法律状态公告日
法律状态信息
法律状态
2015-05-20
授权
授权
2013-05-01
实质审查的生效 IPC(主分类):G06T5/00 申请日:20130109
实质审查的生效
2013-04-03
公开
公开
技术邻域
本发明属于图像处理技术邻域,涉及图像去噪方法,可用于对自然图像的去噪处理。
背景技术
近些年来,随着各类数字仪器和数码产品的普及,数字图像处理成为一个研究热点。 图像在获取、传输和存储的过程中总是不可避免地受到各种噪声源的干扰。因此图像去 噪是图像处理邻域中一项基本而又十分关键的技术,一直受到广泛的重视。
传统的图像去噪方法大致可以划分为两类:一类是基于空域的方法,主要利用局部 窗口内像素灰度值对当前像素进行灰度处理,以达到抑制或消除噪声的目的,目前较好 的空域滤波方法有非局部均值滤波方法,稀疏表示下的图像去噪方法等。稀疏表示下的 图像去噪方法采用图像在冗余字典上的稀疏近似,来实现噪声去除,如KSVD字典学习去 噪方法;另一类是基于变换域的方法。
由于自然图像中包含有大量冗余信息,Buades等人提出了一种非局部均值去噪方法。 该方法以当前像素点为中心,利用图像中的冗余结构信息以及当前像素点周围区域的相 似性进行滤波。实践证明,该方法由于噪声的干扰影响了相似性判断的准确性,获得的 相似性权值不够准确,最终去噪结果常常把图像的边缘或者纹理信息给模糊掉。
非局部均值方法是图像去噪邻域非常出色的方法之一,在其提出之后,很多学者都 对其进行了研究及改进。如贝叶斯非局部均值去噪方法,它通过设置惩罚函数,根据偏 微分方程求出使惩罚函数最小的最优估计值,得到去噪结果;PPB滤波方法在最大似然 估计框架下得到加权平均公式,并通过迭代方法逐步修改先验信息,最终收敛至最优结 果,得到去噪结果。这些方法改善了非局部均值方法的相似性度量,但在相似性判断时 仍受到噪声影响,降低了判断的准确性,导致图像的边缘与细节在一定程度上被模糊或 滤除,使我们对图像细节的后续分析处理出现偏差。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种基于形状自适应邻域均值 的非局部均值去噪方法,以降低噪声对相似性判断的影响,提高相似性判断的准确性, 进而提高图像去噪效果。
实现本发明目的技术方案是:对图像中相似性度量计算方法的准确性进行改进,通 过结合SA-DCT方法,计算形状自适应的相似邻域均值,实现对自然图像去噪中边缘和 平滑区域的兼顾,具体步骤包括如下:
(1)输入一幅待去噪的自然图像x,根据SA-DCT方法,逐行扫描得到自然图像x中 第t个位置的像素点xt在n×n大小区域中的形状自适应邻域S(xt);
(2)计算自然图像x中的像素点xt在其形状自适应邻域S(xt)中的均值,遍历整幅自 然图像x,得到一幅新的图像x′;
(3)在新得到的图像x′中逐行扫描,选取第i个位置的像素点x′i为待恢复像素点,以 待恢复像素点x′i为中心,选取一个r×r大小的正方形中心像素块V(x′i);
(4)以选取的待恢复像素点x′i为中心,选取一个f×f大小的正方形搜索窗,在搜索 窗中逐行扫描,选取第j个位置的一个像素点x′j作为待恢复像素点x′i的相似点,以此相 似点x′j为中心,选取一个与中心像素块V(x′i)大小相等的像素块作为相似块V(x′j);
(5)根据中心像素块V(x′i)与步骤(4)所选取的相似块V(x′j),计算待恢复像素点x′i与 相似点x′j间的相似性权值w(x′i,x′j):
其中,V(x′i)与V(x′j)分别为步骤(3)所选取的中心像素块与步骤(4)所选取的相似块, h为平滑控制参数,σ为自然图像中的高斯噪声标准差,h=kσ,k是一个常数,相似性 权值w(x′i,x′j)满足条件:0≤w(x′i,x′j)≤1,且∑w(x′i,x′j)=1;
(6)用相似性权值w(x′i,x′j)与待去噪的自然图像x中第j个位置的像素点xj进行加权 平均,计算待恢复像素点x′i的恢复值
(7)用待恢复像素点x′i的恢复值取代待去噪的自然图像x中第i个位置像素点xi 的灰度值,得到去噪后的图像。
本发明与现有的技术相比具有以下优点:
1.本发明由于结合了SA-DCT方法,能够更准确地判断出含噪声的自然图像中像素 点间的相似性,进而能够更准确的计算出待恢复像素点的灰度值;
2.本发能够更准确计算出待恢复像素点的灰度值,进而能在较好平滑噪声的同时保 持和恢复自然图像的边缘和纹理细节。
附图说明
图1为本发明的流程图;
图2为本发明使用的测试图像;
图3为本发明使用的含噪图像Lena;
图4是使用现有的非局部均值方法对图3去噪的结果图;
图5是使用现有的贝叶斯非局部均值方法对图3去噪的结果图;
图6是使用现有的PPB滤波方法对图3去噪的结果图;
图7是使用现有的KSVD方法对图3去噪的结果图;
图8是使用本发明方法对图3去噪的结果图。
具体实施方式
参照图1,本发明基于形状自适应邻域均值的非局部均值去噪方法,包括如下步骤:
步骤1,输入一幅待去噪的自然图像x,根据SA-DCT方法,逐行扫描得到自然图像 x中第t个位置的像素点xt在n×n大小区域中的形状自适应邻域S(xt),其中t为像素点在 自然图像x中的位置,t=1,2...,m×m,m为输入自然图像x的直径,n为形状自适应邻域 S(xt)的直径,本发明中选取大小为3×3的形状自适应邻域。
所述的SA-DCT方法由Alessandro Foi等人在Pointwise Shape-Adaptive DCT for High-Quality Denoising and Deblocking of Grayscale and Color Images文章中提出,通过判 断像素点与其邻域内所有像素点的异质性是否一致,可确定该像素点的一个形状自适应 邻域。
步骤2,计算自然图像x中的第t个位置的像素点xt在其形状自适应邻域S(xt)中的均 值,遍历整幅自然图像x,得到一幅新的图像x′。
步骤3,在新得到的图像x′中,选取一个r×r大小的正方形中心像素块V(x′i)。
3.1)在新得到的图像x′中逐行扫描选取第i个位置的像素点x′i为待恢复像素点,其中 i为像素点在新得到的图像x′中的位置,i=1,2...,m×m,m为输入自然图像x的直径;
3.2)以待恢复像素点x′i为中心,选取一个r×r大小的正方形中心像素块V(x′i),其中 r为奇数大小的中心像素块V(x′i)的直径,本发明中以像素点x′i为中心,选取一个大小为 7×7的中心像素块V(x′i)。
步骤4,以选取的待恢复像素点x′i为中心,选取相似块V(x′j)。
4.1)以选取的待恢复像素点x′i为中心,选取一个f×f大小的正方形搜索窗,在搜索 窗中逐行扫描,选取第j个位置的一个像素点x′j作为待恢复像素点x′i的相似点,其中j为 相似点在正方形搜索窗中的位置,j=1,2...,f×f,f为奇数大小的正方形搜索窗直径, 且大于中心像素块V(x′i)的直径r,本发明中选取一个大小为21×21的搜索窗;
4.2)以此相似点x′j为中心,选取一个与中心像素块V(x′i)大小相等的像素块,作为相 似块V(x′j)。
步骤5,根据中心像素块V(x′i)与步骤(4)所选取的相似块V(x′j),计算待恢复像素点x′i与相似点x′j间的相似性权值w(x′i,x′j):
其中,V(x′i)与V(x′j)分别为步骤(3)所选取的中心像素块与步骤(4)所选取的相似块, h为平滑控制参数,σ为自然图像中的高斯噪声标准差,h=kσ,k是一个常数,本发明 中选取k=7,相似性权值w(x′i,x′j)满足条件:0≤w(x′i,x′j)≤1,且∑w(x′i,x′j)=1。
步骤6,用相似性权值w(x′i,x′j)与待去噪的自然图像x中第j个位置的像素点xj进行 加权平均,计算待恢复像素点x′i的恢复值
其中,v(xj)为自然图像x中第j个位置的像素点xj的灰度值,j=1,2...,f×f,f为奇 数大小的正方形搜索窗直径,C(x′j)是归一化常量:
步骤7,按照步骤3到步骤6,计算出每个像素点的恢复值,用待恢复像素点x′i的恢 复值取代待去噪的自然图像x中第i个位置像素点xi的灰度值,得到去噪后的图像, 其中i为像素点在新得到图像x′中的位置,i=1,2...,m×m,m为输入自然图像x的直径。
本发明效果可以通过以下实验进一步证实:
一.实验条件和内容
实验条件:实验所使用的输入图像如图2和图3所示,其中,图2(a)是测试图像Lena, 图2(b)是测试图像House,图2(b)是测试图像Cameraman,图2(b)是测试图像Peppers, 图3是对图2(a)加入高斯加性白噪声标准差为20的含噪Lena图像。非局部均值滤波方法 和基于贝叶斯非局部均值方法均采用7×7大小的相似块,21×21的搜索寻区域,PPB滤波 方法采用4次迭代,7×7大小的相似块,21×21的搜索寻区域,KSVD方法使用64×256大 小的字典,本发明方法使用3×3大小的形状自适应邻域,7×7的相似块,21×21的正方 形搜寻窗。
实验内容:
仿真1:在上述实验条件下,使用现有的非局部均值滤波方法对图3进行去噪,实验 结果如图4;使用现有的基于贝叶斯非局部均值滤波方法对图3进行去噪,实验结果如图 5;使用现有的PPB滤波方法对图3进行去噪,实验结果如图6;使用现有的KSVD滤 波方法对图3进行去噪,实验结果如图7;使用本发明方法对图3进行去噪,实验结果如 图8。
从图4中可以看出,非局部均值滤波方法的噪声抑制能力有限,而且边缘与细节存 在模糊;
从图5中可以看出,基于贝叶斯非局部均值滤波方法噪声抑制能力的稳定性要优于 非局部均值滤波方法,但是它同样存在边缘与细节模糊的问题;
从图6中可以看出,PPB滤波方法的噪声抑制能力要优于非局部均值滤波方法,但 边缘与细节保持度均欠佳;
从图7中可以看出,KSVD方法有着较好的噪声抑制能力,对边缘与细节的保持也较 前几种方法更好;
从图8可以看出,本发明方法的图像同质区域去噪充分,亮度保持效果较好,图像 的边缘,细节也得到了很好的保持,取得较理想的效果。
仿真2:对图2中的所有测试图像加入噪声标准差为10,20,30,40的高斯加性白 噪声,分别使用现有的非局部均值滤波方法,基于贝叶斯非局部均值滤波方法,PPB滤 波方法,KSVD滤波方法和本发明方法对含噪图像进行去噪,实验结果如表1所示。
表1去噪结果对比
由表1中可见,对于大多数的测试图像,本发明方法在不同噪声等级上均取得了较 好的结果。现有的非局部均值滤波方法,PPB滤波方法以及本发明方法,均为对中心像 素点进行点恢复处理,贝叶斯非局部均值方法利用了聚合技术,利用中心像素块进行恢 复处理。从PSNR上看,本发明对低水平噪声的图像,PSNR基本上高于非局部均值滤 波方法及PPB滤波方法,略低于贝叶斯非局部均值方法,以及稀疏表示的KSVD方法; 对于较高级别的噪声,本发明的噪声抑制效果更好,PSNR较块的方法和稀疏表示方法 有了一定提高,相对于同类的点恢复方法有了很大的提高。从表1中还可以看出,随着 图像噪声标准差的增大,本发明方法的优势也越来越明显。
从视觉效果上讲,本发明的噪声抑制能力很好,同质区域比较平滑,图像的亮度也 保持的较好,而且图像的边缘和细节也得到了很好的保持。
以上实验结果表明,本发明在总体性能上优于大部分的已有去噪方法,平滑同质区 域的同时能更好的保持自然图像的边缘和细节信息。
机译: 自适应非局部均值去噪方法,记录介质和执行该方法的设备
机译: 基于主成分分析的非局部均值算法和图像处理的图像去噪方法
机译: 基于非局部均值的视频去噪方法和装置