法律状态公告日
法律状态信息
法律状态
2023-03-03
未缴年费专利权终止 IPC(主分类):G06T 5/00 专利号:ZL2016101544774 申请日:20160317 授权公告日:20190215
专利权的终止
2019-02-15
授权
授权
2016-06-08
实质审查的生效 IPC(主分类):G06T5/00 申请日:20160317
实质审查的生效
2016-05-11
公开
公开
技术领域
本发明属于图像信号处理技术领域,涉及一种修正的高斯混合模型, 特别涉及一种修正的图像块期望对数似然估计的图像去噪方法。
背景技术
图像降噪是图像信号处理过程中重要的问题,目前,处理图像降噪问 题的方法有许多种。最近,在J.Sulam,和M.Elad发表的“Expectedpatchlog likelihoodwithasparseprior”中提出的期望块对数似然估计(EPLL)算法 中利用高斯混合模型进行图像块先验估计实现较好的图像降噪。在文中对 于图像块先验估计的高斯混合模型实际上是需要对图像块进行不同处理的 过程。
高斯混合模型是描述数据的一种有效手段,其能够利用若干高斯概率 密度函数对数据曲线进行较好的拟合。该模型广泛应用于图像信号处理、 机器学习、数据挖掘等领域,尤其可以通过对数据集进行训练,对数据分 布的概率信息进行较为高效的描述。
发明内容
本发明的目的是对应用于图像块期望对数似然估计的高斯混合模型进 行修正,实现对含噪平滑块和非平滑块的处理,有利于提高图像的降噪效 果。
本发明的技术方案从以下方面考虑:(1)高斯混合模型方面,原有高 斯混合模型的图像块期望对数似然估计的图像去噪方法未考虑平滑块的高 斯混合模型设计,而是直接将平滑块和非平滑块一起进行训练,获得整体 的高斯混合模型,进而导致对于平滑块的高斯模型描述变差。本发明则考 虑将含噪图像块明确分为含噪平滑图像块和含噪非平滑图像块进行处理。 对含噪平滑图像块中平滑图像块的高斯模型描述进行修正,采用均值为0, 方差为一极小值Ξε的单高斯模型N(0,Ξε)进行近似描述。(2)图像块期望对 数似然估计方面,本发明中的算法通过对两类图像块分别进行处理可以实 现图像块的优化。在此过程中,对于原有高斯混合模型的图像块期望对数 似然估计的图像去噪方法中每一次的迭代计算,要求含噪平滑图像块和含 噪非平滑图像块所用的高斯模型互不相同,防止错误的用非本图像块所对 应的高斯模型来描述自身块的期望对数似然概率,即避免图像块误分类现 象的出现及其不正确的高斯模型应用。
本发明的主要技术内容如下:
一种修正的图像块期望对数似然估计的图像去噪方法,包含以下步骤:
(1)、图像噪声估计步骤
将输入的含噪图像块求取其方差,并与给定的噪声方差进行比较,从 而将含噪图像块分为含噪平滑图像块和含噪非平滑图像块两类;
(2)、修正高斯混合模型处理
对分类后的含噪图像块进行高斯混合模型估计,首先计算所有图像块 在高斯混合模型中对应每个单高斯模型下的概率,找到最匹配含噪单高斯 模型,进而获得对应干净图像块的单高斯模型;
对含噪平滑图像块,设置其对应的干净图像块的单高斯模型的概率分 布服从N(0,Ξε),进行修正;
对含噪非平滑图像块,不做任何改动;
(3)、图像块期望对数似然估计处理
对于含噪平滑图像块采用修正的高斯混合模型进行估计,得到恢复的 平滑图像块;
对于非平滑的图像块则采用原有的高斯混合模型进行估计;
最终通过图像块期望对数似然估计对恢复后的所有图像块进行图像降 噪。
本发明的修正的高斯混合模型中,对平滑块和非平滑块采用不同的处理 方法,平滑块利用固定的单高斯分布N(0,Ξε)进行估计,实现对平滑图像块 的恢复;对于非平滑图像块则利用原有高斯混合模型的图像块期望对数似 然估计的图像去噪方法中的高斯混合模型进行处理,但将该高斯混合模型 中方差小于噪声方差的对应单高斯模型进行去除,避免在每次迭代过程中 将非含噪平滑块分入含噪平滑块的图像块误分类现象的出现。
附图说明
图1是本发明的一种修正的图像块期望对数似然估计的图像去噪方法 框架图;
图2是原有EPLL图像去噪方法和修正的EPLL图像去噪方法的去噪比 较。第一行为原有EPLL图像去噪方法所得结果。第二行为修正的EPLL图 像去噪方法所得结果。去噪图像从左到右依次命名为Cheetah,Peppers, House和Cameraman。
具体实施方式
下面结合附图,对本发明的一种修正的图像块期望对数似然估计的图 像去噪方法作进一步阐述。
如图1所示,所述的修正的图像块期望对数似然估计的图像去噪方法, 包括以下步骤:
(1)图像噪声估计过程:
对于输入的噪声图像块,在理想情况下根据每一个含噪图像块的方差 通过与给定噪声方差门限值的比较,进行含噪平滑图像块和含噪非平滑图 像块的划分。例如,当含噪图像块的方差小于噪声方差值时,划分为含噪 平滑图像块,反之则被划分为含噪非平滑块。但是在实际情况下,由于图 像块的块间相关性,需要考虑含噪图像块及邻近含噪块方差大小等因素, 如利用快速噪声估计方法[J."FastNoiseVariance Estimation,"Comput.Vis.ImageUnd.,vol.4,no.2,pp.300–302, 1996],综合判断该含噪图像块性质的分类。
(2)修正高斯混合模型处理过程:
对分类后的含噪图像块进行高斯混合模型估计,首先计算所有图像块 在高斯混合模型中对应每个单高斯模型下的概率,找到最匹配含噪单高斯 模型(此时,该单高斯模型概率与对应的权重系数乘积最大),进而获得对 应干净图像块的单高斯模型。对含噪平滑图像块,设置其对应的干净图像 块的单高斯模型的概率分布服从N(0,Ξε),进行修正。对含噪非平滑图像块, 不做任何改动。
(2)图像块期望对数似然估计处理过程:
对于含噪平滑图像块采用修正的高斯混合模型进行估计,得到恢复的 平滑图像块。对于非平滑的图像块则采用原有的高斯混合模型进行估计。 最终通过图像块期望对数似然估计对恢复后的所有图像块进行图像降噪。
如图2所示,通过对测试图片进行两种不同的方法测试,得到不同降 噪效果。
本发明的效果可以通过以下实验进一步说明:
1)实验条件
本实验采用像素大小为256×256的原始图像作为实验数据,高斯混合 分布采用200个混合元素。图像块像素矩阵长和宽为8×8像素,迭代次数为 5次,Ξε为一对角阵,对角线上所有元素设为10-6。
2)实验内容
通过用原有图像块期望对数似然估计图像去噪方法和修正后的去噪方 法对测试图片添加不同大小的噪声方差进行实验,进而比较两者对含噪图 像的降噪性能。
首先对不同图像去噪方法在噪声偏差σ=40时进行降噪性能比较,结 果如图2所示,其次对不同图像分别在σ=10,20,30,40的噪声偏差下进行测 试,得到如表1所示的结果。
表1
3)实验结果分析
如图2所示,在噪声偏差为σ=40时,两种方法在图像的复杂区域都可 以实现较好的效果,但是对于图像的平滑区域,两种方法具有明显的差异。 修正的高斯混合模型具有更好的效果。通过表1可知,修正的高斯混合模 型在所有噪声方差设置中都优于原有方法,尤其是在简单图像(如House 和peppers)表现更为明显。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的 普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干 改进和变形,这些改进和变形也应视为本发明的保护范围。
机译: 基于输入图像的对数似然评分的可靠性计算方法
机译: 基于对数似然分数的输入图像可靠性计算方法
机译: 基于背景似然估计的无监督图像分割