本發(fā)明屬于數字圖像處理
技術領域：
，具體是涉及一種基于加權稀疏的混合噪聲去除方法。
背景技術：
：圖像在獲取和運輸的過程中不可避免的會受到噪聲的污染，而被噪聲污染的圖像會影響圖像的后續(xù)處理，例如邊緣檢測、目標識別和圖像分割等。因此去噪是圖像數字圖像處理的一個重要問題，其主要目是在保存圖像的細節(jié)、紋理和邊緣等特征下，從給定的噪聲圖像中恢復理想的圖像。由于混合噪聲沒有參數模型且分布復雜，有效的去除混合噪聲是一個相當困難的問題。近幾年，人們長期致力于去除混合噪聲方法的改進，如Xiao等(Y.Xiao，T.Y.Zeng，J.YuandM.K.Ng，“RestorationofimagescorruptedbymixedGuassian-impulsenoisevial1-l0minimization，”PatternRecognit.，vol.44，no.8，pp.1708-1720，Aug，2010)先利用中值類濾波進行脈沖噪聲檢測，最后用l1-l0最小優(yōu)化問題求解去噪圖像，該方法雖改善了去噪圖像的視覺質量，但是計算量大。2014年Jiang等(J.Jiang，L.Zhang，andJ.Yang，“Mixednoiseremovalbyweightedencodingwithsparsenonlocalregularization，”IEEETrans.ImageProcess.，vol.23，no.6，pp.2651-2262，2014)(JZY模型)結合非局部稀疏表示的方法，雖能該算法能夠同時去除高斯白噪聲和脈沖噪聲且不需要先進行脈沖噪聲的檢測，但該方法使去噪圖的邊緣比較模糊。同時Zhang等(J.Zhang，D.B.Zhao，andW.Gao，“Group-basedsparserepresentationforimagerestoration，”IEEETrans.ImageProcess.，vol.23，no.8，pp.3336-3351，2014)(ZZG模型)提出基于分組稀疏表示的方法去除混合噪聲，但該方法得到的去噪圖過于光滑。技術實現要素：本發(fā)明所要解決的技術問題是提供一種基于加權稀疏的混合噪聲去除方法，其將非局部稀疏加權編碼與變分相結合，從而能更好的保存圖像的邊緣信息。為解決上述問題，本發(fā)明是通過以下技術方案實現的：一種基于加權稀疏的混合噪聲去除方法，包括步驟如下：步驟1，在標準圖像庫中獲得自然圖像，并對圖像進行歸一化的預處理，再進行圖像分塊，每個圖像塊用稀疏編碼αi表示；步驟2，對每個圖像進行加噪聲處理，利用變分和權重稀疏編碼的方法得到去除混合噪聲模型；步驟3，為每個圖像塊進行非局部相似匹配，找到具有相同結構類型的相似圖像塊作為該圖像塊的非局部相似塊，并獲得各圖像塊的非局部因子μi；步驟4，對于每個圖像塊，對其非局部相似塊進行k均值聚類，把非局部相似塊聚類分為k類，并在每一類中訓練出k個自適應稀疏字典D＝[D1,D2,…,Dk]；步驟5，利用迭代權重的方法更新每個圖像塊的稀疏編碼αi；步驟6，稀疏字典和稀疏編碼確定后，利用對偶方法求解步驟2所構造的去除混合噪聲模型，得到去噪圖像；上述i表示圖像的第i分塊，i＝1,2,…,n，n為圖像塊數；k為設定值，為大于等于1的正整數。與現有技術相比，本發(fā)明的有益效果是：1、本發(fā)明將稀疏表示訓練字典引入去除混合噪聲，用最少的元素表示整張圖像的信息，這樣大大減少工作量，去除混合噪聲通過學習字典，這樣更有效的去噪。2、本發(fā)明將非局部正則化引入去除混合噪聲，有利于聯(lián)系圖像塊之間的聯(lián)系，加強去噪。3、本發(fā)明將變分項引入去除混合噪聲，有利于保留去噪圖像的邊緣信息，改善圖像的視覺效果，提高圖像的質量。4、仿真實驗表明，本發(fā)明不僅對混合噪聲有很好的抑制作用，并且對圖像特征的保留有一定的改善。附圖說明圖1是一種基于加權稀疏的混合噪聲去除方法的流程圖。圖2是名稱為“Pirate”的圖在高斯白噪聲標準差為30，脈沖噪聲密p＝40％下，不同去噪方法的效果對比圖。其中，(a)為原圖像和局部放大圖；(b)為ZZG方法的去噪圖和局部放大圖；(c)為JZY方法的去噪圖和局部放大圖，(d)為本發(fā)明方法的去噪圖。圖3是名稱為“Peppers”的圖在高斯白噪聲標準差為20，脈沖噪聲密度p＝50％下，不同去噪方法的效果對比圖。其中，(a)為原圖像和局部放大圖；(b)為ZZG方法的去噪圖和局部放大圖；(c)為JZY方法的去噪圖和局部放大圖，(d)為本發(fā)明方法的去噪圖。具體實施方式一種基于加權稀疏的混合噪聲去除方法，如圖1所示，包括步驟如下：步驟1，在標準圖像庫中獲得自然圖像，并對圖像進行歸一化的預處理，再進行圖像分塊。在標準圖像庫中獲得自然圖像，圖像的大小全部為512×512，灰度值在0-255之間，為了簡化計算量對每幅圖都進行歸一化處理，歸一化處理以后再把圖像進行分塊，每塊的大小本發(fā)明分為7×7，那么每張圖像就得到49個小塊。步驟2，對每個圖像進行加噪聲處理，利用變分和權重稀疏編碼的方法得到去除混合噪聲模型。首先，對每個圖像進行加噪聲處理，設y∈Rn為含噪的觀測圖，x∈Rn為去噪圖，n為高斯白噪聲，則高斯白噪聲的數學公式為y＝x+n.設y的動態(tài)范圍為[dmin,dmax]，脈沖噪聲的概率為p(0≤p≤1)，則混合噪聲模型為：我們對圖像分別加高斯白噪聲標準差為10，20，30，脈沖噪聲密度p＝30％,40％,50％。然后，在非局部權重稀疏編碼項(JZY)方法的基礎上增加保存圖像邊緣的變分項||x||TV得到去除混合噪聲模型：||W1/2(y-Dα)||22+||αi-μi||1+||x||TV,s.t.x=Dα]]>其中，W為權重，D為稀疏字典，α為稀疏編碼，μ為非局部因子。步驟3，為每個圖像塊進行非局部相似匹配，找到其具有相同結構類型的相似圖像塊，即它的非局部相似塊。先把圖像x進行分塊用xi表示，每一塊圖像xi的信息用稀疏編碼αi表示，其中i表示圖像的第i分塊(i＝1,2,…,n)，即稀疏編碼α＝[α1,α2,…,αn],那么稀疏字典D＝[D1,D2,…,Dn]，即xi＝Dαi，對應塊的非局部因子用μi表示，μ＝[μ1,μ2,…,μn]那么μi＝∑ωi,jαi,j，其中αi,j表示尋找塊j到塊i的相似塊，ωi,j為權重，xi,j＝Dαi,jh為給定的標量，本發(fā)明設置h＝80，ω為標準化因子，我們用xi與xi,j之間的歐式距離來定義圖像塊與塊之間的相似性，其中怎么定義到底有多少塊與給定的圖像塊相似，是由自己定義，在本發(fā)明中設置有15個塊與給定的塊相似。步驟4，對于給定的每個分塊，首先對圖像的非局部相似塊進行k均值聚類，分別在每類中更新自適應稀疏PCA(主成分分析)字典。(4.1)用k均值聚類的方法應用在步驟3的非局部相似塊中，這樣就把非局部相似塊聚類為k類，記為1,2,3，…，k，在本發(fā)明中k＝49.(4.2)在每一類中構造稀疏子字典，這樣就訓練k個自適應子字典，分別記為D1，D2，…，Dk，k個子字典組成稀疏字典D＝[D1,D2,…,Dk]，稀疏字典在圖像的視覺和質量上都有很好的改善。步驟5：利用迭代權重的方法得到稀疏編碼。利用迭代權重的方法得到稀疏編碼，即先假設V為已知的對角矩陣函數，給定V的初值為單位矩陣，對角矩陣V的每個對角元素用Vii表示，那么我們設定第(k′+1)次迭代其中λ為非負常數，ε＝y(tǒng)-x非負為誤差，通過迭代權重的方法得到第(k′+1)次迭代稀疏編碼：α(k′+1)＝(DTWD+V(k′+1))-1(DTWy-DTWDμ)+μ。步驟6：利用對偶方法求解模型，得到去噪圖像。在稀疏字典D和稀疏編碼α都更新好以后，利用對偶的方法得到去噪后的圖像，即把目標函數轉化為相對應的對偶問題即x×x＝X∈Rn×n，p∈X,并且||p||∞≤1，這樣我們就得到最終的去除混合噪聲圖像x。本發(fā)明的效果由以下仿真進一步說明。1.仿真條件(1)選取大小為512×512的標準測試圖像庫中自然圖像進行測試；(2)將一幅圖像分為7×7的圖像塊，其中過完備字典的大小為49，測試的圖像加混合噪聲為高斯白噪聲標準差為10，20，30，脈沖噪聲密度p＝30％,40％,50％。2.仿真內容與結果仿真內容：利用512×512的“Pirate”圖和“Peppers”圖，用本發(fā)明方法與已有技術的ZZG方法，JZY方法分別對其去除混合噪聲。實驗結果：(1)本發(fā)明比ZZG方法和JZY方法在峰值信噪比PSNR和FSIM上取得很好的去噪效果。實驗結果如表1所示。從表中可以看出，本發(fā)明與ZZG方法和JZY方法相比，在不同的噪聲和測試圖像上，均取得了較高的PSNR值和FSIM值。表1不同混合噪聲去除方法的PSNR(dB)和FSIM(2)本發(fā)明比ZZG方法和JZY方法在視覺效果上取得更好的去噪效果。實驗結果如圖2和如圖3所示。圖2高斯白噪聲標準差為30，脈沖噪聲密度p＝50％的“Pirate”去噪圖。(a)為原圖像和局部放大圖。(b)為ZZG方法的去噪圖和局部放大圖，ZZG方法的圖像處理的比較模糊，去噪圖還存在很多混合噪聲，臉部及手腕的邊緣都不清晰。(c)為JZY方法的去噪圖和局部放大圖，雖然JZY方法在峰值信噪比和圖像特征相似度要好于ZZG方法，圖像的去噪效果也要優(yōu)于ZZG方法，但是ZZG方法去噪圖的臉部輪廓不是很明顯，手腕上的鏈條和手指上的戒指也不是很清楚。(d)為本發(fā)明方法的去噪圖。由此可見，本發(fā)明方法能夠很好的保存圖像的邊緣信息。圖3是高斯白噪聲標準差為20，脈沖噪聲密度p＝40％的“Peppers”去噪圖。(a)為原圖像和局部放大圖。(b)為ZZG方法的去噪圖和局部放大圖，ZZG方法的去噪圖比較光滑，特別是辣椒蒂。(c)是JZY方法的去噪圖，辣椒蒂的邊緣處理的沒有ZZG方法好。(d)為本發(fā)明方法的去噪圖。由此可見，本發(fā)明方法能夠很好的保存圖像的特征信息。本發(fā)明在加權稀疏表示非局部訓練字典的基礎上加入變分法，對非局部相似塊進行匹配，然后用對偶的方法求解混合去噪圖像，能更好的保存圖像的邊緣信息。本發(fā)明的去噪效果優(yōu)于現有算法，其具有很高的峰值信噪比和圖像特征相似度，對混合噪聲有很好的抑制作用，特別是能夠很好的保存圖像的邊緣信息，對圖像特征的保留有一定的改善。當前第1頁1 2 3