圖像乘性噪聲移除方法
【技術領域】
[0001] 本發(fā)明屬于數(shù)字圖像處理技術領域，具體是一種基于非局部相似的稀疏表示和低 秩約束的圖像乘性噪聲移除方法。
【背景技術】
[0002] 圖像去噪是圖像處理中的最基本的問題之一，其目的是從帶噪圖像中恢復出原始 圖像。由于乘性噪聲廣泛存在于核磁共振、遙感、合成孔徑雷達等成像領域，其降低了圖像 畫面質量，嚴重的影響了圖像的分割、目標檢測等處理，因此，如何有效的去除乘性噪聲是 相干成像領域的首要問題。
[0003] 目前，關于乘性噪聲去除算法中，比較普遍的方法有基于變分和基于稀疏表示的 方法?；谧兎值姆椒ㄊ抢米兎帜Ｐ徒涍^迭代去噪，該變分模型包含忠誠項和正則項?；?于變分的方法的收斂速度一般比較慢，而且容易引起階梯效應?；谙∈璞硎镜姆椒ǚ謨?類，一類是多尺度變換（如超小波），由于這類算法的字典是固定的，對處理的圖像有一定 的限制性；另一類是學習字典，這類算法是根據(jù)樣本訓練出字典，然后利用該字典來表示圖 像，并建立相應的模型，經過迭代去噪?；谙∈璞硎镜姆椒ㄔ谝曈X質量和峰值信噪比上效 果不理想。
[0004] 針對這些缺陷，已經有許多文獻提出了一些不同解決方案。
[0005] 在"C. Chesneau, M. Fadili, and J. Starck, Stein block thresholding for image denoising, Appl. Comput. Harmon. Anal.，2010, 28 (I) : 67-88.，' 中，Chesneau 等提出基于濾 波器的變分乘性噪聲的移除（BS模型）。該算法是設定斯坦塊閾值D = 2,特別強調任何尺 寸d的最小值。為了實現(xiàn)這一目標，證明了平滑空間的一個子類即所謂的分解空間，這些平 滑空間覆蓋的Besov空間，以及相應的曲波型結構的平滑空間。主要理論成果是分解的這 些空間，并顯示的塊估計可以達到最佳的最小值，或至少是接近最小值的情況。另一個貢獻 是最小化的懲罰性是表示對噪聲序列模型的轉換，系數(shù)滿足一些假設和閾值參數(shù)的選擇， 從理論上探討其最佳值在一定的條件下滿足，缺點是BS模型在峰值信噪上比以前的噪聲 移除算法提高很多，但是在處理后的圖像視覺效果上增加了 一些不必要的東西。
[0006] 在"Υ· M. Huang, L. Moisan, Μ. K. Ng，and T. Y. Zeng，Multiplicative noise removal via a learned dictionary, IEEE Trans. Image Process.，2012, 21 (11) :4534-4543.，'中， Huang等提出了基于稀疏表示的K-SVD方法字典訓練的乘性噪聲的移除算法（HYM)，HYM模 型得到了很好的峰值信噪比和視覺效果，但是在較高的噪聲圖像中，仍存在較多的噪聲點， 細節(jié)丟失嚴重，視覺效果不理想。
[0007] 通過對上述乘性噪聲去除方法的分析發(fā)現(xiàn)：它們在不同程度上存在細節(jié)丟失、適 應性差等影響圖像視覺效果的問題。需要開發(fā)一種能很好的去噪的同時有效保持圖像細節(jié) 的方法。

【發(fā)明內容】

[0008] 本發(fā)明所要解決的技術問題是現(xiàn)有圖像乘性噪聲去除方法，在不同程度上存在細 節(jié)丟失、適應性差等影響圖像視覺效果的問題，提供一種圖像乘性噪聲移除的方法。
[0009] 為解決上述問題，本發(fā)明所設計的一種圖像乘性噪聲移除方法，包括如下步驟：
[0010] 步驟1，對圖像進行歸一化預處理即對圖像進行對數(shù)變換；
[0011] 步驟2,先對對數(shù)域中的圖像進行分塊，再分別對分塊所得的每個圖像塊進行非局 部相似匹配，并找到每個圖像塊具有相同結構類型的非局部相似圖像塊；
[0012] 步驟3,對于每個圖像塊，先對該圖像塊的非局部相似圖像塊進行K均值聚類，再 分別在每一聚類中構建一個自適應稀疏字典；
[0013] 步驟4,對于每個聚類的自適應稀疏字典，先對自適應稀疏字典利用收縮算子的代 理函數(shù)得到稀疏編碼，再對該稀疏編碼和自適應稀疏字典利用軟閾值算子求解低秩約束函 數(shù)；
[0014] 步驟5,將得到的稀疏編碼和低秩約束函數(shù)，利用歐拉-拉格朗日公式獲得最小化 的圖像函數(shù)；
[0015] 步驟6,使用牛頓迭代法對最小化的圖像函數(shù)進行迭代所得到的函數(shù)迭代公式即 為對數(shù)域中噪聲移除后的圖像；
[0016] 步驟7,將對數(shù)域中噪聲移除后的圖像還原到實數(shù)域中，恢復得到最終實數(shù)域中的 噪聲移除后的圖像。
[0017] 上述步驟2中，需將每個圖像塊用稀疏編碼進行表示，此時每個圖像塊與其非局 部相似圖像塊之間通過稀疏編碼進行聯(lián)系。
[0018] 上述步驟2中，每個圖像塊與其非局部相似圖像塊之間的信息用它們之間的距離 權重的2范數(shù)去刻畫。
[0019] 上述步驟3中，采用PCA主成分分析方法來構建每一聚類的自適應稀疏字典。
[0020] 上述將對數(shù)域中的圖像還原到實數(shù)域中，需要經過指數(shù)變換和誤差分析才能恢復 到最終實數(shù)域中的噪聲移除后的圖像。
[0021] 與現(xiàn)有技術相比，本發(fā)明具有如下特點：
[0022] 1、將稀疏表示訓練字典引入乘性噪聲的移除，探索了圖像的全局信息，用最少的 元素表示整張圖像的信息，這樣大大減少工作量，噪聲的移除通過學習字典，這樣更有效的 移除噪聲。
[0023] 2、將局部正則化引入乘性噪聲的移除，有利于捕捉圖像的紋理特征。
[0024] 3、將非局部正則化引入乘性噪聲的移除，有利于保留圖像的邊緣信息，使得在進 行圖像噪聲移除的同時其他特征不被破壞。
[0025] 4、將低秩引入乘性噪聲的移除，低秩是全局和局部之間的聯(lián)系，加強了圖像噪聲 的移除、紋理特征和輪廓信息的保留。
【附圖說明】
[0026] 圖1為一種圖像乘性噪聲移除方法的流程圖。
[0027] 圖2是本發(fā)明一種圖像乘性噪聲移除方法在噪聲視數(shù)L = 9對Barbara標準圖像 處理部分效果圖和局部效果圖。
[0028] 圖3是本發(fā)明一種圖像乘性噪聲移除方法在噪聲視數(shù)L = 21對Lena標準圖像處 理部分效果圖和局部效果圖。
【具體實施方式】
[0029] -種圖像乘性噪聲移除方法，如圖1所示，包括如下步驟：
[0030] 步驟1，在加入了乘性噪聲的原始圖像即噪圖像進行歸一化的預處理，即將含噪圖 像進行對數(shù)變換。
[0031] 為了簡化計算量對圖像進行歸一化處理，把乘性噪聲經過對數(shù)變換轉化為加性噪 聲，即在對數(shù)域中進行噪聲移除，對數(shù)變換模型為
【主權項】
1. 一種圖像乘性噪聲移除方法，其特征是，包括如下步驟： 步驟1，對圖像進行歸一化預處理即對圖像進行對數(shù)變換； 步驟2,先對對數(shù)域中的圖像進行分塊，再分別對分塊所得的每個圖像塊進行非局部相 似匹配，并找到每個圖像塊具有相同結構類型的非局部相似圖像塊； 步驟3,對于每個圖像塊，先對該圖像塊的非局部相似圖像塊進行K均值聚類，再分別 在每一聚類中構建一個自適應稀疏字典； 步驟4,對于每個聚類的自適應稀疏字典，先對自適應稀疏字典利用收縮算子的代理函 數(shù)得到稀疏編碼，再對該稀疏編碼和自適應稀疏字典利用軟閾值算子求解低秩約束函數(shù)； 步驟5,將得到的稀疏編碼和低秩約束函數(shù)，利用歐拉-拉格朗日公式獲得最小化的圖 像函數(shù)； 步驟6,使用牛頓迭代法對最小化的圖像函數(shù)進行迭代所得到的函數(shù)迭代公式即為對 數(shù)域中噪聲移除后的圖像； 步驟7,將對數(shù)域中噪聲移除后的圖像還原到實數(shù)域中，恢復得到最終實數(shù)域中的噪聲 移除后的圖像。
2. 根據(jù)權利要求1所述的一種圖像乘性噪聲移除方法，其特征是，步驟2中，需將每個 圖像塊用稀疏編碼進行表示，此時每個圖像塊與其非局部相似圖像塊之間通過稀疏編碼進 行聯(lián)系。
3. 根據(jù)權利要求1所述的一種圖像乘性噪聲移除方法，其特征是，步驟2中，每個圖像 塊與其非局部相似圖像塊之間的信息用它們之間的距離權重的2范數(shù)去刻畫。
4. 根據(jù)權利要求1所述的一種圖像乘性噪聲移除方法，其特征是，步驟3中，采用主成 分分析方法來構建每一聚類的自適應稀疏字典。
5. 根據(jù)權利要求1所述的一種圖像乘性噪聲移除方法，其特征是，將對數(shù)域中的圖像 還原到實數(shù)域中，需要經過指數(shù)變換和誤差分析才能恢復到最終實數(shù)域中的噪聲移除后的 圖像。
【專利摘要】本發(fā)明公開了一種圖像乘性噪聲移除方法，其在稀疏表示非局部訓練字典的基礎上嵌入變分法和低秩約束條件，對非局部相似塊進行權重匹配，然后用迭代函數(shù)求解稀疏編碼和把軟閾值算法應用在低秩求解上。本發(fā)明的優(yōu)點是不僅有很好的去噪效果和高的峰值信噪比，還能夠很好的保留圖像邊緣的信息及紋理特征在視覺上更接近于原圖，在相似度上也有很大的提高。
【IPC分類】G06T5-00
【公開號】CN104657951
【申請?zhí)枴緾N201510093055
【發(fā)明人】陳利霞, 朱平芳, 王學文, 莫建文, 袁華, 張彤, 首照宇, 歐陽寧
【申請人】桂林電子科技大學
【公開日】2015年5月27日
【申請日】2015年3月2日