本發(fā)明總體上涉及圖像處理，并且更具體地涉及處理圖像以降低噪聲并且增強(qiáng)圖像內(nèi)容。

背景技術(shù)：

圖像去噪的目標(biāo)是從被噪聲破壞的圖像重構(gòu)“無噪”增強(qiáng)圖像。存在很多用于圖像去噪的圖像處理方法。

第一組方法使用局部方法，其中將目標(biāo)像素的無噪估計(jì)重構(gòu)為目標(biāo)像素的小空間鄰域內(nèi)的像素值的加權(quán)平均。一種這樣的方法用諸如高斯核函數(shù)的平滑濾波器對(duì)含噪圖像進(jìn)行卷積，其中權(quán)重根據(jù)函數(shù)隨著與目標(biāo)像素的距離而減小。由于對(duì)鄰域內(nèi)的局部圖像結(jié)構(gòu)(像素值)不敏感的線性濾波運(yùn)算，得到的圖像通常具有模糊的偽影。

為了克服模糊的偽影，其他局部方法嘗試通過使用非線性濾波器來使濾波器“邊緣感知”。中值濾波器將像素值重構(gòu)為鄰域內(nèi)的像素值的中間值。

另一方法使用各向異性擴(kuò)散，其中濾波器的形狀可以作為擴(kuò)散過程的結(jié)果適應(yīng)于局部圖像結(jié)構(gòu)，其對(duì)圖像不連續(xù)敏感。

sigma濾波器通過對(duì)目標(biāo)像素與其鄰域內(nèi)的其他像素之間的絕對(duì)像素值差進(jìn)行閾值處理來識(shí)別鄰域內(nèi)與目標(biāo)像素相似的像素。然后通過鄰域內(nèi)僅相似像素值(具有相似度閾值內(nèi)的差的像素)的平均來重構(gòu)目標(biāo)像素。該模型中的權(quán)重可以根據(jù)相似度標(biāo)準(zhǔn)認(rèn)為是0或1。

已知對(duì)sigma濾波器的若干擴(kuò)展。例如，可以使用雙邊濾波器，其中，代替硬閾值算子(0或1權(quán)重)，權(quán)重根據(jù)兩個(gè)核函數(shù)(一個(gè)在空間域中，一個(gè)在范圍(像素值)域中)的乘法而連續(xù)變化。

另一方法檢查所關(guān)注像素周圍的不同的局部圖像區(qū)域，并且確定每個(gè)局部區(qū)域的無噪估計(jì)。所關(guān)注像素的估計(jì)然后確定為局部區(qū)域估計(jì)的某種加權(quán)平均。

另一方法確定每個(gè)像素值的噪聲方差(其存儲(chǔ)在查找表中)。然后基于該噪聲模型調(diào)整相似度閾值和權(quán)重。

局部去噪方法受益于允許快速計(jì)算的空間局部性。然而，這些方法無法使用圖像的全局統(tǒng)計(jì)量，諸如重復(fù)模式，而這是圖像去噪的重要線索。

第二組方法使用非局部去噪方法。非局部方法通過搜索圖像內(nèi)的全部分塊來檢索與目標(biāo)圖像分塊相似的圖像分塊。然后，目標(biāo)分塊被相似分塊的加權(quán)平均替換。

另選的非局部方法包括使用來自相同圖像的學(xué)習(xí)字典和變換域非局部濾波的圖像分塊的稀疏重構(gòu)。這些方法的非局部搜索步驟使得它們?cè)诰哂杏?jì)算和存儲(chǔ)器約束的系統(tǒng)中難以使用。

另選地，可以通過使用圖像分割或置信度傳播對(duì)馬爾可夫隨機(jī)場(chǎng)(MRF)執(zhí)行推理來實(shí)現(xiàn)非局部去噪。為了實(shí)現(xiàn)快速性能，迭代的次數(shù)小，在結(jié)果中留下相當(dāng)大的噪聲。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的實(shí)施方式提供了用于對(duì)含噪圖像去噪以生成無噪增強(qiáng)圖像的方法。方法使用局部去噪函數(shù)庫。對(duì)于圖像的每個(gè)像素，使用像素周圍的局部鄰域(分塊)構(gòu)造鍵(key)。鍵將每個(gè)像素映射到函數(shù)庫中的去噪函數(shù)。通過將選擇的函數(shù)應(yīng)用于像素的分塊來確定像素的無噪重構(gòu)。

例如，能在離線過程中使用訓(xùn)練圖像學(xué)習(xí)去噪函數(shù)庫。學(xué)習(xí)過程最小化了重構(gòu)誤差。方法通過鍵將非線性映射與函數(shù)結(jié)合。對(duì)于各種分塊配置優(yōu)化函數(shù)以提供比現(xiàn)有的手動(dòng)調(diào)節(jié)的局部去噪方法更好的重構(gòu)，同時(shí)仍然允許快速處理。

附圖說明

圖1是根據(jù)本發(fā)明的實(shí)施方式的去噪方法的流程圖。

圖2是根據(jù)本發(fā)明的實(shí)施方式的去噪方法的詳細(xì)流程圖。

圖3是根據(jù)本發(fā)明的實(shí)施方式的空間映射的示意圖。

圖4是根據(jù)本發(fā)明的實(shí)施方式的噪聲映射的流程圖。

圖5是根據(jù)本發(fā)明的實(shí)施方式的函數(shù)映射的流程圖。

圖6是根據(jù)本發(fā)明的實(shí)施方式的使用庫函數(shù)去噪的示意圖。

圖7是根據(jù)本發(fā)明的實(shí)施方式的構(gòu)造函數(shù)庫的流程圖。

具體實(shí)施方式

圖1是根據(jù)本發(fā)明的實(shí)施方式的用于使用局部去噪函數(shù)庫501對(duì)含噪圖像101進(jìn)行去噪110以產(chǎn)生去噪圖像102的方法的流程圖。方法可以在如現(xiàn)有技術(shù)中已知的通過總線連接到存儲(chǔ)器和輸入/輸出接口的處理器中執(zhí)行。

圖2是去噪方法的詳細(xì)流程圖。含噪圖像中的像素x具有值I(x)。像素周圍的局部鄰域或“分塊”是P(x)。分塊可以具有任意形狀，諸如矩形、橢圓形、或者適應(yīng)于圖像內(nèi)容的不規(guī)則的像素排列。

噪聲估計(jì)器210使用含噪圖像101中的像素的局部鄰域或分塊P(x)來確定每個(gè)像素的噪聲方差σ211。函數(shù)映射m(x)510使用噪聲方差估計(jì)和像素的局部鄰域來將每個(gè)像素映射到函數(shù)230，見圖5。選擇的函數(shù)f230應(yīng)用于240含噪圖像中的分塊P(x)，以生成去噪圖像102的對(duì)應(yīng)的去噪像素。

噪聲估計(jì)

在噪聲估計(jì)210期間，該方法估計(jì)每個(gè)像素的噪聲的方差。在一種實(shí)施方式中，假定方差σ對(duì)于所有具有相同值v的像素是等同的

如果I(x)＝v并且I(y)＝v,那么σ(x)＝σ(y)＝σ_v。

使用每個(gè)像素周圍的局部分塊來估計(jì)方差。對(duì)于圖像中具有平均值v的每個(gè)分塊，確定分塊的強(qiáng)度值的方差，每個(gè)分塊一個(gè)方差。如果分塊源自恒定顏色區(qū)域，則該分塊的方差等于噪聲的經(jīng)驗(yàn)估計(jì)。

然而，因?yàn)榉謮K還可以源自非恒定顏色區(qū)域，所以分塊方差估計(jì)近似是具有值v的像素的噪聲方差分布的下限。值v的噪聲方差估計(jì)為具有平均值v的分塊的中心像素的噪聲方差分布的k階統(tǒng)計(jì)量。在一種實(shí)施方式中，k例如選擇為分塊中心像素值的方差計(jì)算分布的具有值v的像素?cái)?shù)量的0.1。

一般來說，方差隨著像素值改變而平滑地改變。每個(gè)值的獨(dú)立的噪聲估計(jì)造成了非平滑的噪聲輪廓。因此，平滑化方差以產(chǎn)生平滑的噪聲輪廓。

函數(shù)映射

對(duì)于圖像的每個(gè)像素x，使用像素x周圍的分塊P(x)和像素值的噪聲估計(jì)來構(gòu)造鍵。鍵包括空間鍵和噪聲鍵。

如圖3中示出的，使用像素x周圍的例如3x3的像素I(x_i),x_i∈P(x)的分塊P(x)301通過空間映射函數(shù)310來構(gòu)造空間鍵302。分塊P(x)的大小和形狀可以不同于用來估計(jì)噪聲方差的分塊。

在一種實(shí)施方式中，空間鍵是局部n元模式(LnP)320，例如局部二元模式(LbP)。對(duì)于分塊內(nèi)的每個(gè)像素x_i獲得一位信息。如果分塊中的像素值I(x_i)與含噪圖像中的像素值I(x)之間的差小于像素的方差σ(x)，則該位設(shè)置為0，否則該位設(shè)置(321)為1：

空間鍵具有|s|位。圖3中示出了所確定的局部二元模式的示例，其中黑色像素(位0)對(duì)應(yīng)于分塊內(nèi)的與含噪圖像中的像素(即，分塊中的中心像素)具有相似的值的像素，并且白色像素(位1)對(duì)應(yīng)于分塊內(nèi)的與含噪圖像中的像素具有不相似的值的像素。

圖4是噪聲映射的流程圖。使用含噪圖像中的像素的方差401的估計(jì)通過噪聲映射函數(shù)410構(gòu)造噪聲鍵402。在一種實(shí)施方式中，通過方差σ(x)的n位均勻量化給出噪聲鍵：

n(x)＝σ(x)的|n|位量化。

像素的鍵m是空間鍵與噪聲鍵的串接，如下：

從而鍵具有|s|+|n|位。

如圖5中所示，鍵m 502將圖像的像素映射510到去噪函數(shù)庫501中的用來對(duì)像素去噪的去噪函數(shù)f。

使用庫函數(shù)去噪

如圖6中示出的，從含噪圖像像素x確定鍵k 502，并且f^k是函數(shù)庫中對(duì)應(yīng)的函數(shù)。去噪函數(shù)使用像素周圍的分塊P(x)601(即，分塊包括像素x周圍的局部鄰域像素)。該分塊的大小和形狀可以不同于用來確定鍵的分塊。在一種實(shí)施方式中，去噪函數(shù)是分塊中的像素強(qiáng)度的線性函數(shù)

其中W^k 602是線性函數(shù)的權(quán)矩陣，I(P(x))是分塊P(x)的像素強(qiáng)度的矩陣，并且是在通過將矩陣的列堆積為列向量的向量化之后的兩個(gè)矩陣之間的內(nèi)積運(yùn)算。

學(xué)習(xí)去噪函數(shù)庫

如圖7中示出的，使用訓(xùn)練圖像樣本721來學(xué)習(xí)去噪函數(shù)庫501。訓(xùn)練圖像樣本721包括無噪701和對(duì)應(yīng)的含噪711訓(xùn)練圖像樣本對(duì)。通過訓(xùn)練樣本構(gòu)造器720生成訓(xùn)練樣本721。在一種實(shí)施方式中，通過將合成噪聲添加到無噪701圖像來獲得含噪711圖像。

訓(xùn)練或函數(shù)擬合730優(yōu)化了函數(shù)，使得最小化使用含噪711圖像的無噪圖像的重構(gòu)與無噪701圖像之間的差：

其中I和是無噪和含噪訓(xùn)練圖像樣本對(duì)721，l是函數(shù)庫中的去噪函數(shù)的數(shù)量，并且去噪函數(shù)F通過首先使用函數(shù)映射510將像素映射到去噪函數(shù)然后使用映射的函數(shù)對(duì)像素去噪，來操作每個(gè)圖像像素：

F(x)＝f^m(x)(x)。

在一種實(shí)施方式中，通過根據(jù)鍵將訓(xùn)練圖像對(duì)的像素分組來求解訓(xùn)練。然后，分別優(yōu)化每個(gè)組。當(dāng)庫函數(shù)是線性函數(shù)時(shí)，通過求解線性最小二乘問題來最優(yōu)地學(xué)習(xí)庫函數(shù)。當(dāng)庫函數(shù)是非線性函數(shù)時(shí)，使用非線性優(yōu)化技術(shù)(諸如梯度下降或牛頓法)來學(xué)習(xí)庫函數(shù)。