N₄、保真參數(shù)λ₂、像素相似度權(quán)重函數(shù)ω₂的參數(shù)h₂、像素相似度權(quán)重函數(shù)ω₂中高斯核的標(biāo)準(zhǔn)差σ₂，分裂的Bregman迭代輔助變量b₂^k的初始值b₂⁰、平滑參數(shù)θ₂。

(3)本發(fā)明中為了應(yīng)用ICA方法進(jìn)行圖像去噪，除了輸入的含噪圖像u₀，還需另一幅含噪圖像u₁，本發(fā)明通過(guò)用NLTV方法對(duì)含噪圖像u₀進(jìn)行初步去噪來(lái)獲得u₁(稱(chēng)為第一輪NLTV去噪)。首先建立NLTV模型(稱(chēng)為第一輪NLTV模型)：其中J(u₁)是第一輪NLTV模型的目標(biāo)函數(shù)，Ω是u₀、u₁的圖像空間，λ₁是保真參數(shù)，u₀是輸入的含噪聲的待去噪圖像，u₁是去噪后的圖像；是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子，其中變量p₁表示當(dāng)前像素點(diǎn)，變量q₁表示以p₁為中心的搜索窗口內(nèi)的一點(diǎn)，u₁(p₁)、u₁(q₁)分別是圖像u₁上的點(diǎn)p₁和q₁的像素灰度值；是圖像u₀中的兩個(gè)像素點(diǎn)p₁和q₁的相似度權(quán)重函數(shù)，表示圖像u₀中以p₁為中心的大小為N₂×N₂的圖像塊和以q₁為中心的大小為N₂×N₂的圖像塊之間的高斯加權(quán)距離，表示求和范圍是以p₁或q₁為中心的N₂×N₂鄰域內(nèi)的每一像素點(diǎn)(不包括p₁或q₁自身)，共N₂×N₂-1項(xiàng),是標(biāo)準(zhǔn)差為σ₁的高斯核，h₁是權(quán)重函數(shù)ω₁(p₁,q₁)的常數(shù)參數(shù)，在步驟(2)中對(duì)h₁、σ₁進(jìn)行賦值。對(duì)該NLTV模型，采用分裂的Bregman算法進(jìn)行迭代逼近求解。引入輔助函數(shù)w₁^k和輔助變量b₁^k，構(gòu)造如下三步迭代格式：

其中，k的取值是0，1，2，…,等非負(fù)整數(shù)，迭代初始值u₁⁰＝u₀，b^k、w^k分別表示分裂的Bregman迭代的輔助變量和輔助函數(shù)，θ₁是控制迭代結(jié)果的平滑參數(shù)，b₁^k的初始值b₁⁰、以及λ₁和θ₁的賦值在步驟(2)中進(jìn)行預(yù)設(shè)。

求解式(3-1)和式(3-2)，并數(shù)值化，式(3-3)也數(shù)值化，由此得到數(shù)值化后的三步迭代格式，如步驟(4)中的式(3‐4)、(3‐5)和式(3‐6)所示。第一次迭代運(yùn)算前，令k＝0；

順序地應(yīng)用公式(3‐4)、(3‐5)、(3‐6)進(jìn)行迭代，

其中表示求和范圍是以p₁為中心的搜索窗口N₁×N₁內(nèi)除p₁以外的每一像素點(diǎn)，求和項(xiàng)數(shù)共N₁×N₁-1項(xiàng)，ω₁(p₁,q₁)是u₀的兩個(gè)像素點(diǎn)p₁和q₁的相似度權(quán)重函數(shù)。

在本步驟中，設(shè)初值k＝0，順序地按式(3-4)、(3-5)、(3-6)進(jìn)行迭代運(yùn)算一次，得到初步去噪后的圖像u₁＝u₁¹；

(4)使用u₀與u₁進(jìn)行中心化和白化處理。具體方法是：首先將大小N×N的圖像u₀轉(zhuǎn)換成1×N²的行向量X，轉(zhuǎn)換規(guī)則是u₀的第α(α＝1,2,3,...,N)列第β(β＝1,2,3,...,N)行元素轉(zhuǎn)為X的第(α-1)×N+β列元素；用同樣方法將大小N×N的圖像u₁轉(zhuǎn)換成1×N²的行向量Y。用X和Y構(gòu)建混合矩陣并進(jìn)行中心化和白化。中心化是將原始數(shù)據(jù)減去平均數(shù)。白化也稱(chēng)為球化，它的本質(zhì)是去相關(guān)。如果均值為零的隨機(jī)向量O＝[o₁,o₂,...,o_n]^T滿(mǎn)足E{OO^T}＝I，其中I是單位矩陣，那么隨機(jī)向量O＝[o₁,o₂,...,o_n]^T是白化向量。

對(duì)S進(jìn)行中心化后得到矩陣S_e：

其中x_i和y_i分別是X和Y的第i個(gè)元素，i＝1,2,…,N×N，是X的所有元素的均值，是Y的所有元素的均值，

對(duì)S_e進(jìn)行白化處理，即白化矩陣W₀與S_e相乘，得到Z：

Z＝W₀S_e

其中白化矩陣W₀＝Λ^-1/2U^T，Λ是S_e^T的協(xié)方差矩陣的特征值矩陣，U是S_e^T的協(xié)方差矩陣的特征向量矩陣。Z將參與后續(xù)的步驟。這一處理可以降低后續(xù)步驟的計(jì)算復(fù)雜度。

(5)設(shè)置解混矩陣B的初始值為2×2的零矩陣。

(6)建立一個(gè)大小為2×1，的隨機(jī)列向量L，L各元素取值范圍是[0～1]。

(7)對(duì)L進(jìn)行迭代。迭代公式如下：

L＝E{Zg(L^TZ)}-E{g₁(L^TZ)}L，

L＝L-BB^TL,

L＝L/||L||,

其中E{·}是均值運(yùn)算，g(·)為任意二次函數(shù),在本發(fā)明中令g(·)為g(t)＝t²。g₁(·)是g(·)的一階導(dǎo)數(shù)。

(8)如果L滿(mǎn)足||L^TL|-1|<e，則轉(zhuǎn)到步驟(9)；如果L不滿(mǎn)足||L^TL|-1|<e，則返回到步驟(7)。其中e是ICA方法中的收斂閾值，為常數(shù)，其值在步驟(2)預(yù)先設(shè)置。

(9)用L來(lái)替換更新B中的一個(gè)列向量。如果B的所有列向量都被替換更新一次，則轉(zhuǎn)到步驟(10)。如果B的所有列向量沒(méi)有被替換更新完，則返回到步驟(6)。

(10)利用得到的解混矩陣B分離出噪聲，獲得去噪后的圖像。步驟如下：先計(jì)算解混結(jié)果W＝B^TS，再將W中的兩個(gè)1×N²大小行向量都轉(zhuǎn)換成N×N大小的矩陣，則可以得到分離后的去噪圖像u₂和噪聲圖像。轉(zhuǎn)換規(guī)則是：W的第一個(gè)行向量的第(α-1)×N+β列元素轉(zhuǎn)為u₂的第α列第β行元素，其中α和β取值均為1,2,3,...,N。

(11)為了再次提升去噪效果，將u₂進(jìn)行第二輪NLTV去噪。建立NLTV模型其中J(u₃)是第二輪NLTV模型的目標(biāo)函數(shù)，Ω表示u₂、u₃的圖像空間,λ₂是保真參數(shù)，u₃是去噪后的圖像；是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子，其中p₂表法當(dāng)前像素點(diǎn)，q₂給示以p₂為中心的搜索窗口內(nèi)的一點(diǎn)，u₃(p₂)、u₃(q₂)分別是圖像u₃上的點(diǎn)p₂和q₂的像素灰度值；

是圖像u₂的兩個(gè)像素點(diǎn)p₂和q₂的相似度權(quán)重函數(shù)，表示圖像u₂中以p₂為中心的大小為N₄×N₄的圖像塊和以q₂為中心的大小為N₄×N₄的圖像塊之間的高斯加權(quán)距離，表示求和范圍是以p₂或q₂為中心的N₄×N₄鄰域內(nèi)的每一像素點(diǎn)(不包括p₂或q₂自身)，共N₄×N₄-1項(xiàng)，是標(biāo)準(zhǔn)差為σ₂的高斯核，h₂是權(quán)重函數(shù)ω₂(p₂,q₂)的常數(shù)參數(shù)，在步驟(2)中對(duì)h₂、σ₂進(jìn)行賦值。

(12)對(duì)步驟(11)建立的NLTV模型，采用分裂的Bregman迭代實(shí)現(xiàn)，迭代過(guò)程分成三步，如式(12-1)、(12-2)和式(12-3)所示，降低了迭代的復(fù)雜性，加快了迭代速度。

其中，k的取值是0，1，2，…,等非負(fù)整數(shù)，迭代初始值u₃⁰＝u₂，b₂^k、w₂^k分別表示分裂的Bregman迭代的輔助變量和輔助函數(shù)，λ₂就是步驟(11)建立的NLTV模型中的保真參數(shù)，θ₂是控制迭代結(jié)果的平滑參數(shù)，b₂^k的初始值b₂⁰、λ₂以及和θ₂的賦值在步驟(2)中進(jìn)行預(yù)設(shè)。

求解式(12-1)和式(12-2)，并數(shù)值化，式(12-3)也數(shù)值化，由此得到數(shù)值化后的迭代格式，如式(13-1)、(13-2)和式(13-3)所示。第一次迭代前，設(shè)k＝0。

(13)順序地按式(13-1)、(13-2)和式(13-3)進(jìn)行迭代計(jì)算。

其中ω₂(p₂,q₂)是u₂的像素點(diǎn)p₂和q₂間的相似度權(quán)重函數(shù)，表示求和范圍是以p₂為中心的搜索窗口N₃×N₃內(nèi)除p₂以外的每一像素點(diǎn)，求和項(xiàng)數(shù)共N₃×N₃-1項(xiàng)；

(14)計(jì)算步驟(13)的輸出圖像u₃^k+1的峰值信噪比PSNR，如果本次迭代后輸出圖像u₃^k+1的峰值信噪比PSNR小于等于上一次迭代輸出圖像u₃^k的峰值信噪比PSNR，則滿(mǎn)足迭代停止條件，將上一次迭代輸出圖像u₃^k作為最優(yōu)值u_final輸出，即令u_final＝u₃^k，并轉(zhuǎn)到步驟(15)；如果本次迭代后輸出圖像u₃^k+1的峰值信噪比PSNR大于上一次迭代輸出圖像u₃^k的峰值信噪比PSNR，則不滿(mǎn)足迭代停止條件，更新k值：k＝k+1，并返回到步驟(13)，繼續(xù)迭代運(yùn)算。

(15)將結(jié)果u_final作為最終去噪結(jié)果圖像輸出。

本發(fā)明的效果可以通過(guò)以下實(shí)驗(yàn)進(jìn)一步證實(shí)。

1、實(shí)驗(yàn)條件：

使用Matlab軟件對(duì)256×256尺寸的Lena、Peppers和House圖像進(jìn)行仿真實(shí)驗(yàn)。在圖2所示的原始干凈的圖像上分別疊加標(biāo)準(zhǔn)差為15和20的高斯噪聲(均值為零)后作為待去噪的輸入圖像。本實(shí)驗(yàn)的參數(shù)為：

對(duì)于標(biāo)準(zhǔn)差為15的Lena噪聲圖：e＝0.0001、N₁×N₁＝5×5、N₂×N₂＝5×5、h₁＝9、σ₁＝6、λ₁＝1、θ₁＝11.5、b₁＝0、w₁＝0、N₃×N₃＝5×5、N₄×N₄＝5×5、h₂＝13、σ₂＝6、λ₂＝1、θ₂＝11.5、b₂＝0、w₂＝0。

對(duì)于標(biāo)準(zhǔn)差為20的Lena噪聲圖：e＝0.0001、N₁×N₁＝3×3、N₂×N₂＝3×3、h₁＝9、σ₁＝6、λ₁＝1、θ₁＝11.5、b₁＝0、w₁＝0、N₃×N₃＝5×5、N₄×N₄＝5×5、h₂＝13、σ₂＝6、λ₂＝1、θ₂＝11.5、b₂＝0、w₂＝0。

對(duì)于標(biāo)準(zhǔn)差為15的Peppers噪聲圖：e＝0.0001、N₁×N₁＝5×5、N₂×N₂＝5×5、h₁＝9、σ₁＝6、λ₁＝1、θ₁＝11.5、b₁＝0、w₁＝0、N₃×N₃＝5×5、N₄×N₄＝5×5、h₂＝13、σ₂＝8、λ₂＝1、θ₂＝11.5、b₂＝0、w₂＝0。

對(duì)于標(biāo)準(zhǔn)差為20的Peppers噪聲圖：e＝0.0001、N₁×N₁＝3×3、N₂×N₂＝3×3、h₁＝14、σ₁＝6、λ₁＝1、θ₁＝11.5、b₁＝0、w₁＝0、N₃×N₃＝5×5、N₄×N₄＝5×5、h₂＝14、σ₂＝6、λ₂＝1、θ₂＝11.5、b₂＝0、w₂＝0。

2、實(shí)驗(yàn)內(nèi)容

按照上面所述的實(shí)驗(yàn)步驟進(jìn)行Matlab實(shí)驗(yàn)仿真,并將本發(fā)明方法與NLTV方法(采用分裂的Bregman算法迭代逼近來(lái)求解)進(jìn)行比較。

3、實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果見(jiàn)表一以及附圖3。實(shí)驗(yàn)結(jié)果表明本發(fā)明方法比NLTV方法有更高的峰值信噪比(PSNR)，去噪效果更好。

表一 用本發(fā)明方法和NLTV方法去噪前后圖像的峰值信噪比

以上所述,僅是本發(fā)明的較佳實(shí)施例而已,并不對(duì)本發(fā)明做形式上的限制,凡是依據(jù)本發(fā)明對(duì)以上實(shí)例所做的簡(jiǎn)單修改，等同變化與修飾,均仍屬本發(fā)明技術(shù)方案的范圍內(nèi)。