基于形状自适应搜索窗口的非局部均值去噪方法技术

本发明专利技术公开了基于形状自适应搜索窗口的非局部均值去噪方法，包括：步骤1：输入噪声图像V，步骤2：计算噪声图像V在水平方向的梯度图像Vx和垂直方向的梯度图像Vy；步骤3：计算噪声图像V所对应的结构张量T(s,σ)；步骤4：计算得到当前像素i的形状自适应搜索窗口ASi；步骤5：划分图像块，计算相似性权重值w(i,j)；步骤6：计算得到当前像素i去噪后的像素值

Non-local Mean Denoising Method Based on Shape Adaptive Search Window

The invention discloses a non-local mean denoising method based on shape adaptive search window, which includes: step 1: input noise image V, step 2: calculate gradient image Vx of noise image V in horizontal direction and gradient image Vy of vertical direction; step 3: calculate the structure tensor T (s, _) corresponding to noise image V; step 4: calculate the structure tensor T (s, _) of noise image V. Calculate the shape adaptive search window ASi of current pixel i; Step 5: divide the image block and calculate the similarity weight W (i, j); Step 6: Calculate the pixel value of current pixel I after denoising.

【技术实现步骤摘要】
基于形状自适应搜索窗口的非局部均值去噪方法
本专利技术属于图像处理技术中的图像去噪领域，具体地，涉及基于形状自适应搜索窗口的非局部均值去噪方法。
技术介绍
图像是人们记录和传递信息的重要载体，在采集和传输的过程中不可避免地会受到噪声的污染。与图像相关的诸多应用如分割、配准、边缘提取等，通常需要使用有效的去噪算法进行预处理以获得更可靠的效果。因此，图像去噪一直是图像处理的重要研究课题。Buades等人在经典邻域滤波算法基础上，利用图像自相似性，提出了非局部均值(NonlocalMeans，NLM)去噪算法，将其应用在图像与视频的去噪处理中，并从理论与实验上证明了其性能要优于双边滤波、各向异性扩散、全变差滤波以及基于小波的滤波方法。非局部均值去噪算法自提出以来，就引起了学者们的广泛关注和进一步研究。研究内容主要集中在如何更好地利用图像自相似性和更加准确地度量图像块之间的相似性来提升算法的去噪性能上面。如Kleinschmidt等提出先对图像块进行不同角度的旋转(如90度，180度，270度等)，得到图像块在不同方向上的表现形式再来计算相似性系数，更好地利用了图像的自相似性，提升了算法的去噪效果。Tasdizen提出了基于主邻域字典的非局部均值去噪算法(PrincipalNeighborhoodDictionarybasedNonlocalMeansAlgorithm，PND-NLM)，通过主成分分析将图像块投影到低维子空间再度量像素点之间的相似性，减弱了噪声对图像块相似性度量的影响，通过更加准确地度量图像块之间的相似性改善了算法的去噪效果。非局部均值去噪算法的本质是利用图像的自相似性，对结构相似的像素进行加权平均来消除噪声的影响。在具体实现时，非局部均值去噪算法利用形状和大小固定搜索窗口内所有像素灰度值的加权平均来对当前像素的真实灰度值进行估计。在满足局部平滑性质的平坦区域，当前像素与周围像素具有灰度值及邻域结构上的一致性，此时对搜索窗口内所有像素进行加权平均可以得到很好的去噪效果。但是，对于图像中不满足局部平滑性质的边缘和纹理细节信息丰富的区域，当前像素与搜索窗口内的像素在灰度值和邻域结构上存在着较大的差异，虽然采用指数衰减函数的形式可以给这些像素点分配较小的相似性权重值，但这些相似性权重值都取正值，如果加权平均过程中这种不相关的像素点过多，得到的估计值与真实值之间将存在着较大的误差，必然降低非局部均值算法的去噪效果。综上所述，本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术用形状和大小固定方形搜索窗口内所有像素灰度值的加权平均来对当前像素的真实灰度值进行估计，对于图像中不满足局部平滑性质的边缘、纹理等细节信息丰富的区域，现有的非局部均值去噪算法存在着像素估计值与真实值存在较大误差的问题，在去噪的同时会模糊或丢失掉图像中的纹理细节信息。
技术实现思路
本专利技术提供了一种基于形状自适应搜索窗口的非局部均值去噪方法，解决了现有非局部均值去噪算法存在估计值与真实值之间有较大误差、去噪效果较差的技术问题，使得到的估计值更接近真实值，对图像中边缘和纹理细节信息具有更好地保护能力，取得的去噪效果优于大小和形状固定搜索窗口的非局部均值去噪方法。基于专利技术人在
技术介绍
中的分析，专利技术人意识到在不同的像素点处，搜索窗口的形状应该自适应于当前像素点所在区域的灰度变化，应该采用形状自适应的搜索窗。结构张量(StructureTensor，ST)是一个极为有力的图像分析工具，它可以快速地检测出图像局部区域内灰度变化的强弱和方向，因此常被用来计算图像的方向场和分析图像的局部几何结构特性(如边缘、角点等)。因此，专利技术人将结构张量引入到非局部均值去噪方法中，采用结构张量对初始的形状和大小固定方形搜索窗口内几何结构和灰度变化进行一致性度量，专利技术了一种基于形状自适应搜索窗口的非局部均值去噪方法(AdaptiveSearchWindowbasedNonlocalMeans,ASW-NLM)。本专利技术所述的基于形状自适应搜索窗口的非局部均值去噪方法，包括如下步骤：(1)输入噪声图像V，其噪声模型为V＝U+N，U表示未受噪声污染的图像，N表示均值为0、方差为σ2的高斯白噪声，i表示当前像素，V(i)表示当前像素i的灰度值，Pi表示以当前像素i为中心、半径为r、大小为(2r+1)×(2r+1)的方形图像块，v(Pi)表示图像块Pi中所有像素灰度值构成的向量，Si表示以当前像素i为中心、半径为s、大小为(2s+1)×(2s+1)的方形搜索窗口；(2)计算噪声图像V在水平方向的梯度图像Vx和垂直方向的梯度图像Vy，当前像素i在水平方向的梯度值和垂直方向的梯度值分别为Vx(i)和Vy(i)；(3)基于Vx与Vy，计算噪声图像V所对应的结构张量T(s,σ)，s和σ为计算结构张量所需高斯平滑滤波器的滤波半径和标准差，具体步骤为：(3-1)根据结构张量定义，基于Vx与Vy按公式(1)计算噪声图像V对应的张量T：当前像素i的张量为T(i)；(3-2)采用大小为(2s+1)×(2s+1)、标准差为σ的高斯平滑滤波器G(s,σ)对张量T进行平滑滤波，以消除噪声对基于梯度信息描述张量T的影响，经过平滑处理后的张量称为结构张量。根据结构张量定义，按公式(2)计算噪声图像V对应张量T对应的结构张量T(s,σ)：其中，符号*表示卷积运算，当前像素i的结构张量为T(s,σ)(i)。(4)计算当前像素i的结构张量T(s,σ)(i)对应的特征值和特征向量，得到当前像素i的形状自适应搜索窗口ASi，具体步骤为：(4-1)对噪声图像V的当前像素i的结构张量T(s,σ)(i)进行特征分解，得到特征值λ1和λ2及其对应的特征向量e1和e2，其中|λ1|≥|λ2|；(4-2)基于λ1、λ2和初始方形搜索窗口Si的半径s，按公式(3)计算表示结构张量T(s,σ)(i)的椭圆的长轴a和短轴b的值：将当前像素i所在位置作为圆心、a和b作为长轴和短轴、e2和e1作为长轴和短轴方向确定的灰度一致性椭圆区域，就是当前像素i的形状自适应搜索窗口ASi；(5)划分图像块，按公式(4)计算当前像素i所在图像块与i的形状自适应搜索窗口ASi内其余像素j所在图像块之间的相似性权重值w(i,j)，将当前像素i与自身的相似性权重值w(i,i)设为权重值集合中的最大值：w(i,i)＝max({w(i,j)j∈ASi,j≠i})。其中，相似性权重值w(i,j)满足0≤w(i,j)≤1且||v(Pi)-v(Pj)||2表示像素i与像素j所在图像块的像素灰度值向量v(Pi)与v(Pj)的欧式距离，exp表示指数函数，是归一化系数，h是控制指数函数衰减程度的平滑参数，取值与噪声σ2成正比；(6)按公式(5)计算当前像素i的形状自适应搜索窗口ASi内各像素值V(j)及对应相似性权重值w(i,j)的加权平均，得到当前像素i去噪后的像素值(7)逐行逐列扫描，依次对噪声图像V中的每一像素进行步骤4到步骤6的处理过程，直到处理完所有像素，输出去噪后的图像本专利技术与上述形状和大小固定方形搜索窗口的非局部均值去噪方法相比有如下技术效果和优点：本专利技术将结构张量引入到非局部均值去噪方法中，根据结本文档来自技高网...

【技术保护点】
1.基于形状自适应搜索窗口的非局部均值去噪方法，其特征在于，所述方法包括如下步骤：步骤1：输入噪声图像V，其噪声模型为V＝U+N，U表示未受噪声污染的图像，N表示均值为0、方差为σ2的高斯白噪声；步骤2：计算噪声图像V在水平方向的梯度图像Vx和垂直方向的梯度图像Vy，当前像素i在水平方向的梯度值和垂直方向的梯度值分别为Vx(i)和Vy(i)；步骤3：基于Vx与Vy，计算噪声图像V所对应的结构张量T(s,σ)，s和σ为计算结构张量所需高斯平滑滤波器的滤波半径和标准差，当前像素i的结构张量为T(s,σ)(i)；步骤4：计算当前像素i的结构张量T(s,σ)(i)对应的特征值和特征向量，得到当前像素i的形状自适应搜索窗口ASi；步骤5：划分图像块，按公式(1)计算当前像素i所在图像块与i的形状自适应搜索窗口ASi内其余像素j所在图像块之间的相似性权重值w(i,j)，将当前像素i与自身的相似性权重值w(i,i)设为权重值集合中的最大值：w(i,i)＝max({w(i,j)|j∈ASi,j≠i})；

【技术特征摘要】
1.基于形状自适应搜索窗口的非局部均值去噪方法，其特征在于，所述方法包括如下步骤：步骤1：输入噪声图像V，其噪声模型为V＝U+N，U表示未受噪声污染的图像，N表示均值为0、方差为σ2的高斯白噪声；步骤2：计算噪声图像V在水平方向的梯度图像Vx和垂直方向的梯度图像Vy，当前像素i在水平方向的梯度值和垂直方向的梯度值分别为Vx(i)和Vy(i)；步骤3：基于Vx与Vy，计算噪声图像V所对应的结构张量T(s,σ)，s和σ为计算结构张量所需高斯平滑滤波器的滤波半径和标准差，当前像素i的结构张量为T(s,σ)(i)；步骤4：计算当前像素i的结构张量T(s,σ)(i)对应的特征值和特征向量，得到当前像素i的形状自适应搜索窗口ASi；步骤5：划分图像块，按公式(1)计算当前像素i所在图像块与i的形状自适应搜索窗口ASi内其余像素j所在图像块之间的相似性权重值w(i,j)，将当前像素i与自身的相似性权重值w(i,i)设为权重值集合中的最大值：w(i,i)＝max({w(i,j)|j∈ASi,j≠i})；其中，相似性权重值w(i,j)满足0≤w(i,j)≤1且||v(Pi)-v(Pj)||2表示像素i与像素j所在图像块的像素灰度值向量v(Pi)与v(Pj)的欧式距离，exp表示指数函数，是归一化系数，h是控制指数函数衰减程度的平滑参数，取值与噪声σ2成正比；步骤6：按公式(2)计算当前像素i的形状自适应搜索窗口A...

【专利技术属性】
技术研发人员：胡金蓉，杨晓东，吴锡，周激流，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川,51