專(zhuān)利名稱(chēng):基于可操縱金字塔的統(tǒng)計(jì)模型圖像去噪方法
技術(shù)領(lǐng)域:
本發(fā)明屬于圖像處理領(lǐng)域,是涉及自然圖像去噪的方法,可用于計(jì)算機(jī)視覺(jué)和信 號(hào)處理等領(lǐng)域。
背景技術(shù):
自然圖像去噪在計(jì)算機(jī)視覺(jué)、模式識(shí)別和信號(hào)處理等領(lǐng)域是十分重要的技術(shù),且 去噪的目的在于最大化去除噪聲的同時(shí)盡量保持原始圖像的邊緣和紋理信息。自然圖像通 常都含有大量的邊緣和紋理信息,如帽子的邊緣和衣服上的條紋等,而傳統(tǒng)的去噪方法對(duì) 這些復(fù)雜的信息比較敏感,這就會(huì)導(dǎo)致去噪結(jié)果中存在嚴(yán)重的邊緣和紋理模糊現(xiàn)象。又由 于自然圖像經(jīng)過(guò)多尺度變換后,其變換系數(shù)的分布呈現(xiàn)“高尖峰重拖尾”狀,且這些系數(shù)在 各尺度內(nèi)和尺度間存在很強(qiáng)的相關(guān)性,而要尋求能最優(yōu)描述圖像變換系數(shù)真實(shí)分布的統(tǒng)計(jì) 模型是一個(gè)非常具有挑戰(zhàn)性的工作。針對(duì)自然圖像的以上特點(diǎn),其去噪方法基本可歸納為基于空域?yàn)V波和基于變換域 濾波兩大類(lèi)去噪方法。1.基于空域?yàn)V波的自然圖像去噪方法,主要包括以下兩種1)基于統(tǒng)計(jì)平滑的去噪方法,這種方法主要是利用圖像像素的均值、中值或方差 等統(tǒng)計(jì)信息來(lái)平滑圖像的像素,而這種平滑技術(shù)通常都會(huì)導(dǎo)致圖像整體的模糊。2)基于閾值處理的去噪方法,這種方法通常都是先選取一個(gè)閾值,然后將大于閾 值的像素保留,小于閾值的像素置零,雖然這種方法能有效去除噪聲,但其去噪比較盲目, 邊緣等信息損失嚴(yán)重,而且去噪結(jié)果過(guò)度依賴(lài)于所選取的閾值。以上這些方法都是直接對(duì)自然圖像的像素進(jìn)行處理,雖然都考慮了圖像像素的統(tǒng) 計(jì)特性,但都不充分,所以會(huì)導(dǎo)致去噪結(jié)果很差。2.基于變換域?yàn)V波的自然圖像去噪方法,包括以下幾種1)基于小波變換的去噪方法la)基于小波變換的閾值去噪方法,這種方法在對(duì)圖像進(jìn)行了小波變換后,根據(jù)小 波系數(shù)間的統(tǒng)計(jì)特性來(lái)選取恰當(dāng)?shù)拈撝颠M(jìn)行閾值處理,但由于小波變換不具備各向異性特 性,不能對(duì)圖像中的方向信息做出最優(yōu)表示,從而導(dǎo)致了去噪結(jié)果的邊緣模糊,再者,去噪 結(jié)果也在很大程度上依賴(lài)于閾值的選取。lb)基于小波變換的隱馬爾可夫樹(shù)HMT模型去噪方法,這種方法是對(duì)圖像的小波 系數(shù)建立HMT模型,以此來(lái)捕捉小波系數(shù)在尺度間和尺度內(nèi)的相關(guān)性,該方法除了小波變 換的各向同性缺陷外,HMT模型參數(shù)的訓(xùn)練復(fù)雜度很高,而且參數(shù)訓(xùn)練的好壞在一定程度上 依賴(lài)于參數(shù)的初始化。2)基于輪廓波變換的去噪方法這種方法先對(duì)圖像進(jìn)行輪廓波變換,然后再選取 閾值方法或統(tǒng)計(jì)模型方法來(lái)對(duì)變換系數(shù)做處理,雖然輪廓波克服了小波各向同性的問(wèn)題, 但由于其在分解過(guò)程中用到的拉普拉斯分解和下采樣操作會(huì)導(dǎo)致頻譜混疊,而且,它在頻 域是各層細(xì)分的,這就在一定程度上限制了它的應(yīng)用。
3)基于高斯尺度混合模型GSM的去噪方法,參見(jiàn)Javier Porti 11a,Vasily Strela, Martin J. ffainwrignt, and Eero P. Simoncelli. Image Denoising Using Scale Mixtures of Gaussians in the Wavelet Domain. [J]IEEE Transactions on Image Processing, vol. 12,no. 11,pp :1338_1351,2003。這種方法首先對(duì)圖像進(jìn)行可操縱金字塔 SP變換,然后對(duì)變換系數(shù)子帶的鄰域進(jìn)行高斯尺度混合GSM建模,最后用貝葉斯最小均方 誤差的方法來(lái)去噪,但由于在進(jìn)行高斯尺度混合GSM建模的過(guò)程中,該方法假設(shè)系數(shù)的協(xié) 方差矩陣在整個(gè)子帶中是不變的,這就導(dǎo)致了該方法的協(xié)方差矩陣不具備自適應(yīng)性,而且, 由于可操縱金字塔SP變換是一種冗余的多方向分解變換,其去噪結(jié)果中難免會(huì)引入一些 劃痕,即吉布斯偽影,影響去噪效果。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有方法的不足,在基于可操縱金字塔SP的高斯尺 度混合GSM模型的基礎(chǔ)上提出了一種基于局部塊和全變差TV操作的自然圖像去噪方法,該 方法通過(guò)局部塊操作實(shí)現(xiàn)自適應(yīng)性,結(jié)合全變差TV操作消除去噪結(jié)果中的吉布斯偽影,提 高去噪效果。實(shí)現(xiàn)本發(fā)明目的的具體方案是首先對(duì)圖像進(jìn)行可操縱金字塔SP變換,然后將變 換后的每個(gè)系數(shù)方向子帶劃分成相互重疊的一定大小的子塊,再對(duì)每個(gè)子塊進(jìn)行高斯尺度 混合GSM建模,在建模的過(guò)程中,同時(shí)考慮子帶內(nèi)和相鄰尺度子帶間的相關(guān)性,最后通過(guò)貝 葉斯和全變差方法的處理,得到了邊緣和紋理信息保持很好的去噪結(jié)果。其具體實(shí)現(xiàn)過(guò)程 如下(1)對(duì)大小為L(zhǎng)XL的干凈自然圖像加入空間不變的標(biāo)準(zhǔn)差為σ的零均值高斯白 噪聲,得到含噪圖像;(2)分別對(duì)含噪圖像和所加入的噪聲信號(hào)進(jìn)行可操縱金字塔SP變換,得到含噪圖 像的變換子帶系數(shù)1和噪聲信號(hào)的變換子帶系數(shù)Π,并假設(shè)原始干凈圖像的變換子帶系數(shù) 為X ;(3)除低通子帶外,對(duì)含噪圖像在每個(gè)尺度下的變換方向子帶系數(shù)做如下處理3. 1)利用噪聲信號(hào)的變換子帶系數(shù)η估計(jì)噪聲協(xié)方差矩陣Cn = E {rmT},其中T表 示矩陣轉(zhuǎn)置,E表示對(duì)矩陣取期望;3. 2)將含噪圖像的變換子帶系數(shù)y分成相互重疊的大小為BXB的子塊yi;i = 1, 2,...,N,其中N表示子塊的個(gè)數(shù);3. 3)對(duì)yi進(jìn)行高斯尺度混合GSM建模,即只=X1 +nt = ^1U1 +nt,其中Zi是正的尺
度因子,Ui是協(xié)方差矩陣為Ca,的零均值高斯向量,Xi表示原始干凈圖像變換子帶系數(shù)X的 子塊,Hi是所加入噪聲信號(hào)變換子帶系數(shù)η的子塊;3. 4)估計(jì)子塊Ji的協(xié)方差矩陣Cy, =EHyi - )(},,其中 是yi的均值;3. 5)估計(jì)原始干凈圖像變換子帶系數(shù)χ的子塊Xi的協(xié)方差矩陣= C》-Clh,并 令 Q = Cn ;3. 6)利用貝葉斯最小估計(jì) Xc = / ρ (Zi I Yi) ( / XiP (Xi I Yi, Zi) dXi) dzi 估計(jì) Xi 中各個(gè)系數(shù)鄰域的中心系數(shù)χ。,其中后驗(yàn)概率
權(quán)利要求
一種基于可操縱金字塔SP的高斯尺度混合GSM模型自然圖像去噪方法,包括如下步驟(1)對(duì)大小為L(zhǎng)×L的干凈自然圖像加入空間不變的標(biāo)準(zhǔn)差為σ的零均值高斯白噪聲,得到含噪圖像;(2)分別對(duì)含噪圖像和所加入的噪聲信號(hào)進(jìn)行可操縱金字塔SP變換,得到含噪圖像的變換子帶系數(shù)y和噪聲信號(hào)的變換子帶系數(shù)n,并假設(shè)原始干凈圖像的變換子帶系數(shù)為x;(3)除低通子帶外,對(duì)含噪圖像在每個(gè)尺度下的變換方向子帶系數(shù)做如下處理3.1)利用噪聲信號(hào)的變換子帶系數(shù)n估計(jì)噪聲協(xié)方差矩陣Cn=E{nnT},其中T表示矩陣轉(zhuǎn)置,E表示對(duì)矩陣取期望;3.2)將含噪圖像的變換子帶系數(shù)y分成相互重疊的大小為B×B的子塊yi,i=1,2,...,N,其中N表示子塊的個(gè)數(shù);3.3)對(duì)yi進(jìn)行高斯尺度混合GSM建模,即其中zi是正的尺度因子,ui是協(xié)方差矩陣為的零均值高斯向量,xi表示原始干凈圖像變換子帶系數(shù)x的子塊,ni是所加入噪聲信號(hào)變換子帶系數(shù)n的子塊;3.4)估計(jì)子塊yi的協(xié)方差矩陣其中是yi的均值;3.5)估計(jì)原始干凈圖像變換子帶系數(shù)x的子塊xi的協(xié)方差矩陣并令3.6)利用貝葉斯最小估計(jì)xc=∫p(zi|yi)(∫xip(xi|yi,zi)dxi)dzi,估計(jì)xi中各個(gè)系數(shù)鄰域的中心系數(shù)xc,其中后驗(yàn)概率p(yi|zi)是似然函數(shù),p(zi)是先驗(yàn)概率,p(yi)是一個(gè)歸一化的常數(shù),為簡(jiǎn)化計(jì)算將第二項(xiàng)積分簡(jiǎn)化為一個(gè)的維納估計(jì),即4)利用去噪后的各個(gè)系數(shù)變換子帶和低通子帶先進(jìn)行可操縱金字塔SP重構(gòu),得到初步去噪圖像;再利用全變差TV操作對(duì)初步去噪圖像進(jìn)行處理,得到最終的去噪圖像。FDA0000030952940000011.tif,FDA0000030952940000012.tif,FDA0000030952940000013.tif,FDA0000030952940000014.tif,FDA0000030952940000015.tif,FDA0000030952940000016.tif,FDA0000030952940000017.tif,FDA0000030952940000018.tif
2.根據(jù)權(quán)利要求1所述的基于可操縱金字塔SP的高斯尺度混合GSM模型自然圖像去 噪方法,其中步驟(2)所述的對(duì)含噪圖像進(jìn)行可操縱金字塔SP變換,按如下步驟進(jìn)行(2. 1)用一個(gè)分解低通濾波器和一個(gè)分解高通濾波器對(duì)含噪圖像進(jìn)行預(yù)處理,得到大 小和含噪圖像相同的一個(gè)預(yù)處理低通子帶Ltl和一個(gè)預(yù)處理高通子帶Htl ;(2. 2)用K個(gè)分解帶通濾波器和一個(gè)分解窄帶濾波器對(duì)預(yù)處理低通子帶Ltl進(jìn)行濾波, 得到大小和含噪圖像相同的K個(gè)帶通子帶Bu和一個(gè)窄帶處理低通子帶Lu,其中1 = 1,2 ... J K ;(2. 3)對(duì)窄帶處理低通子帶Iu進(jìn)行隔2下采樣,得到一個(gè)大小為含噪圖像一半的采樣 低通子帶L2il ;(2. 4)對(duì)采樣低通子帶L2il用K個(gè)分解帶通濾波器和一個(gè)分解窄帶濾波器進(jìn)行濾波,得 到大小為含噪圖像一半的K個(gè)帶通子帶B2il和一個(gè)窄帶處理低通子帶L2il,然后對(duì)所得到的 窄帶低通子帶L2il進(jìn)行隔2下采樣,得到大小為含噪圖像四分之一的采樣低通子帶L2,2,然 后再用K個(gè)分解帶通濾波器和一個(gè)分解窄帶濾波器對(duì)采樣低通子帶L2,2進(jìn)行濾波,依次類(lèi) 推。
3.根據(jù)權(quán)利要求1所述的基于可操縱金字塔SP的高斯尺度混合GSM模型自然圖像去 噪方法,其中步驟(2)所述的對(duì)所加入的噪聲信號(hào)進(jìn)行可操縱金字塔SP變換,按如下步驟 進(jìn)行(2a)生成一個(gè)空間不變的標(biāo)準(zhǔn)差為1的零均值高斯白噪聲,乘以所要加入的噪聲標(biāo)準(zhǔn) 差σ,得到所要加入的噪聲信號(hào);(2b)用一個(gè)分解低通濾波器和一個(gè)分解高通濾波器對(duì)噪聲信號(hào)進(jìn)行預(yù)處理,得到大小 和噪聲信號(hào)相同的一個(gè)預(yù)處理低通子帶Ln和一個(gè)高通子帶Hn ;(2c)用K個(gè)分解帶通濾波器和一個(gè)分解窄帶濾波器對(duì)預(yù)處理低通子帶Ln進(jìn)行濾波,得 到大小和噪聲信號(hào)相同的K個(gè)帶通子帶B1, u和一個(gè)窄帶處理低通子帶L1,,其中1 = 1,2 ... J K ;(2d)對(duì)窄帶處理低通子帶L^ n進(jìn)行隔2下采樣,得到一個(gè)大小為噪聲信號(hào)一半的采 樣低通子帶L1^n ;(2e)對(duì)采樣低通子帶L^ n用K個(gè)分解帶通濾波器和一個(gè)分解窄帶濾波器進(jìn)行濾波, 得到大小為噪聲信號(hào)一半的K個(gè)帶通子帶B2, n和一個(gè)窄帶處理低通子帶Lu, n,對(duì)所得到 的窄帶低通子帶L^n進(jìn)行隔2下采樣,得到大小為噪聲信號(hào)四分之一的采樣低通子帶L2,2, ,然后再用K個(gè)分解帶通濾波器和一個(gè)分解窄帶濾波器對(duì)采樣低通子帶L2,2,n進(jìn)行濾波,依 次類(lèi)推。
4.根據(jù)權(quán)利要求1所述的基于可操縱金字塔SP的高斯尺度混合GSM模型自然圖像去 噪方法,其中步驟(4)所述的對(duì)去噪后的各個(gè)系數(shù)變換子帶和低通子帶先進(jìn)行可操縱金字 塔SP變換重構(gòu),按如下步驟進(jìn)行(4. 1)對(duì)含噪圖像j尺度下的采樣低通子帶L2,」進(jìn)行隔2上采樣,得到一個(gè)j尺度下的 窄帶低通子帶L^j = J,J-1,. . .,2,1,其中J為可操縱金字塔SP變換的尺度;(4. 2)對(duì)j尺度下的窄帶低通子帶Lm進(jìn)行反轉(zhuǎn)窄帶濾波,得到j(luò)尺度下的反轉(zhuǎn)窄帶低 通子帶L^f,其中反轉(zhuǎn)窄帶濾波器與可操縱金字塔SP變換的分解窄帶濾波器相差180° ; (4. 3)對(duì)j尺度下去噪后的K個(gè)帶通子帶Dm進(jìn)行反轉(zhuǎn)帶通濾波,即j尺度下的反轉(zhuǎn)帶 通濾波器與可操縱金字塔SP變換在j尺度下的分解帶通濾波器相差180°,得j尺度下K 個(gè)反轉(zhuǎn)帶通子帶Dj,1>f,其中1 = 1,2,. . .,K ;(4. 4)將j尺度的反轉(zhuǎn)窄帶低通子帶L1, j, f和K個(gè)反轉(zhuǎn)帶通子帶I f進(jìn)行加權(quán)操作, 得到含噪圖像j-Ι尺度下的采樣低通子帶L2,η,令j = j-1,判斷j是否等于1,如果j不等 于1,轉(zhuǎn)到步驟(4. 1),否則執(zhí)行步驟(4. 5);(4. 5)對(duì)1尺度下的采樣低通子帶L2il進(jìn)行隔2上采樣,得到一個(gè)1尺度下的窄帶低通 子帶Llil,對(duì)1尺度下的窄帶低通子帶Klil進(jìn)行反轉(zhuǎn)窄帶濾波,得到1尺度下的反轉(zhuǎn)窄帶低 通子市f ;(4. 6)對(duì)1尺度下去噪后的K個(gè)帶通子帶Dlil進(jìn)行反轉(zhuǎn)帶通濾波,得1尺度下K個(gè)反轉(zhuǎn) 帶通子SD^f,其中 1 = 1,2,... ,K;(4. 7)將1尺度的反轉(zhuǎn)窄帶低通子帶L^ f和K個(gè)反轉(zhuǎn)帶通子帶D1, f進(jìn)行加權(quán)操作, 得到含噪圖像的預(yù)處理低通子帶Ltl,對(duì)Ltl進(jìn)行反轉(zhuǎn)低通濾波,得到反轉(zhuǎn)預(yù)處理低通子帶Ltl, f ‘(4. 8)對(duì)1尺度下去噪后的預(yù)處理高通子帶進(jìn)行反轉(zhuǎn)高通濾波,得到反轉(zhuǎn)預(yù)處理高通子帶Htl, f,將反轉(zhuǎn)預(yù)處理低通子帶Ltl, f和反轉(zhuǎn)預(yù)處理高通子帶Htl, f加權(quán),得到重構(gòu)圖像。
5.根據(jù)權(quán)利要求1所述的基于可操縱金字塔SP的高斯尺度混合GSM模型自然圖像去 噪方法,其中步驟(4)所述的利用全變差TV操作對(duì)初步去噪圖像進(jìn)行處理,按如下步驟進(jìn) 行(4a)根據(jù)Rudin-Osher-Fatemi模型ROF將初步去噪圖像X。中的噪聲Xn分出,通過(guò) X'。= Χ。_Χη/λ,得到初步有用紋理圖像X'。,其中λ是收縮參數(shù);(4b)設(shè)置收縮參數(shù)λ和停止準(zhǔn)則ξ,其中λ是一個(gè)任意的正數(shù),0. OOl^ ξ ^ 0. 01, 令迭代條件Δ X = I Xc-X'。I,如果Δ X > ξ,則X。= X'。,轉(zhuǎn)到步驟(4a),否則將初步有 用紋理圖像X'。作為最終去噪圖像。
全文摘要
本發(fā)明公開(kāi)了一種基于可操縱金字塔的統(tǒng)計(jì)模型自然圖像去噪方法,主要解決已有去噪技術(shù)缺乏局部自適應(yīng)性及去噪結(jié)果中存在吉布斯偽影的問(wèn)題。其處理過(guò)程為對(duì)干凈圖像加入空間不變的高斯白噪聲,得到含噪圖像;對(duì)含噪圖像和噪聲信號(hào)分別進(jìn)行可操縱金字塔變換;對(duì)除低通子帶外的含噪圖像變換子帶系數(shù)進(jìn)行子塊劃分;對(duì)含噪圖像變換子帶系數(shù)子塊進(jìn)行高斯尺度混合模型建模;依次估計(jì)含噪圖像變換子帶系數(shù)子塊的協(xié)方差矩陣和干凈圖像變換子帶系數(shù)子塊的協(xié)方差矩陣;利用貝葉斯準(zhǔn)則估計(jì)干凈圖像變換子帶系數(shù);將低通子帶和去噪后的變換子帶系數(shù)依次進(jìn)行可操縱金字塔重構(gòu)和全變差操作,得到去噪結(jié)果。本發(fā)明可用于計(jì)算機(jī)視覺(jué)和信號(hào)處理領(lǐng)域。
文檔編號(hào)G06T5/00GK101984461SQ201010532629
公開(kāi)日2011年3月9日 申請(qǐng)日期2010年11月5日 優(yōu)先權(quán)日2010年11月5日
發(fā)明者侯彪, 尚榮華, 張向榮, 焦李成, 王爽, 韓瓊, 馬文萍 申請(qǐng)人:西安電子科技大學(xué)