The invention discloses a combination of gradient histogram and low rank constraint denoising method, the sparse prior and other non local self similarity prior on the basis of using the sparse representation of the advantages of adding non local regularization, gradient regularization and low rank constraints for multiplicative noise removal. The invention has the advantages that the multiplicative noise model by logarithmic transform into additive noise model in the logarithmic domain, the noise image training in the log domain dictionary, the gradient histogram estimation of image and low rank constraint combination, enhanced between local and non local image links, remove noise effectively at the same time, better retention of image texture information. The experimental results have achieved good results in two aspects of subjective vision and objective evaluation index, which largely preserves the fine texture structure of the image, so that the denoised image is clearer.
【技术实现步骤摘要】
一种结合梯度直方图与低秩约束的去噪方法
本专利技术属于数字图像处理
,具体涉及一种结合梯度直方图与低秩约束的去噪方法。
技术介绍
图像噪声移除是数字图像处理最基本的问题之一,图像或多或少不可避免的被随机噪声污染,乘性噪声的数学模型为:y=x·v,其中y是噪声图像,x表示原始图像,v为噪声。稀疏先验和非局部自相似先验被广泛用于图像去噪。此外,稀疏先验和其他非局部自相似先验的联合使用,也产生了许多先进的图像去噪算法。如利用曲波变换作为其结构和用l1范数作用于稀疏编码系数的图像去噪算法(DFN模型)、通过在对数域中利用MAP估计与稀疏表示的稀疏正则化变分的图像去噪算法(HFB模型)、在对数域中学习了K-SVD字典,在学习字典的基础上建立了变分法去除乘性噪声的图像去噪算法(HMNZ模型)和基于线性技术的图像去噪算法(CC模型)等。然而,由于在信号的高频部分,会出现噪声和图像的细节信息同时存在的现象,所以很多现存的去噪算法在去噪的同时会把图像的重要特征平滑掉,使得去噪图像效果不佳。
技术实现思路
本专利技术所要解决的技术问题是现有去噪方法存在去噪效果不佳的问题,提供一种结合梯度直方图与低秩约束的去噪方法。为解决上述问题,本专利技术是通过以下技术方案实现的:一种结合梯度直方图与低秩约束的去噪方法,包括如下步骤:步骤1,对含噪图像进行对数变换,得到对数域中的含噪图像f;步骤2,初始化迭代次数k=1、对数域中的待恢复的图像z(0)=f和第一辅助变量步骤3,利用滑动窗口将对数域中的待恢复的图像z(k-1)进行分块,并利用K-均值将这些图像块进行聚类;步骤4,先计算每一个聚 ...
【技术保护点】
一种结合梯度直方图与低秩约束的去噪方法,其特征是,包括如下步骤:步骤1,对含噪图像进行对数变换,得到对数域中的含噪图像f;步骤2,初始化迭代次数k=1、对数域中的待恢复的图像z
【技术特征摘要】
1.一种结合梯度直方图与低秩约束的去噪方法,其特征是,包括如下步骤:步骤1,对含噪图像进行对数变换,得到对数域中的含噪图像f;步骤2,初始化迭代次数k=1、对数域中的待恢复的图像z(0)=f和第一辅助变量步骤3,利用滑动窗口将对数域中的待恢复的图像z(k-1)进行分块,并利用K-均值将这些图像块进行聚类;步骤4,先计算每一个聚类的子字典,并获得每一个图像块xi所对应的稀疏编码再将所有聚类的子字典进行拼接后得到图像的稀疏表示字典D(k-1);步骤5,对于每个图像块,利用欧式距离找到其对应的非局部相似块,并对这些非局部相似块进行加权,得到每个图像块xi的非局部估计值μi(k-1);步骤6,对对数域中的待恢复的图像z(k-1)进行奇异值分解,得到相应的对角矩阵∑(k-1)、左酉矩阵Q(k-1)和右酉矩阵V(k-1);步骤7,利用式①计算第二辅助变量U(k-1):步骤8,对对数域中的待恢复的图像z(k)进行更新;步骤8.1利用式②更新对数域中的待恢复的图像z(k-1/2):步骤8.2利用式③得到稀疏编码αi(k-1/2):αi(k-1/2)=(D(k-1))TRiz(k-1/2)③步骤8.3利用式④更新非局部估计值μi(k-1/2):步骤8.4利用式⑤更新稀疏编码步骤8.5利用式⑥更新对数域中的待恢复的图像z(k):步骤9,利用式⑦更新单调非递减奇函数F(k):步骤10,利用式⑧对第一辅助变量g(k)进行更新:步骤11、判断迭代次数k是否达到预先设定迭代次数P:如果达到,则转至步骤12;否则,迭代...
【专利技术属性】
技术研发人员:陈利霞,李佳宇,王学文,何成凤,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:广西,45
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。