一种基于稀疏表示的RAW图像去噪方法技术

技术编号:14685891 阅读:299 留言:0更新日期:2017-02-22 20:34
本发明专利技术公开了一种基于稀疏表示的RAW图像去噪方法,包括以下步骤:步骤一、将待去噪RAW图像分解成为固定大小相互重叠的RAW矩形图像块;步骤二、将步骤一中得到的RAW矩形图像块按照不同颜色通道,重新排列成G1RBG2颜色层;步骤三、将步骤二中得到的G1RBG2颜色层按照G1、R、B、G2的顺序依次拉伸后得到列向量形式的图像块向量,将每个图像块向量从左至右拼接成G1RBG2矩阵,G1RBG2矩阵的每一列为一个训练样本;步骤四、从步骤三中的G1RBG2矩阵中随机选择部分训练样本作为训练样本集T,采用K‑SVD方法对训练样本集T进行学习得出字典D;步骤五、采用改进后的OMP算法对步骤四中得出的所述字典D进行图像重建后,形成无噪RAW图像;本方法解决了RAW图像去噪过程中计算复杂的问题。

【技术实现步骤摘要】

本专利技术属于图像处理
,特别涉及一种基于稀疏表示的RAW图像去噪方法
技术介绍
微小卫星相对于大卫星,具有质量轻,成本低,设计与制造周期短等特点。对地观测作为一项空间应用的重要任务,有着广泛的应用,如植被监测和灾难监测。在该领域,微小卫星已经成功得到应用。图像处理系统是对地观测任务的关键组成部分。但是,由于复杂的太空环境,相机拍摄的图像受到了严重的噪声影响。例如光线强度较弱将会带来很大的噪声,相机通过增加输入信号的感光度(增加ISO)来放大感光元件的电压,会造成噪声增强。数字相机中的图像前处理技术在原本噪声源的基础上还会带来特定的方法噪声,例如白平衡、色彩校正、伽马校正和边缘增强会改变噪声源的性质或增加噪声的强度。如果直接压缩图像,传输到地面处理,那么方法噪声、量化噪声和传输过程的冲击噪声会使得噪声的模型更加复杂。目前传统的信号稀疏表示去噪方法对已知噪声模型(如加性高斯白噪声)的灰度或者彩色图像去噪。自然信号在冗余字典中稀疏分解,是一种有效的信号表示方法。在图像去噪领域,稀疏表示很好地将信号分解成稀疏向量,通过稀疏向量恢复无噪图像。但实际的问题是,经过白平衡、去马赛克、颜色变换三种主要的图像前处理技术,数字相机输出YUV或者RGB图像噪声模型是未知的。而且图像具有信号相关、颜色相关和空间相关的噪声特性。如果简单地利用传统稀疏表示方法去噪,那么就会出现去噪效果差的问题。另一方面,原始图像(或称为:RAW图像)的噪声模型是已知的,即加性高斯白噪声。RAW图像的格式一般采用Bayer颜色滤波阵列,即图像中像素总数的一半是绿色(G),而总数的四分之一分别为红色(R)和蓝色(B),像素首先按GRGR排列,下一行像素按BGBG排列。如果直接处理RAW图像,相应的传统稀疏表示图像处理方法有限制,因为RAW图像数据不符合一般的图像假设,如:平滑性、分段不变性等。
技术实现思路
本专利技术的目的是提供一种基于稀疏表示的RAW图像去噪方法,以解决在处理未去噪RAW图像过程中,不能有效地估计出噪声的参数,计算复杂的问题。本专利技术采用以下技术方案:一种基于稀疏表示的RAW图像去噪方法,其特征在于,包括以下步骤:步骤一、将待去噪RAW图像分解成为固定大小相互重叠的RAW矩形图像块;步骤二、将步骤一中得到的RAW矩形图像块按照不同颜色通道,重新排列成G1RBG2颜色层;步骤三、将步骤二中得到的G1RBG2颜色层按照G1、R、B、G2的顺序依次拉伸后得到列向量形式的图像块向量,将每个图像块向量从左至右拼接成G1RBG2矩阵,G1RBG2矩阵的每一列为一个训练样本;步骤四、从步骤三中的G1RBG2矩阵中随机选择部分训练样本作为训练样本集T,采用K-SVD方法对训练样本集T进行学习得出字典D;步骤五、采用改进后的OMP算法对步骤四中得出的字典D进行图像重建后,形成无噪RAW图像。进一步地,步骤四中采用K-SVD方法对训练样本集T进行学习得出字典D的具体步骤如下:阶段一:初始化阶段,即从训练样本集T中随机选取i个n维样本ti用来组成字典D,并始字典D进行J’次迭代,J’为迭代总次数;阶段二:固定字典D阶段,即采用OMP算法找出训练样本集T中的每个训练样本的稀疏表示αi;阶段三:更新字典D阶段,即将固定字典D阶段得到的每个训练样本的稀疏表示组成稀疏矩阵A,通过稀疏矩阵A对阶段二中得出的字典D进行处理,依次更新字典D中的每一列,得出训练完毕的字典D。进一步地,步骤五采用如下步骤具体实现:5.1)设置各个训练样本的初始参数,并计算残差与训练完毕的字典D中每列dl的内积,l为字典D的列数,找出最大内积所对应的下标p;5.2)更新索引集,更新残差,并将迭代变量的数值增加1;5.3)当更新后的残差<重构误差阈值时,结束迭代,且当i个训练样本ti均都已找到稀疏表示αi时,采用加权求和将重叠的图像块组合,得出无噪RAW图像,当i个训练样本ti未全部找到稀疏表示αi,则返回步骤5.1),继续执行;当更新后的残差≥重构误差阈值时,返回步骤5.2),继续执行。进一步地,步骤5.1)采用如下步骤具体实现:找到训练样本集T中每个训练样本ti的稀释表示,i=1,2,…,i,针对其中的一个样本,设置每个训练样本ti的初始化残差r(0),设置重构误差阈值为n(Cσ)2,设置索引集Ω0=0;计算残差r(L-1)与训练完毕的字典D中每列dl的改进的内积,找出最大的内积所对应的下标p,p∈{1,2,…,k本文档来自技高网
...
一种基于稀疏表示的RAW图像去噪方法

【技术保护点】
一种基于稀疏表示的RAW图像去噪方法,其特征在于,包括以下步骤:步骤一、将待去噪RAW图像分解成为固定大小相互重叠的RAW矩形图像块(1);步骤二、将所述步骤一中得到的RAW矩形图像块(1)按照不同颜色通道,重新排列成G1RBG2颜色层(2);步骤三、将所述步骤二中得到的G1RBG2颜色层(2)按照G1、R、B、G2的顺序依次拉伸后得到列向量形式的图像块向量,将每个所述图像块向量从左至右拼接成G1RBG2矩阵(3),所述G1RBG2矩阵(3)的每一列为一个训练样本;步骤四、从所述步骤三中的G1RBG2矩阵(3)中随机选择部分所述训练样本作为训练样本集T,采用K‑SVD方法对所述训练样本集T进行学习得出字典D(4);步骤五、采用改进后的OMP算法对所述步骤四中得出的所述字典D(4)进行图像重建后,形成无噪RAW图像(5)。

【技术特征摘要】
1.一种基于稀疏表示的RAW图像去噪方法,其特征在于,包括以下步骤:步骤一、将待去噪RAW图像分解成为固定大小相互重叠的RAW矩形图像块(1);步骤二、将所述步骤一中得到的RAW矩形图像块(1)按照不同颜色通道,重新排列成G1RBG2颜色层(2);步骤三、将所述步骤二中得到的G1RBG2颜色层(2)按照G1、R、B、G2的顺序依次拉伸后得到列向量形式的图像块向量,将每个所述图像块向量从左至右拼接成G1RBG2矩阵(3),所述G1RBG2矩阵(3)的每一列为一个训练样本;步骤四、从所述步骤三中的G1RBG2矩阵(3)中随机选择部分所述训练样本作为训练样本集T,采用K-SVD方法对所述训练样本集T进行学习得出字典D(4);步骤五、采用改进后的OMP算法对所述步骤四中得出的所述字典D(4)进行图像重建后,形成无噪RAW图像(5)。2.如权利要求1所述的一种基于稀疏表示的RAW图像去噪方法,其特征在于,所述步骤四中采用K-SVD方法对所述训练样本集T进行学习得出字典D(4)的具体步骤如下:阶段一:初始化阶段,即从训练样本集T中随机选取i个n维样本ti用来组成字典D(4),并始字典D(4)进行J’次迭代,J’为迭代总次数;阶段二:固定字典D(4)阶段,即采用OMP算法找出训练样本集T中的每个训练样本的稀疏表示αi;阶段三:更新字典D(4)阶段,即将固定字典D(4...

【专利技术属性】
技术研发人员:袁建平万帅梅少辉侯建文罗建军马明阳
申请(专利权)人:西北工业大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1