【技术实现步骤摘要】
本专利技术属于计算机图像处理领域,涉及一种基于稀疏正则化的图像去噪方法。
技术介绍
在采集、转换或传输的过程中,受外界因素干扰、设备等的影响,图像不可避免地会引入各种噪声。噪声的存在会使图像质量下降,并影响到后续图像处理。因此,图像去噪成为了图像处理过程中最基本和关键的环节。其旨在去除噪声后能够保留图像的重要信息,尽可能得到与原图像十分接近的图像。近年来,基于稀疏的自适应性、不相关性以及原子化等特征,利用图像稀疏表示实现去噪是当前较为流行的去噪方法,它首先采用过完备字典对图像自适应地表示(能够有效地捕捉图像的各种特征),获得更为稀疏的表示,然后根据数据是否在字典上具有稀疏表示,即可以将原始图像与噪声区分开,达到去噪的目的。将图像的稀疏性先验知识用于图像去噪模型中正则项的构建,已受到众多学者的深入研究。2006年Elad等人提出的基于K-SVD字典学习的图像去噪方法利用了图像信息的稀疏性先验知识,对含噪图像块在训练好的字典上进行稀疏编码,并对其增加稀疏性约束,最后通过稀疏逼近的方式估计出了原始图像信息,有效保留了图像的主要特征。该方法相当于稀疏正则化去噪方法的原型,后来众多的稀疏正则化去噪方法都是在该方法的基础上改进而来。如2012年ZhouWang提出的基于结构相似度(StructuralSIMilarity,SSIM)的稀疏去噪方法就是将基于K-SVD去噪模型中的保真项用结构相似度取代了均方误差,该方法充分考虑到了人眼 ...
【技术保护点】
一种基于稀疏正则化的图像去噪方法,其特征在于处理步骤如下:步骤1:输入一幅大小为256×256的噪声图像y;步骤2:先将图像进行分块,每个图像块表示为xi=Rix,其中Ri表示从图像中提取第i块的块提取运算符;然后根据相似程度将这些图像块分成K簇;步骤3:对于每一簇,在其上进行稀疏K‑SVD字典的学习;对于每一个给定的图像块,首先判断它属于哪一簇,然后使用该簇对应的稀疏K‑SVD字典作为D;步骤4:构建稀疏正则化去噪模型:其中,为去噪后的图像,x为原始图像,▽表示梯度算子,λ、γ是正常数,σ为高斯白噪声的标准方差;F代表一个单调递增的奇函数,hF表示变换后梯度图像|F(▽x)|的直方图,hr假设为x的梯度直方图估计;αi为图像块xi在字典D上的稀疏表示系数,βi为的加权平均和,即其中,表示离xi最近的第q个图像块的编码系数,权重计算公式为(和分别为xi和当前估计),h为预定的常数,W为归一化因子;步骤5:利用正则化反卷积模型和相应的迭代反卷积算法从给定的含噪图像y中估计出原始图像x的参考梯度直方图hr:hr=argminhx,C,ν,ρ||hy-hx&CircleTime ...
【技术特征摘要】
1.一种基于稀疏正则化的图像去噪方法,其特征在于处理步骤如下:
步骤1:输入一幅大小为256×256的噪声图像y;
步骤2:先将图像进行分块,每个图像块表示为xi=Rix,其中Ri表示从图像中提取第i块的
块提取运算符;然后根据相似程度将这些图像块分成K簇;
步骤3:对于每一簇,在其上进行稀疏K-SVD字典的学习;对于每一个给定的图像块,首先
判断它属于哪一簇,然后使用该簇对应的稀疏K-SVD字典作为D;
步骤4:构建稀疏正则化去噪模型:
其中,为去噪后的图像,x为原始图像,▽表示梯度算子,λ、γ是正常数,σ为高斯白噪
声的标准方差;F代表一个单调递增的奇函数,hF表示变换后梯度图像|F(▽x)|的直方图,hr假设为x的梯度直方图估计;αi为图像块xi在字典D上的稀疏表示系数,βi为的加权平均
和,即其中,表示离xi最近的第q个图像块的编码系数,权重计算公式
为(和分别为xi和当前估计),h为预定的常数,W为归一化
因子;
步骤5:利用正则化反卷积模型和相应的迭代反卷积算法从给定的含噪图像y中估计出原始图
像x的参考梯度直方图hr:
hr=argminhx,C,ν,ρ||hy-hx⊗hϵ||2+c||hx-C·exp(-ν|x|ρ)||2,s.t.hx≥0]]>其中,ε=▽υ,υ~N(0,σ2);c是一个常数,C为归一化因子,ν、ρ为超拉普拉斯的两个参
数,定义ν...
【专利技术属性】
技术研发人员:罗晖,汪玉珍,王培东,王玮,张桓,余文苑,
申请(专利权)人:华东交通大学,
类型:发明
国别省市:江西;36
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。