本發(fā)明涉及視頻去噪領(lǐng)域，具體的為一種基于尺度混合模型和低秩逼近的視頻去噪方法，可應(yīng)用于視頻多媒體、遙感影像、醫(yī)學(xué)影像等領(lǐng)域。
背景技術(shù)：
：視頻序列在存儲(chǔ)和傳送過程中不可避免地會(huì)收到噪聲的干擾，會(huì)直接關(guān)系到后續(xù)的視頻處理應(yīng)用，如目標(biāo)跟蹤、目標(biāo)識(shí)別、視頻壓縮等，所以在視頻處理中,視頻去噪起著非常重要的作用。視頻獲取過程會(huì)引入高斯噪聲，然而攝像設(shè)備中的壞點(diǎn)或者傳輸誤差會(huì)引入脈沖噪聲。脈沖噪聲可以分為椒鹽噪聲和隨機(jī)值噪聲，受椒鹽噪聲影響的像素值為0或者255，而受隨機(jī)值噪聲影響的像素值隨機(jī)分布在0到255之間。很多實(shí)際情況下，視頻經(jīng)常受到高斯和脈沖混合噪聲的干擾，所以對(duì)于視頻序列，同時(shí)去除高斯和脈沖噪聲是很有必要的。傳統(tǒng)的中值濾波方法對(duì)去除脈沖噪聲具有不錯(cuò)的去除效果，基本思想是將視頻序列變成一幀幀的圖像單獨(dú)處理，將每幀圖像中受到脈沖噪聲影響的像素點(diǎn)的像素值用它的鄰域中值來代替，讓鄰域的像素值接近真實(shí)值。這類方法只考慮了脈沖噪聲，不能很好地去除混合噪聲。目前去除高斯噪聲的方法主要在空域和變換域中進(jìn)行處理，更多針對(duì)單幀圖像?？沼?yàn)V波是在原圖像上直接進(jìn)行數(shù)據(jù)運(yùn)算，對(duì)像素的灰度值進(jìn)行處理。常見的空域?yàn)V波方法有非局部均值濾波NLM，基于稀疏表示和KSVD字典學(xué)習(xí)濾波KSVD的方法等。變換域?yàn)V波方法是對(duì)圖像進(jìn)行某種變換，將圖像從空域轉(zhuǎn)換到變換域，再對(duì)變換域中的變換系數(shù)進(jìn)行處理，最后進(jìn)行反變換將圖像從變換域轉(zhuǎn)換到空域來達(dá)到去除噪聲的目的。常見的變換域?yàn)V波方法有小波變換方法、三維塊匹配去噪濾波BM3D法等。這類方法只考慮了高斯噪聲，不能有效去除脈沖噪聲。為了解決上述的問題，最近提出的能量變分方法通過求解目標(biāo)函數(shù)最小化問題能夠同時(shí)去除高斯脈沖混合噪聲，取得很不錯(cuò)的效果。其中：第一類方法是TwoStages方法，該方法首先檢測出受脈沖噪聲影響的像素點(diǎn)的位置，然后將去噪問題看成一個(gè)圖像填充問題，充分利用圖像現(xiàn)有的像素信息重構(gòu)出丟失的信息。第二類方法是將脈沖噪聲看成奇異點(diǎn)，不直接檢測出脈沖噪聲的位置，而是直接通過求解最小化目標(biāo)函數(shù)迭代出清晰圖像視頻。這兩類方法由于均缺乏考慮前后幀之間的相關(guān)性，且沒有完全利用視頻中的現(xiàn)有信息，因而會(huì)丟失視頻中的有用紋理信息，造成視頻局部模糊，影響后續(xù)視頻處理。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述現(xiàn)有方法的不足，提出一種基于尺度混合模型和低秩逼近的視頻去噪方法，極大提升重建視頻的質(zhì)量。實(shí)現(xiàn)本發(fā)明目的技術(shù)思路是：充分考慮視頻前后圖像幀之間的相關(guān)性，通過多幀圖像非局部相似圖像塊的低秩逼近獲取干凈圖像塊，通過拉普拉斯尺度混合模型對(duì)單幀圖像中的奇異點(diǎn)進(jìn)行合理的建模，其實(shí)現(xiàn)方案包括如下：(1)對(duì)輸入含噪視頻序列y＝{y1,...,yt,...,yT}∈RM×N×T進(jìn)行中值濾波預(yù)處理，得到初始估計(jì)視頻其中yt∈RM×N代表含噪視頻y的第t幀圖像，代表初始視頻y0的第t幀圖像，t∈{1,2,...,T}，T代表視頻中的圖像幀數(shù)，M和N代表單幀圖像的維度；(2)利用初始估計(jì)視頻y0中的第t-1幀圖像第t幀圖像和t+1幀圖像創(chuàng)建的相似塊矩陣Xi,t，生成相似塊矩陣索引集合Gi,t：Xi,t=[xi1,t,xi2,t-1,...,xis,t,...,xim,t+1]]]>Gi,t=[(i1,t),(i2,t-1)...,(is,t),...,(im,t+1)],]]>其中表示為第s個(gè)與xi,t相似并且從中提取的大小為n的圖像塊，i＝1,2,...,I，I為聚類后相似塊矩陣的個(gè)數(shù)，(is,t)代表對(duì)應(yīng)的索引，s＝1,2,...,m，m為相似塊的個(gè)數(shù)；(3)聯(lián)合第t幀含噪圖像yt的前后P幀含噪圖像yt-1和yt+1，獲得去噪后的圖像這里P取1：(3a)利用拉普拉斯尺度混合模型，將奇異點(diǎn)矩陣分解為隱性變量因子θ和拉普拉斯變量β的點(diǎn)乘積：s^t=argminθ,s^t=θ·β||yt-x^t-θ·β||22+4σw2Σjlog(θj+ϵ)+22Σj|βj|]]>其中·代表點(diǎn)乘，βj和θj分別代表β和θ的第j個(gè)元素，j＝1,2,...,mn，是高斯噪聲的方差，ε＝10-5，用來保證計(jì)算的穩(wěn)定性；(3b)對(duì)(3a)的分解式進(jìn)行計(jì)算，得到隱性變量因子θ和拉普拉斯變量β：(3b1)將(3a)的分解式轉(zhuǎn)化為如下目標(biāo)函數(shù)，計(jì)算隱性變量因子θ：θ=argminθ||yt-x^t-θ·β||22+4σw2Σjlog(θj+ϵ);]]>(3b2)將(3a)的分解式轉(zhuǎn)化為如下目標(biāo)函數(shù)，計(jì)算拉普拉斯變量β：β=argminβ||yt-x^t-θ·β||22+22Σj|βj|;]]>(3b3)通過(3b1)計(jì)算出的θ和(3b2)計(jì)算出的β得到奇異點(diǎn)矩陣(3c)利用非局部低秩模型和(3b3)得到的計(jì)算去噪后的圖像(3d)重復(fù)(3a)-(3c)共L次，按步驟(2)中的方法在恢復(fù)后的視頻圖像中更新相似塊矩陣Xi,t和索引集合Gi,t；(3e)重復(fù)(3a)-(3d)共Q次，Q為迭代次數(shù)最大值，得到去噪后的圖像(4)重復(fù)(3a)-(3e)共T次，重構(gòu)出的干凈視頻序列：本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：第一，用拉普拉斯尺度混合模型更好地刻畫了奇異點(diǎn)的空間統(tǒng)計(jì)分布，具有更好的表達(dá)能力。第二，利用前后幀的相關(guān)性，更好地結(jié)合視頻序列中的信息。附圖說明圖1為本發(fā)明的總流程圖；圖2為本發(fā)明仿真實(shí)驗(yàn)所用的含噪視頻Bus中的第25幀圖像；圖3為本發(fā)明仿真實(shí)驗(yàn)所用的無噪視頻Bus中的第25幀圖像；圖4為用AMF方法對(duì)含噪視頻Bus進(jìn)行去噪得到重構(gòu)視頻中的第25幀圖像；圖5為用VBM3D方法對(duì)含噪視頻Bus進(jìn)行去噪得到重構(gòu)視頻中的第25幀圖像；圖6為用SLR方法對(duì)含噪視頻Bus進(jìn)行去噪得到重構(gòu)視頻中的第25幀圖像；圖7為用本發(fā)明方法對(duì)含噪視頻Bus進(jìn)行去噪得到重構(gòu)視頻中的第25幀圖像。具體實(shí)施方式以下參照附圖，對(duì)本發(fā)明方案技術(shù)方案和效果進(jìn)行詳細(xì)說明：參照?qǐng)D1，本發(fā)明的實(shí)現(xiàn)步驟如下：步驟1，對(duì)輸入含噪視頻序列y進(jìn)行中值濾波預(yù)處理，得到初始估計(jì)視頻y0。(1a)對(duì)含噪視頻y＝{y1,...,yt,...,yT}∈RM×N×T中第t幀含噪圖像yt∈RM×N中的第i個(gè)像素進(jìn)行中值濾波，即以為中心取大小為n的圖像塊xi,t，取圖像塊xi,t內(nèi)部像素的中值為Me，若的絕對(duì)值大于或者等于預(yù)先設(shè)置的閾值τ，認(rèn)為像素為脈沖噪聲，中值濾波后它的像素值否則，認(rèn)為像素沒有受脈沖噪聲影響，中值濾波后像素值保持不變，其中t∈{1,2,...,T}，T代表視頻中的圖像幀數(shù)，M和N代表單幀圖像的維度；(1b)重復(fù)(1a)MN次，得到y(tǒng)t經(jīng)過中值濾波后的初始估計(jì)圖像代表初始視頻的第t幀圖像；(1c)重復(fù)(1b)共T次，得到初始估計(jì)視頻y0。步驟2，利用初始估計(jì)視頻y0中的第t-1幀圖像第t幀圖像和t+1幀圖像創(chuàng)建的相似塊矩陣Xi,t，生成相似塊矩陣索引集合Gi,t。(2a)將初始估計(jì)圖像和按步長3分成大小為n的塊，得到相似塊集合Ct＝[x1,t,x2,t,x3,t,...]，Ct-1＝[x1,t-1,x2,t-1,x3,t-1,...]和Ct+1＝[x1,t+1,x2,t+1,x3,t+1,...]，Ct，Ct-1和Ct+1在初始估計(jì)圖像和中的位置索引分別為At＝[1,2,3,...]，At-1＝[1,2,3,...]和At+1＝[1,2,3,...]；(2b)采用最近鄰方法在xi,t-1、xi,t和xi,t+1周圍找到與xi,t相似的m個(gè)相似塊，得到相似塊矩陣：Xi,t=[xi1,t,xi2,t-1,...,xis,t,...,xim,t+1],]]>其中，xi,t-1、xi,t和xi,t+1分別為在初始估計(jì)圖像和內(nèi)以第i個(gè)像素為中心的大小為n的圖像塊，表示為第s個(gè)與xi,t相似并且從中提取的大小為n的圖像塊，i＝1,2,...,I，I為聚類后相似塊矩陣的個(gè)數(shù)，s＝1,2,...,m，m為相似塊的個(gè)數(shù)；(2c)生成相似塊矩陣Xi,t的索引：Gi,t＝[(i1,t),(i2,t-1)...,(is,t),...,(im,t+1)]，(is,t)∈At為在的位置索引。步驟3，聯(lián)合第t幀含噪圖像yt的前后P幀含噪圖像yt-1和yt+1，獲得去噪后的圖像這里P取1。(3a)設(shè)置循環(huán)次數(shù)t＝1,2,..,T，設(shè)置相似塊矩陣更新次數(shù)1≤L≤Q，設(shè)置最大循環(huán)次數(shù)Q≥2，本實(shí)例取L＝2，Q＝4；(3b)利用拉普拉斯尺度混合模型，將奇異點(diǎn)矩陣分解為隱性變量因子θ和拉普拉斯變量β的點(diǎn)乘積：s^t=argminθ,s^t=θ·β||yt-x^t-θ·β||22+4σw2Σjlog(θj+ϵ)+22Σj|βj|,]]>其中·代表點(diǎn)乘，βj和θj分別代表β和θ的第j個(gè)元素，j＝1,2,...,mn，是高斯噪聲的方差，ε＝10-5，用來保證計(jì)算的穩(wěn)定性；(3c)對(duì)(3b)的分解式進(jìn)行計(jì)算，得到隱性變量因子θ和拉普拉斯變量β：(3c1)將(3b)的分解式轉(zhuǎn)化為如下目標(biāo)函數(shù)：其中θ為待計(jì)算的隱性變量因子；(3c2)將步驟(3c1)中的目標(biāo)函數(shù)轉(zhuǎn)化如下方程式：θj=argminθj||ytj-xtj-θjβj||22+4σw2log(θj+ϵ)s.t.θj≥0,---<1>]]>其中θj，βj，和分別代表θ，β，yt和xt的第j個(gè)元素；將上式<1>按θj展開：θj=βj2θj2+2βj(ytj-xtj)θj+(ytj-xtj)2+4σw2log(θj+ϵ)s.t.θj≥0,---<2>]]>省略常數(shù)項(xiàng)并令使式<2>簡化為：θj=argminθjaθj2+bθj+clog(θj+ϵ),s.t.θj≥0;---<3>]]>(3c3)令式<3>的右邊為f(θj)對(duì)f(θj)求導(dǎo)，得到：∂f(θj)∂θj=2aθj+b+c1θj,]]>令得到θj的解為：其中(3c4)將(3b)的分解式轉(zhuǎn)化為如下目標(biāo)函數(shù)：其中β為待計(jì)算的計(jì)算拉普拉斯變量；(3c5)將步驟(3c4)中的目標(biāo)函數(shù)轉(zhuǎn)化如下方程式：βj=argminβj||ytj-xtj-θjβj||22++22|βi|,]]>其中θj，βj，和分別代表θ，β，yt和xt的第j個(gè)元素；(3c6)通過對(duì)(3c5)中的方程式進(jìn)行軟閾值法，得到βj的解：βj=z-τj,ifz≥τjz+τj,ifz≤-τj0,otherwise,]]>其中為閾值。(3c7)通過(3c3)計(jì)算出的θ和(3c6)計(jì)算出的β得到奇異點(diǎn)矩陣(3d)利用非局部低秩模型和(3c6)得到的計(jì)算去噪后的圖像(3d1)將相似塊矩陣Xi,t進(jìn)行如下奇異值分解：svd(Xi,t)＝(Oi,t,Λi,t,Vi,t)，其中，svd表示奇異值分解符號(hào)，Oi,t和Vi,t分別代表左奇異矩陣和右奇異矩陣，diag表示對(duì)角線矩陣，表示奇異值矩陣Λi,t對(duì)角線上的第r個(gè)奇異值元素，r∈{1,2,..,R}，R＝min(n,m)；(3d2)根據(jù)(3d1)計(jì)算出的計(jì)算第k次迭代閾值矩陣對(duì)角線的第r個(gè)元素如下：wir,tk=1λir,tk+ϵ,]]>其中，k∈{1,2,..,G}，G為最大迭代次數(shù)，代表第k次迭代閾值矩陣對(duì)角線的第r個(gè)元素；(3d3)根據(jù)奇異值閾值法得到替換矩陣為：Lik=Oi,tSτ(Λi,t)Vi,t,]]>其中閾值(3d4)根據(jù)上述參數(shù)將增廣拉格朗日算子更新為：Uik+1=Uik+μ(Xi,t-Lik),]]>其中：μk+1＝1.2μk；(3d5)重復(fù)(3d1)～(3d4)共G次，輸出估計(jì)值μ＝μG；(3d6)重復(fù)(3d1)～(3d5)共I次得到矩陣Li,i＝1,2,...,I，，然后計(jì)算為：x^t=(2σw2μΣiR~iTR~i+E)-1(yt-s^t+2σw2μΣiR~iT(Li-Ui2μ)),]]>其中代表從圖像中以像素點(diǎn)is為中心點(diǎn)抽取圖像塊的操作，s＝1,2,...,m，m為相似塊的個(gè)數(shù)，E代表單位矩陣。(3e)重復(fù)步驟(3b)-(3d)共L次，按步驟(2)方法在優(yōu)化過的視頻圖像中更新相似塊矩陣Xi,t和索引集合Gi,t；(3f)重復(fù)(3a)-(3e)共Q次，Q為迭代次數(shù)最大值，得到去噪后的圖像步驟4，重復(fù)(3a)-(3f)共T次，重構(gòu)出干凈的視頻序列：本發(fā)明的效果可以通過如下仿真實(shí)驗(yàn)具體說明：1.仿真條件：1)仿真實(shí)驗(yàn)所用編程平臺(tái)為MatlabR2015b；2)仿真實(shí)驗(yàn)所用含噪視頻Bus遭受高斯噪聲σw＝10，脈沖噪聲比率r＝20％的影響；視頻共包括50幀圖像，其中第25幀的圖像如圖2所示；3)仿真實(shí)驗(yàn)所用無噪視頻為Bus中的第25幀圖像，如圖3所示；4)仿真試驗(yàn)中，采用峰值信噪比PSNR指標(biāo)來評(píng)價(jià)去噪實(shí)驗(yàn)結(jié)果，視頻平均峰值信噪比PSNR定義為：PSNR=1PΣt10log10(2552Σ||xt-x^t||2)]]>其中，xt為原無噪圖像，為恢復(fù)出來的圖像。2.仿真內(nèi)容：仿真1，采用現(xiàn)有AMF方法，對(duì)含噪視頻Bus進(jìn)行去噪，去噪后視頻的第25幀圖像，如圖4所示。仿真2，采用現(xiàn)有VBM3D方法，對(duì)含噪視頻Bus進(jìn)行去噪，去噪后視頻的第25幀圖像，如圖5所示。仿真3，采用現(xiàn)有SLR方法，對(duì)含噪視頻Bus進(jìn)行去噪，去噪后視頻的第25幀圖像，如圖6所示。仿真4，采用本發(fā)明方法對(duì)含噪視頻Bus進(jìn)行去噪，去噪后視頻的第25幀圖像，如圖7所示。從圖4-圖7所顯示的恢復(fù)結(jié)果可以看出，本發(fā)明恢復(fù)出來的視頻比其他方法恢復(fù)出來的視頻更干凈，清晰，圖像邊緣更銳利，視覺效果更好。將AMF方法、VBM3D方法、SLR方法和本發(fā)明方法分別對(duì)含噪視頻Bus進(jìn)行去噪，得到的平均峰值信噪比PSNR進(jìn)行比較，結(jié)果見表1。表1恢復(fù)視頻的平均峰值信噪比PSNR值(單位dB)從表1可以看出，在高斯噪聲標(biāo)準(zhǔn)差等于10，脈沖噪聲比例為20％時(shí)，本發(fā)明的峰值信噪比PSNR比現(xiàn)有VBM3D和SLR方法要平均高出5.14dB和1.1dB，比現(xiàn)有的AMF方法高出6.94dB。當(dāng)前第1頁1 2 3