一种基于非局部理论的图像去噪方法

摘要

基于非局部理论的图像去噪方法，包括如下步骤：输入含高斯白噪声图像u；设置算法中的参数；初步滤波得到u

说明书

(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：u_c1=u-u₁；

5、调用梯度算子（Candy算子、Roberts算子及Prewitt算子 均可），检测出u_c1的边缘u_b1，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u_x1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u_x1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)u_x1+(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u_b1，计算矩 阵u_b1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u_n。

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 u_c1=u-u₁，识别出u_c1中的边缘信息，用这些信息提取出图像u 的细节u_x1，然后将细节u_x1叠加融合回图像u₁，得到图像 u₂=u_x1+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u_n。

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：u_c1=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u_c1的边缘u_b1，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u_x1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u_x1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)u_x1+(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u_b1，计算矩 阵u_b1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u_n。

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$P_x=\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(u-\mathrm{mean}\left(u\right))}^2;$噪声能量$P_n=\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{n}^2)$也逐渐提高, 并有更好的边缘等细节保持性能。本发明算法比非局部均值 算法有明显更好的去噪效果和更有效地保持图像的边缘细 节信息。

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。