專利名稱：一種基于非局部理論的圖像去噪方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)中的圖像去噪領(lǐng)域，具體涉及一種基于非局部理論的圖像去噪方法。
背景技術(shù)：
數(shù)字圖像在采集、轉(zhuǎn)換以及傳輸時都會受到噪聲的污染，因此，圖像去噪是圖像處理中最基本、最重要的問題，圖像噪聲的去除也一直是圖像處理領(lǐng)域一個重要的課題。而廣泛存在于實際數(shù)字圖像中的噪聲可以近似為高斯白噪聲，所以去除高斯白噪聲也成為去噪領(lǐng)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,?？s寫為 NLM,見參考文獻:A review of image denoising algorithms with a new one, [J]multiscale model.Simul, 2005，4:490-530)，在空間域得到了較好的去噪效果，是目前最好的去噪算法之一，尤其是對高斯白噪聲，圖像去噪領(lǐng)域進入了一個新的階段，其中的非局部理論已應(yīng)用到圖像處理的其他領(lǐng)域.然而非局部均值方法在去噪的同時會有部分紋理及邊緣細節(jié)的丟失。非局部均值算法的應(yīng)用有一定的局限性。本發(fā)明以非局部均值算法為基礎(chǔ)，提出一種新算法，和NLM方法相比，在信噪比和邊緣細節(jié)保持方面有明顯提升。

發(fā)明內(nèi)容
本發(fā)明旨在克服非局部均值算法的不足，提供一種基于非局部理論的圖像去噪方法，提高去噪效果。本發(fā)明所述的基于非局部理論的圖像去噪方法，包括如下步驟:1、輸入含高斯白噪聲圖像U ;2、設(shè)置算法中的參數(shù):包括第一部分中的基本非局部均值算法(NLM)中的相關(guān)參數(shù)(搜索窗口大小、鄰域窗口大小、濾波參數(shù)h)以及第二部分的迭代參數(shù)ξ的選?。?、初步濾波:使用步驟2中選擇的參數(shù)對輸入圖像u進行非局部均值濾波，得到的輸出圖像為丟失了部分細節(jié)的圖像U1，作為下一步的基礎(chǔ)；4、計算差圖像=Ucl=U-U1 ；5、調(diào)用梯度算子(Candy算子、Roberts算子及Prewitt算子均可),檢測出Uel的邊緣Ubl，并把它的位置當作所要提取的邊緣細節(jié)的位置信息，即檢測出的邊緣位置，也就是細節(jié)丟失的位置；6、利用步驟5中得到的細節(jié)的位置信息將u中丟失的細節(jié)Uxl提取出來，包括細節(jié)位置信息所在像素點及其鄰域的像素值，其他位置的像素值置零；7、將已經(jīng)提取出的細節(jié)按比例疊加回圖像U1:將細節(jié)Uxl的每個像素點賦一個權(quán)值w(i, j) ,0 ≤ w(i, j) ≤ I, (i, j為該像素點的橫縱坐標)，像素值為零的像素點權(quán)值為零，即w(i，j)=0 ;權(quán)值賦值原則為中心像素權(quán)值大于邊緣像素權(quán)值，得到圖像u2=w(i，j)uxl+(l-w(i, j))u!；
8、依據(jù)步驟2中的迭代參數(shù)ξ，ξ為一常數(shù)，然后利用步驟5中所調(diào)用的梯度算子所檢測出的邊緣圖像矩陣Ubl，計算矩陣Ubl內(nèi)所有像素的和Θ，如Θ彡ξ，則迭代停止，如Θ彡ξ，則重復4 7步驟；9、迭代完成后，得到輸出圖像un。本發(fā)明的技術(shù)方案:本發(fā)明的算法結(jié)構(gòu)分為兩大部分，第一步是初步濾波部分，輸入圖像U，并選擇合適的參數(shù)，應(yīng)用非局部均值算法得到一個初步濾波后的圖像，即丟失部分細節(jié)的圖像Ul。第二步細節(jié)添加部分，是通過模式識別技術(shù)將圖像U1丟掉的細節(jié)逐步疊加融合回圖像U1:計算差圖像Ucl=U-U1，識別出Ucl中的邊緣信息，用這些信息提取出圖像u的細節(jié)Uxl，然后將細節(jié)Uxl疊加融合回圖像七，得到圖像U2=Uxl+Ul，設(shè)置迭代參數(shù)ξ，當所提取的差圖像邊緣少于ξ時最后得到輸出圖像Un。本發(fā)明的優(yōu)越性:將傳統(tǒng)去噪方法的順序逆轉(zhuǎn)，用先得到初步濾波后的圖像，然后添加回細節(jié)的思想來代替逐步迭代得到最優(yōu)圖像的方法。將圖像丟掉的細節(jié)位置信息從差圖像中識別出來并根據(jù)此信息得到圖像的細節(jié)并融合回到初步濾波后的圖像中去?？梢栽跒V除噪聲的同時有效地保持圖像的邊緣細節(jié)信息。


附圖1為本發(fā)明的算法結(jié)構(gòu)示意圖；附圖2為本發(fā)明的迭代過程中細節(jié)提取的范圍示意圖；附圖3為本發(fā)明算法對Iena圖像進行仿真的結(jié)果。附圖4為本發(fā)明算法對onion圖像進行仿真的結(jié)果。附圖5為本發(fā)明算法對cameraman圖像進行仿真的結(jié)果。
具體實施例方式本發(fā)明的算法實現(xiàn)步驟分為兩大部分，第一部分是初步濾波部分；第二部分是迭代更新圖像部分。具體步驟如下:1、輸入含聞斯白噪聲圖像U ;2、設(shè)置算法中的一些參數(shù):包括第一部分中的基本非局部均值算法中的相關(guān)參數(shù)(搜索窗口大小、鄰域窗口大小、濾波參數(shù)h)以及第二部分的迭代參數(shù)ξ選?。?、初步濾波:使用步驟2中選擇的參數(shù)對輸入圖像u進行非局部均值濾波，得到的輸出圖像為丟失了部分細節(jié)的圖像U1，作為下一步的基礎(chǔ)；4、計算差圖像=Ucl=U-U1 ；5、調(diào)用邊緣檢測算子(Candy算子、Roberts算子及Prewitt算子均可),檢測出Uci的邊緣Ubl，并把它的位置當作所要提取的邊緣細節(jié)的位置信息(即檢測出的邊緣位置，也就是細節(jié)丟失的位置);6、利用步驟5中得到的細節(jié)的位置信息將u中丟失的細節(jié)Uxl提取出來，包括細節(jié)位置信息所在像素點及其鄰域的像素值，其他位置的像素值置零。詳細見附圖2所示；7、將已經(jīng)提取出的細 節(jié)按比例疊加回圖像U1:將細節(jié)Uxl的每個像素點賦一個權(quán)值w(i, j) ,0 < w(i, j) ( I, (i, j為該像素點的橫縱坐標)，像素值為零的像素點權(quán)值為零，即w(i，j)=0。權(quán)值賦值原則為中心像素權(quán)值大于邊緣像素權(quán)值，得到圖像u2=w(i，j)uxl+(l-w(i, j))u!；8、依據(jù)步驟2中的迭代參數(shù)ξ，ξ為一常數(shù)，然后利用步驟5中所調(diào)用的梯度算子所檢測出的邊緣圖像矩陣Ubl，計算矩陣Ubl內(nèi)所有像素的和Θ，如Θ彡ξ，則迭代停止，如Θ彡ξ，則重復4 7步驟；9、迭代完成后，得到輸出圖像un。本發(fā)明的效果通過以下實驗證實:一、實驗條件:使用matlab仿真軟件對Iena圖像進行測試，輸入圖像所含高斯白噪聲的標準差為σ =5，選取搜索窗口 15X15，鄰域窗口 5X5，濾波參數(shù)h=l.35。未設(shè)置ξ，取4次迭代結(jié)
果O二、實驗內(nèi)容:按照上面所述的實驗步驟進行實驗仿真，并將本發(fā)明算法與非局部均值算法進行比較。三、實驗結(jié)果:實驗結(jié)果見表I和附圖3，附圖4和附圖5。實驗結(jié)果表明本發(fā)明算法隨著迭代次數(shù)的增多，信噪比
權(quán)利要求
1.基于非局部理論的圖像去噪方法，包括如下步驟: 步驟1、輸入含聞斯白噪聲圖像u ； 步驟2、設(shè)置算法中的參數(shù):包括第一部分中的基本非局部均值算法(NLM)中的相關(guān)參數(shù)(搜索窗口大小、鄰域窗口大小、濾波參數(shù)h)以及第二部分的迭代參數(shù)ξ的選??； 步驟3、初步濾波:使用步驟2中選擇的參數(shù)對輸入圖像u進行非局部均值濾波，得到的輸出圖像為丟失了部分細節(jié)的圖像U1，作為下一步的基礎(chǔ)； 步驟4、計算差圖像Wel=U-U1 ； 步驟5、調(diào)用梯度算子(Candy算子、Roberts算子及Prewitt算子均可),檢測出Uel的邊緣Ubl，并把它的位置當作所要提取的邊緣細節(jié)的位置信息，即檢測出的邊緣位置，也就是細節(jié)丟失的位置； 步驟6、利用步驟5中得到的細節(jié)的位置信息將u中丟失的細節(jié)Uxl提取出來，包括細節(jié)位置信息所在像素點及其鄰域的像素值，其他位置的像素值置零； 步驟7、將已經(jīng)提取出的細節(jié)按比例疊加回圖像U1:將細節(jié)Uxl的每個像素點賦一個權(quán)值w(i，j)，0 ( w(i, j) ( 1，(i, j為該像素點的橫縱坐標)，像素值為零的像素點權(quán)值為零，即w(i，j)=0 ;權(quán)值賦值原則為中心像素權(quán)值大于邊緣像素權(quán)值，得到圖像u2=w(i，j)uxl+(l-w(i, j))u!； 步驟8、依據(jù)步驟2中的迭代參數(shù)ξ，ξ為一常數(shù)，然后利用步驟5中所調(diào)用的梯度算子所檢測出的邊緣圖像矩陣Ubl，計算矩陣Ubl內(nèi)所有像素的和Θ，如Θ彡ξ，則迭代停止，如Θ彡ξ，則重復4 7步 驟； 步驟9、迭代完成后，得到輸出圖像un。
全文摘要
基于非局部理論的圖像去噪方法，包括如下步驟輸入含高斯白噪聲圖像u；設(shè)置算法中的參數(shù)；初步濾波得到u1；計算差圖像uc1=u-u1;調(diào)用梯度算子(Candy算子、Roberts算子及Prewitt算子均可)，檢測出uc1的邊緣ub1，并把它的位置當作所要提取的細節(jié)的位置信息，即檢測出的邊緣位置，也就是細節(jié)丟失的位置；利用步驟5中得到的細節(jié)的位置信息將u中丟失的細節(jié)ux1提取出來，包括位置信息所在像素點及其鄰域的像素值，其他位置的像素值置零；將已經(jīng)提取出的細節(jié)按比例疊加回圖像u1；依據(jù)步驟2中的迭代參數(shù)ξ，ξ為一常數(shù)，然后利用步驟5中所調(diào)用的梯度算子所檢測出的邊緣圖像矩陣ub1，計算矩陣ub1內(nèi)所有像素的和θ，如θ≤ξ，則迭代停止，如θ≥ξ，則重復4～7步驟；迭代完成后，得到輸出圖像un。本發(fā)明的圖像去噪新方法可以在濾除噪聲的同時有效地保持圖像的邊緣細節(jié)信息。
文檔編號G06T5/00GK103208104SQ20131013224
公開日2013年7月17日 申請日期2013年4月16日 優(yōu)先權(quán)日2013年4月16日
發(fā)明者金燕, 何萍, 王晶 申請人:浙江工業(yè)大學