本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種噪聲估計的圖像去噪方法。

背景技術(shù)：

隨著數(shù)字圖像和多媒體技術(shù)的快速發(fā)展，各種類型的光學(xué)成像系統(tǒng)也越來越多，人們對成像系統(tǒng)的畫面質(zhì)量要求也越來越高，但在圖像的傳輸過程中，難免會受到各種噪聲的污染，從而導(dǎo)致所獲取的圖像與原始的圖像質(zhì)量有所降低，不僅會影像圖像的效果，噪聲嚴(yán)重時甚至?xí)绊憟D像的可讀性，從而導(dǎo)致后續(xù)獲取信息出現(xiàn)錯誤。因此，在圖像處理領(lǐng)域中，對數(shù)字圖像進(jìn)行去噪是十分有意義的。

目前一種常用的去噪方法是性能優(yōu)異且邊緣保持能力較強(qiáng)的非局部均值(nlm)圖像去噪算法。其基本思想是在整幅圖像中尋找與待去噪像素相似的像素并以這些相似像素的權(quán)值平均值作為其去噪結(jié)果，相似度越高的像素對應(yīng)的權(quán)值也越高。其優(yōu)點在于引入非局部思想和基于圖像塊的相似度的概念。在自然圖像中，每個像素對應(yīng)的相似像素往往不僅限于其周圍較小范圍內(nèi)，且去噪效果也一般與參與去噪的相似像素數(shù)量成正比，因此引入非局部搜索方式對提升去噪性能具有重大意義。相似度的準(zhǔn)確性是非局部搜索發(fā)揮作用的基本保證，若相似度的準(zhǔn)確性無法得到保證，使用圖像塊向量間的高斯加權(quán)歐式距作為像素間的相似度，顯著提升了噪聲環(huán)境中相似度的魯棒性。

帶噪圖像中的噪聲通常被認(rèn)為是均值為零標(biāo)準(zhǔn)差位置的加性白噪聲，因此，合理地估計噪聲水平對于去噪可以起到一定的引導(dǎo)作用，而圖像中平滑區(qū)域的噪聲水平往往比細(xì)節(jié)豐富的區(qū)域更接近圖像的噪聲水平，因此利用超像素分割得到的圖像內(nèi)容相關(guān)的同源塊，避免了邊緣的影響，同時，結(jié)合信息熵來評價超像素同源區(qū)域的平滑程度，信息熵值越小代表圖像中的紋理信息越少，則圖像越平滑。因此，選出較為平滑的超像素同源區(qū)域用來估計圖像的噪聲水平，以此為依據(jù)修正nlm去噪算法，更有效地對圖像進(jìn)行去噪，在對圖像進(jìn)行去噪的同時很好地保留了細(xì)節(jié)和邊緣信息。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提出一種自適應(yīng)的，易于實現(xiàn)，魯棒性強(qiáng)的圖像去噪方法，從而解決現(xiàn)有圖像去噪方法由于未知噪聲水平而引起的去噪程度不足或去噪過度的問題，并在去噪的同時有效地保留了邊緣和紋理信息。

本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：一種圖像去噪的方法，該方法包括以下步驟：

(1)對帶噪圖j進(jìn)行基于熵率的超像素分割，得到若干超像素同源區(qū)域li；

(2)根據(jù)圖像信息熵理論，計算每個超像素同源區(qū)域的信息熵：

li代表第i個超像素同源區(qū)域，l代表像素的灰度級，代表第i個超像素同源區(qū)域中灰度級為l的概率，代表li中的信息熵；

(3)根據(jù)計算得到的各個超像素同源區(qū)域的信息熵的大小進(jìn)行排序，選出值最小的t個超像素同源區(qū)域(占總數(shù)的10～20％)，即為圖像中最為平滑的部分區(qū)域，并標(biāo)記為1，其他區(qū)域標(biāo)記為0，得到平滑區(qū)域的二值圖；

(4)計算各個平滑同源區(qū)域的標(biāo)準(zhǔn)差

是li中像素x的強(qiáng)度，代表li中平均強(qiáng)度，為超像素塊中像素的個數(shù)；

(5)計算上述平滑同源區(qū)域的平均標(biāo)準(zhǔn)差，以此作為估計得到的整幅圖像的噪聲水平：

(6)利用估計得到的噪聲水平修正nlm去噪算法對帶噪圖像進(jìn)行去噪，得到去噪圖f，其中，去噪圖像f中的像素x的強(qiáng)度f(x)為：

i代表帶噪圖j中像素x的鄰域，y表示鄰域i中的像素，j(y)表示像素y在帶噪圖j中的強(qiáng)度；w(x,y)代表像素x與像素y之間的相似性：

z(x)是像素x處的歸一化參數(shù)，h代表控制去噪程度的平滑參數(shù)，

c為常數(shù)，c∈[300,500](16)。

本發(fā)明的有益效果在于：利用超像素分割得到的圖像內(nèi)容相關(guān)的同源塊，避免了邊緣的影響，同時，結(jié)合信息熵來評價超像素同源區(qū)域的平滑程度，信息熵值越小代表圖像中的紋理信息越少，則圖像越平滑。因此，選出較為平滑的超像素同源區(qū)域用來估計圖像的噪聲水平，以此為依據(jù)修正nlm去噪算法，更有效地對圖像進(jìn)行去噪，在對圖像進(jìn)行去噪的同時很好地保留了細(xì)節(jié)和邊緣信息。

附圖說明

圖1為發(fā)明方法的流程框圖。

圖2為任意帶噪圖像。

圖3為帶噪圖像進(jìn)行超像素分割得到的分割圖。

圖4為通過計算同源區(qū)域的信息熵得到的二值圖。

圖5為圖2的最終去噪效果圖。

圖6～9為帶噪圖、使用nlm方法去噪圖、以及本發(fā)明方法(s+nlm)去噪圖的三個比較示例圖。

具體實施方式

本發(fā)明一種基于噪聲估計的圖像去噪方法，先利用超像素分割根據(jù)圖像內(nèi)容將其分為若干同源區(qū)域，以圖像信息熵為依據(jù)找出圖像中較為平滑的同源區(qū)域，并估計平滑區(qū)域的噪聲標(biāo)準(zhǔn)差，從而根據(jù)噪聲水平對非局部均值(nlm)去噪方法進(jìn)行修正，實現(xiàn)根據(jù)噪聲程度合理地控制去噪程度，在去噪的同時更好地保留了細(xì)節(jié)。

下面結(jié)合附圖和實例進(jìn)行詳細(xì)說明：

圖1為本發(fā)明方法的簡易流程框圖。下面結(jié)合實施例對本發(fā)明作進(jìn)一步說明。

(1)獲取一張帶噪圖j，如圖2所示；

(2)對圖像進(jìn)行基于熵率的超像素分割，得到若干超像素同源區(qū)域，本實施例中，共分割出200個同源區(qū)域，如圖3所示；

(3)根據(jù)圖像信息熵理論，計算每個超像素同源塊的信息熵：

li代表第i個超像素同源區(qū)域，l代表像素的灰度級，代表第i個超像素同源區(qū)域li中灰度級為l的概率，代表li的信息熵；

(4)根據(jù)計算得到的各個超像素同源區(qū)域的信息熵的大小進(jìn)行排序，選出值最小的20個超像素同源區(qū)域，即為圖像中最為平滑的部分區(qū)域，本實施例中以選出百分之十為例，并將這部分同源區(qū)域標(biāo)記為1，其他區(qū)域標(biāo)記為0，得到平滑區(qū)域的二值圖，如圖4所示；

(5)計算各個平滑同源區(qū)域的標(biāo)準(zhǔn)差：

是li超像素塊中像素x的強(qiáng)度，代表li超像素塊中平均強(qiáng)度，為超像素塊中像素的個數(shù)；

(6)計算上述平滑同源區(qū)域的平均標(biāo)準(zhǔn)差，以此作為估計得到的整幅圖像的噪聲水平：

t代表所選出的超像素同源區(qū)域的個數(shù)，本實施例中為20個；

(7)利用估計得到的噪聲水平修正nlm去噪算法對帶噪圖像進(jìn)行去噪，得到圖5所示的最終去噪圖。計算像素x在去噪圖像f中的強(qiáng)度：

i代表帶噪圖j中像素x的鄰域，y表示鄰域i中的像素，j(y)表示像素y在帶噪圖j中的強(qiáng)度；w(x,y)代表像素x與像素y之間的相似性，其值決定于以x與y為中心的矩形區(qū)域的距離，計算公式如下：

z(x)是歸一化參數(shù)，h代表控制去噪程度地平滑參數(shù)項，這里根據(jù)所估計的噪聲水平來修正平滑參數(shù)項，

c為常數(shù)，本實施例中取值為300，通過估計得到的噪聲水平來控制去噪程度，以得到更好的去噪效果。

本發(fā)明一種基于噪聲估計的去噪方法，先利用超像素分割根據(jù)圖像內(nèi)容將其分為若干同源區(qū)域，以圖像信息熵為依據(jù)找出圖像中較為平滑的同源區(qū)域，并估計較為平滑區(qū)域的噪聲標(biāo)準(zhǔn)差，以這些平滑區(qū)域的噪聲標(biāo)準(zhǔn)差作為整幅圖像的噪聲水平，從而根據(jù)噪聲水平對非局部均值(nlm)去噪方法進(jìn)行修正，實現(xiàn)根據(jù)噪聲程度合理地控制去噪程度，能夠自適應(yīng)地處理帶噪圖像。分別按照現(xiàn)有的nlm方法進(jìn)行去噪以及本發(fā)明的去噪方法對如圖6～9所示的4幅帶噪圖像進(jìn)行去噪處理，從圖中可以看出，去噪后的圖像整體效果較傳統(tǒng)的nlm算法大幅度提升，在去噪的同時更好地保留了細(xì)節(jié)。