基于ICA和NLTV的去噪方法，步骤如下：(1)首先输入N×N大小的含噪图像u0；(2)设置本发明专利技术去噪方法中的相关参数；(3)对含噪图像u0进行NLTV第一轮去噪，得到初步去噪图像u1；(4)构建混合矩阵S，对S进行中心化后得到矩阵Se，对Se进行白化处理，得到处理结果Z；(5)建立初始解混矩阵B；(6)建立随机列向量L；(7)对L进行迭代运算；(8)若满足L迭代运算停止条件，则转向步骤(9)，否则返回步骤(7)；(9)用迭代运算结果L替换B的一个列向量，如果B的每个列向量都被替换过一次，则转向步骤(10)，否则返回步骤(6)；(10)进行W＝BTS运算，得到u2；(11)对u2进行NLTV第二轮去噪，得到最后去噪结果图像ufinal。
Image denoising method based on ICA and NLTV
\u57fa\u4e8eICA\u548cNLTV\u7684\u53bb\u566a\u65b9\u6cd5\uff0c\u6b65\u9aa4\u5982\u4e0b\uff1a(1)\u9996\u5148\u8f93\u5165N\u00d7N\u5927\u5c0f\u7684\u542b\u566a\u56fe\u50cfu0\uff1b(2)\u8bbe\u7f6e\u672c\u53d1\u660e\u53bb\u566a\u65b9\u6cd5\u4e2d\u7684\u76f8\u5173\u53c2\u6570\uff1b(3)\u5bf9\u542b\u566a\u56fe\u50cfu0\u8fdb\u884cNLTV\u7b2c\u4e00\u8f6e\u53bb\u566a\uff0c\u5f97\u5230\u521d\u6b65\u53bb\u566a\u56fe\u50cfu1\uff1b(4)\u6784\u5efa\u6df7\u5408\u77e9\u9635S\uff0c\u5bf9S\u8fdb\u884c\u4e2d\u5fc3\u5316\u540e\u5f97\u5230\u77e9\u9635Se\uff0c\u5bf9Se\u8fdb\u884c\u767d\u5316\u5904\u7406\uff0c\u5f97\u5230\u5904\u7406\u7ed3\u679cZ\uff1b(5)\u5efa\u7acb\u521d\u59cb\u89e3\u6df7\u77e9\u9635B\uff1b(6)\u5efa\u7acb\u968f\u673a\u5217\u5411\u91cfL\uff1b(7)\u5bf9L\u8fdb\u884c\u8fed\u4ee3\u8fd0\u7b97\uff1b(8)\u82e5\u6ee1\u8db3L\u8fed\u4ee3\u8fd0\u7b97\u505c\u6b62\u6761\u4ef6\uff0c\u5219\u8f6c\u5411\u6b65\u9aa4(9)\uff0c\u5426\u5219\u8fd4\u56de\u6b65\u9aa4(7)\uff1b(9)\u7528\u8fed\u4ee3\u8fd0\u7b97\u7ed3\u679cL\u66ff\u6362B\u7684\u4e00\u4e2a\u5217\u5411\u91cf\uff0c\u5982\u679cB\u7684\u6bcf\u4e2a\u5217\u5411\u91cf\u90fd\u88ab\u66ff\u6362\u8fc7\u4e00\u6b21\uff0c\u5219\u8f6c\u5411\u6b65\u9aa4(10)\uff0c\u5426\u5219\u8fd4\u56de\u6b65\u9aa4(6)\uff1b(10)\u8fdb\u884cW\uff1dBTS\u8fd0\u7b97\uff0c\u5f97\u5230u2\uff1b(11)\u5bf9u2\u8fdb\u884cNLTV\u7b2c\u4e8c\u8f6e\u53bb\u566a\uff0c\u5f97\u5230\u6700\u540e\u53bb\u566a\u7ed3 Fruit image ufinal.
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及了去除加性噪声的图像去噪领域。
技术介绍
图像去噪旨在通过对被噪声污染的图像进行某种处理，以降低噪声对原始有用信息的影响，尽可能的还原出被噪声污染前的原始图像。独立分量分析(IndependentComponentAnalysis，ICA)是20世纪90年代发展起来的一种新的信号处理技术。基本的ICA是指从多个源信号的线性混合信号中分离出各源信号的技术。除了需要已知源信号是统计独立外，无其他先验知识，ICA是伴随着盲信源问题而发展起来的，故又称盲分离。在时间信号处理方面由于ICA可以在n个原信号和线性混合系数都未知的情况下可以把这n个原信号从他们线性混合成的n个混合信号中分离出来，并且它的假设条件仅是这n个原信号之间是相互独立的，所以ICA在时间信号分离方面具有良好的应用优势。在图像信号处理方面，加性噪声图像可以看成是噪声与纯净图像的线性相加，而实际中噪声和原始纯净图像一般是相互独立的，符合ICA应用的假设条件，所以ICA可以应用在含有加性噪声情况下的图像去噪处理。但ICA方法在进行图像去噪时，需要至少2幅带噪声的图像或者一幅纯净无噪图像和一幅噪声图像，并且图像之间相互独立。在只能提供一幅含噪图像的情况，ICA方法不具备图像去噪应用条件。本专利技术将ICA和NLTV相结合进行图像去噪。在对含加性噪声的输入含噪图像进行NLTV初步去噪后，得到初步去噪图像，这个初步去噪图像在一定程度上可以认为是另一张带噪声图像。再利用这二幅图像，应用ICA方法进行图像去噪。GUYGILBOA和STANLEYOSHER提出的非局部TV模型(NonlocalTotalVariation,NLTV)是将GUYGILBOA和STANLEYOSHER提出的非局部算子(见文献：NONLOCALOPERATORSWITHAPPLICATIONSTOIMAGEPROCESSING.SIAMMultiscaleModelingandSimulation.Vol.7,No.3,pp.1005–1028)引入到Rudin-Osher-Fatemi提出的总变分(TotalVariation，TV)模型中得到的，NLTV模型具有在去除图像噪声的同时能较好地保留图像的纹理细节的特点。本文中所提到的NLTV模型是指GUYGILBOA和STANLEYOSHER提出的非局部TV模型。
技术实现思路
本专利技术要解决ICA技术只能应用于只有单一输入含噪图像情况下的图像去噪问题的缺点，提出一种基于ICA和NLTV的图像去噪方法，提高了ICA在图像去噪领域的应用价值。本专利技术方法利用NLTV方法对输入的含噪图像u0进行初步去噪，得到初步去噪图像u1，在获得的u1、u0基础上应用ICA方法对输入图像u0去噪，得到ICA方法去噪后的图像u2。为了获得更好的去噪效果，对u2再一次进行NLTV去噪，输出的去噪结果图像作为最后去噪结果图像。本专利技术方法和NLTV相比具有更好的图像去噪效果。去噪后的图像有更高的峰值信噪比。本专利技术所述的基于ICA和NLTV的图像去噪方法，包括如下步骤：(1)首先输入N×N大小的含噪图像u0。(2)设置本专利技术去噪方法中的相关参数，包括ICA迭代收敛阈值e，第一轮NLTV的搜索窗口大小N1×N1、邻域窗口大小N2×N2、保真参数λ1、像素相似度权重函数ω1的参数h1、像素相似度权重函数ω1中高斯核的标准差σ1，分裂的Bregman迭代辅助变量b1k的初始值b10、平滑参数θ1。第二轮NLTV的搜索窗口大小N3×N3、邻域窗口大小N4×N4、保真参数λ2、像素相似度权重函数ω2的权重函数参数h2、像素相似度权重函数ω2中高斯核的标准差σ2，分裂的Bregman迭代辅助变量b2k的初始值b20、平滑参数θ2。(3)对噪声图像u0用NLTV方法进行第一轮去噪。在本步骤中，对NLTV模型采用分裂的Bregman算法进行数值迭代求解，迭代一次后获得初步去噪图像u1。用于基于ICA方法的图像去噪[步骤(4)-(10)]。(4)将u0与u1看成是纯噪图像与无噪图像线性混合成的两个信号，基于这两个图像信号构建混合矩阵S，对S进行中心化后得到矩阵Se，对Se进行白化处理，得到处理结果Z。(5)建立初始解混矩阵B。(6)建立初始随机列向量L，L各向量元素取值范围是[0,1]。(7)对L进行迭代。目的是通过L的迭代运算结果来逼近解混矩阵B的一个列向量的真值。(8)若满足L迭代的停止条件，则转向步骤(9)，否则返回步骤(7)。(9)用迭代结果L替换B的一个列向量，如果B的列向量全被替换过一次，则转向步骤(10)，否则返回步骤(6)。(10)进行W＝BTS运算。W的第一行行向量经转换即得到去噪后的图像u2，转换规则是：W的第一个行向量的第(α-1)×N+β列元素转换为u2的第α列第β行元素，其中α和β取值均为1,2,3,...,N。(11)为了对u2进一步去噪，建立第二轮NLTV模型。(12)对步骤(11)建立的NLTV模型，用分裂的Bregman算法求解，得到三步式数值迭代计算公式。并设迭代计数变量初值k＝0。(13)用步骤(12)中得到的分裂的Bregman算法三步式数值迭代计算公式进行顺序迭代运算，得到本次迭代的输出图像u3k+1。(14)计算步骤(13)中的迭代输出图像u3k+1的峰值信噪比PSNR，如果本次迭代后输出图像u3k+1的峰值信噪比PSNR小于等于上一次迭代输出图像u3k的峰值信噪比PSNR，则迭代结束，将上一次迭代输出图像u3k作为最优值ufinal输出，即令ufinal＝u3k，并转到步骤(15)；如果本次迭代后输出图像u3k+1的峰值信噪比PSNR大于上一次迭代输出图像u3k的峰值信噪比，则更新k值：k＝k+1,并返回到步骤(13)，继续迭代运算。(15)将结果ufinal作为最终去噪结果图像输出。本专利技术的优点是：将具有只要满足n个原信号之间相互独立，不需要其他的先验条件之优势的ICA应用于单幅图像去噪；通过NLTV去噪方法对输入的含噪声图像u0进行初步去噪，利用初步去噪后的图像u1与原噪声图像u0进行ICA迭代，去除图像u0的噪声，得到去噪后图像u2，然后再对u2再一次进行NLTV去噪，输出的去噪结果图像作为最后去噪结果图像，以获得更好的去噪效果；本专利技术采用了分裂Bregman迭代进行NLTV模型的数值实现，它将迭代过程分成三步，降低了迭代的复杂性，加快去噪运算的速度。附图说明附图1是本专利技术方法的流程图。附图2是本专利技术仿真实验所用的原始图像，图2a是Lena图像，图2b是Peppers图像。附图3是本专利技术对原始Peppers图像加均值为零标准差为15的高斯噪声后的图像进行去噪的仿真结果，其中，图3a是待去噪的含噪图像(所含噪声的标准差为15)，图3b是NLTV去噪结果，图3c是本专利技术方法的去噪结果。具体实施方式下面结合附图进一步说明本专利技术。本专利技术所述的基于ICA和NLTV的图像去噪方法，步骤如下：(1)首先输入N×N大小的含噪图像u0。(2)设置本专利技术方法中的相关参数，包括ICA迭代收敛阈值e，第一轮NLTV的搜索窗口大小N1×N1、邻域窗口大小N2×N2、保真参数λ1、像素相似度权重函数ω1的参数h1、像素相本文档来自技高网...
【技术保护点】
基于ICA和NLTV的图像去噪方法，包括如下步骤：(1)首先输入N×N大小的含噪图像u0；(2)设置相关参数，包括ICA迭代收敛阈值e，第一轮NLTV的搜索窗口大小N1×N1、邻域窗口大小N2×N2、保真参数λ1、像素相似度权重函数ω1的参数h1、像素相似度权重函数ω1中高斯核的标准差σ1，分裂的Bregman迭代辅助变量b1k的初始值b10、平滑参数θ1；第二轮NLTV的搜索窗口大小N3×N3、邻域窗口大小N4×N4、保真参数λ2、像素相似度权重函数ω2的参数h2、像素相似度权重函数ω2中高斯核的标准差σ2，分裂的Bregman迭代辅助变量b2k的初始值b20、平滑参数θ2；(3)为了应用ICA方法进行图像去噪，除了输入的含噪图像u0，还需另一幅含噪图像u1，通过用NLTV方法对含噪图像u0进行初步去噪来获得u1，称为第一轮NLTV去噪；首先建立NLTV模型，称为第一轮NLTV模型：其中J(u1)是第一轮NLTV模型的目标函数，Ω是u0、u1的图像空间，λ1是保真参数，u0是输入的含噪声的待去噪图像，u1是去噪后的图像；是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子，其中变量p1表示当前像素点，变量q1表示以p1为中心的搜索窗口内的一点，u1(p1)、u1(q1)分别是图像u1上的点p1和q1的像素灰度值；是图像u0中的两个像素点p1和q1的相似度权重函数，表示图像u0中以p1为中心的大小为N2×N2的图像块和以q1为中心的大小为N2×N2的图像块之间的高斯加权距离，表示求和范围是以p1或q1为中心的N2×N2邻域内的每一像素点(不包括p1或q1自身)，共N2×N2‑1项,是标准差为σ1的高斯核，h1是权重函数ω1(p1,q1)的常数参数，在步骤(2)中对h1、σ1进行赋值；对该NLTV模型，采用分裂的Bregman算法进行迭代逼近求解；引入辅助函数w1k和辅助变量b1k，构造如下三步迭代格式：w1k+1=argminw1{∫|w1|dp1+θ12∫(w1-▿NLu1k-b1k)2dp1}---(3-1)]]>u1k+1=argminu1{λ1∫(u1-u0)2dp1+θ12∫(w1k+1-▿NLu1-b1k)2dp1}---(3-2)]]>b1k+1=b1k+▿NLu1k+1-w1k+1---(3-3)]]>其中，k的取值是0，1，2，…,等非负整数，迭代初始值u10＝u0，bk、wk分别表示分裂的Bregman迭代的辅助变量和辅助函数，θ1是控制迭代结果的平滑参数，b1k的初始值b10、以及λ1和θ1的赋值在步骤(2)中进行预设；求解式(3‑1)和式(3‑2)，并数值化，式(3‑3)也数值化，由此得到数值化后的三步迭代格式，如步骤(4)中的式(3‐4)、(3‐5)和式(3‐6)所示；第一次迭代运算前，令k＝0；顺序地应用公式(3‐4)、(3‐5)、(3‐6)进行迭代，w1k+1(p1,q1)=max(Σq1{ω1(p1,q1)[u1k(q1)-u1k(p1)]+b1k(p1,q1)}2-1θ1,0)ω1(p1,q1)[u1k(q1)-u1k(p1)]+b1k(p1,q1)Σq1{ω1(p1,q1)[u1k(q1)-u1k(p1)]+b1k(p1,q1)}2---(3-4)]]>u1k+1(p1)=λ1u1k(p1)+θ12Σq1{2u1k(q1)ω1(p1,q1)-ω1(p1,q1)[w1k+1(p1,q1)-w1k+1(q1,p1)+b1k(q1,p1)-b1k(p1,q1)]}λ1+θ1Σq1ω1(p1,q1)---(3-5)]]>b1k+1(p1,q1)=b1k(p1,q1)+ω1(p1,q1)[u1k+1(q1)-u1k+1(p1)]-w1k+1(p1,q1)---(3-6)]]>其中表示求和范围是以p1为中心的搜索窗口N1×N1内除p1以外的每一像素点，求和项数共N1×N1‑1项，ω1(p1,q1)是u0的相似度权重函数；在本步骤中，设初值k＝0，顺序地按式(3‑4)、(3‑5)、(3‑6)进行迭代运算一次，得到初步去噪后的图像u1＝u11；(4)使用u0与u1进行中心化和白化处理；具体方法是：首先将大小N×N的图像u0转换成1×N2的行向量X，转换规则是u0...
【技术特征摘要】
1.基于ICA和NLTV的图像去噪方法，包括如下步骤：(1)首先输入N×N大小的含噪图像u0；(2)设置相关参数，包括ICA迭代收敛阈值e，第一轮NLTV的搜索窗口大小N1×N1、邻域窗口大小N2×N2、保真参数λ1、像素相似度权重函数ω1的参数h1、像素相似度权重函数ω1中高斯核的标准差σ1，分裂的Bregman迭代辅助变量b1k的初始值b10、平滑参数θ1；第二轮NLTV的搜索窗口大小N3×N3、邻域窗口大小N4×N4、保真参数λ2、像素相似度权重函数ω2的参数h2、像素相似度权重函数ω2中高斯核的标准差σ2，分裂的Bregman迭代辅助变量b2k的初始值b20、平滑参数θ2；(3)为了应用ICA方法进行图像去噪，除了输入的含噪图像u0，还需另一幅含噪图像u1，通过用NLTV方法对含噪图像u0进行初步去噪来获得u1，称为第一轮NLTV去噪；首先建立NLTV模型，称为第一轮NLTV模型：其中J(u1)是第一轮NLTV模型的目标函数，Ω是u0、u1的图像空间，λ1是保真参数，u0是输入的...
【专利技术属性】
技术研发人员：金燕，蒋文宇，万宇，赵羿，杜伟龙，王雪丽，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。