法律状态公告日
法律状态信息
法律状态
2015-10-07
授权
授权
2013-08-14
实质审查的生效 IPC(主分类):G06T5/00 申请日:20130416
实质审查的生效
2013-07-17
公开
公开
(一)技术领域
本发明属于图像处理技术中的图像去噪领域,具体涉 及一种基于非局部理论的图像去噪方法。
(二)背景技术
数字图像在采集、转换以及传输时都会受到噪声的污 染,因此,图像去噪是图像处理中最基本、最重要的问题, 图像噪声的去除也一直是图像处理领域一个重要的课题。而 广泛存在于实际数字图像中的噪声可以近似为高斯白噪声, 所以去除高斯白噪声也成为去噪领域的重要部分。
自2005年,Buades等人提出了非局部均值算法 (Nonlocal Means Filter,常缩写为NLM,见参考文献:A review of image denoising algorithms with a new one, [J]multiscale model.Simul,2005,4:490-530),在空间域得到 了较好的去噪效果,是目前最好的去噪算法之一,尤其是对高 斯白噪声,图像去噪领域进入了一个新的阶段,其中的非局 部理论已应用到图像处理的其他领域.然而非局部均值方法 在去噪的同时会有部分纹理及边缘细节的丢失。非局部均值 算法的应用有一定的局限性。本发明以非局部均值算法为基 础,提出一种新算法,和NLM方法相比,在信噪比和边缘细节 保持方面有明显提升。
(三)发明内容
本发明旨在克服非局部均值算法的不足,提供一种基于 非局部理论的图像去噪方法,提高去噪效果。
本发明所述的基于非局部理论的图像去噪方法,包括如 下步骤:
1、输入含高斯白噪声图像u;
2、设置算法中的参数:包括第一部分中的基本非局部均值 算法(NLM)中的相关参数(搜索窗口大小、邻域窗口大小、 滤波参数h)以及第二部分的迭代参数ξ的选取;
3、初步滤波:使用步骤2中选择的参数对输入图像u进行非 局部均值滤波,得到的输出图像为丢失了部分细节的图像u1, 作为下一步的基础;
4、计算差图像:uc1=u-u1;
5、调用梯度算子(Candy算子、Roberts算子及Prewitt算子 均可),检测出uc1的边缘ub1,并把它的位置当作所要提取的 边缘细节的位置信息,即检测出的边缘位置,也就是细节丢 失的位置;
6、利用步骤5中得到的细节的位置信息将u中丢失的细节ux1提取出来,包括细节位置信息所在像素点及其邻域的像素 值,其他位置的像素值置零;
7、将已经提取出的细节按比例叠加回图像u1:将细节ux1的每 个像素点赋一个权值w(i,j),0≤w(i,j)≤1,(i,j为该像素点的横 纵坐标),像素值为零的像素点权值为零,即w(i,j)=0;权值 赋值原则为中心像素权值大于边缘像素权值,得到图像 u2=w(i,j)ux1+(1-w(i,j))u1;
8、依据步骤2中的迭代参数ξ,ξ为一常数,然后利用步骤 5中所调用的梯度算子所检测出的边缘图像矩阵ub1,计算矩 阵ub1内所有像素的和θ,如θ≤ξ,则迭代停止,如θ≥ξ,则重 复4~7步骤;
9、迭代完成后,得到输出图像un。
本发明的技术方案:本发明的算法结构分为两大部分, 第一步是初步滤波部分,输入图像u,并选择合适的参数, 应用非局部均值算法得到一个初步滤波后的图像,即丢失部 分细节的图像u1。第二步细节添加部分,是通过模式识别技 术将图像u1丢掉的细节逐步叠加融合回图像u1:计算差图像 uc1=u-u1,识别出uc1中的边缘信息,用这些信息提取出图像u 的细节ux1,然后将细节ux1叠加融合回图像u1,得到图像 u2=ux1+u1,设置迭代参数ξ,当所提取的差图像边缘少于ξ时 最后得到输出图像un。
本发明的优越性:将传统去噪方法的顺序逆转,用先得到初 步滤波后的图像,然后添加回细节的思想来代替逐步迭代得 到最优图像的方法。将图像丢掉的细节位置信息从差图像中 识别出来并根据此信息得到图像的细节并融合回到初步滤 波后的图像中去。可以在滤除噪声的同时有效地保持图像的 边缘细节信息。
(四)附图说明
附图1为本发明的算法结构示意图;
附图2为本发明的迭代过程中细节提取的范围示意图;
附图3为本发明算法对lena图像进行仿真的结果。
附图4为本发明算法对onion图像进行仿真的结果。
附图5为本发明算法对cameraman图像进行仿真的结果。
(五)具体实施方式
本发明的算法实现步骤分为两大部分,第一部分是初步 滤波部分;第二部分是迭代更新图像部分。具体步骤如下:
1、输入含高斯白噪声图像u;
2、设置算法中的一些参数:包括第一部分中的基本非局部 均值算法中的相关参数(搜索窗口大小、邻域窗口大小、滤 波参数h)以及第二部分的迭代参数ξ选取;
3、初步滤波:使用步骤2中选择的参数对输入图像u进行非 局部均值滤波,得到的输出图像为丢失了部分细节的图像u1, 作为下一步的基础;
4、计算差图像:uc1=u-u1;
5、调用边缘检测算子(Candy算子、Roberts算子及Prewitt 算子均可),检测出uc1的边缘ub1,并把它的位置当作所要提 取的边缘细节的位置信息(即检测出的边缘位置,也就是细 节丢失的位置);
6、利用步骤5中得到的细节的位置信息将u中丢失的细节ux1提取出来,包括细节位置信息所在像素点及其邻域的像素 值,其他位置的像素值置零。详细见附图2所示;
7、将已经提取出的细节按比例叠加回图像u1:将细节ux1的每 个像素点赋一个权值w(i,j),0≤w(i,j)≤1,(i,j为该像素点的横 纵坐标),像素值为零的像素点权值为零,即w(i,j)=0。权值 赋值原则为中心像素权值大于边缘像素权值,得到图像 u2=w(i,j)ux1+(1-w(i,j))u1;
8、依据步骤2中的迭代参数ξ,ξ为一常数,然后利用步骤 5中所调用的梯度算子所检测出的边缘图像矩阵ub1,计算矩 阵ub1内所有像素的和θ,如θ≤ξ,则迭代停止,如θ≥ξ,则重 复4~7步骤;
9、迭代完成后,得到输出图像un。
本发明的效果通过以下实验证实:
一、实验条件:
使用matlab仿真软件对lena图像进行测试,输入图像所 含高斯白噪声的标准差为σ=5,选取搜索窗口15×15,邻域 窗口5×5,滤波参数h=1.35。未设置ξ,取4次迭代结果。
二、实验内容:
按照上面所述的实验步骤进行实验仿真,并将本发明算 法与非局部均值算法进行比较。
三、实验结果:
实验结果见表1和附图3,附图4和附图5。实验结果表明本发明 算法随着迭代次数的增多,信噪比其中信 号能量
表一去噪前后图像信噪比
以上所述,仅是本发明的较佳实施例而已,并不对本发 明做形式上的限制,凡是依据本发明对以上实例所做的简单 修改、等同变化与修饰,均仍属本发明技术方案的范围内。
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: 基于全局和局部虹膜图像统计的虹膜去噪方法
机译: 基于全局和局部虹膜图像统计的虹膜去噪方法