一种基于无监督学习的非局部均值图像去噪方法技术

本发明专利技术公开了一种基于无监督学习的非局部均值图像去噪方法，包括如下步骤：图像加边；图像块划分；计算相似性；利用权值对所求像素点进行估计，遍历所有的搜索窗口即可估计出整个图像的值，最后达到去噪的效果。本发明专利技术的优点在于：首次将无监督学习聚类的方法应用于图像去噪，大幅度提高非局部均值在图像去噪中的运行效率，有效的提高了去噪的效果。聚类的方法将同质像素点聚集在一起，利用聚类中心进行计算相似性权重，减少了参与计算的像素点的个数，提升处理速度。同时，仅选用聚类中心对同类数据去噪，减少不同类的之间的相互影响，使边缘能够较好的保存。因此本算法具有计算时间少，处理效果好，保存更多的原始图像信息的特点。

【技术实现步骤摘要】
一种基于无监督学习的非局部均值图像去噪方法
本专利技术涉及图像去噪
，特别涉及一种基于无监督学习的非局部均值图像去噪方法。
技术介绍
在图像处理当中，图像去噪是非常重要的预处理技术，它是图像处理中其他技术的基础和前提，图像去噪是从受损的图像中提取出原始图像的，为图像处理的其它阶段提供清晰的、完整的、尽可能接近于原始图像的图像信息。所以，高效、高质量的图像去噪方法，在图像处理中的地位十分重要。因此，图像去噪一直以来都是图像处理中非常热门的一个研究课题。到目前为止，有许多非常有效的方法被提出来应用于图像去噪。其中，非局部均值滤波算法就是这些算法中比较有代表性的方法之一，被广泛应用于遥感图像的去噪、场景图像或视频的去噪以及医学图像的去噪，并且都有很好的去噪效果。它通过充分利用图像本身的冗余性，在全局范围内搜索图像中像素点的相互关系，提高权值的计算精度，使像素点的估计值更加的接近图像的原始值，达到移除噪声的目的，此外该方法能够有效的移除噪声保存更多的原始图像的细节信息。非局部均值滤波在全局范围内进行搜索，将原始图像拆分为大小相同图像块，分别计算图像块之间的相似性，均值化相似性权重从而估本文档来自技高网...

【技术保护点】
一种基于无监督学习的非局部均值图像去噪方法，其特征在于包括如下步骤：步骤1：图像加边，在对图像进行操作之前，给原始图像加上一个边框，边框的大小为所选取的用于计算相似性权值的图像块的半径；步骤2：图像块划分，图像块的划分分为：搜索窗口和邻域窗口，两种类型的图像块，搜索窗口规定用于估计的图像块的数量，邻域窗口内的图像用于计算相似性权值；步骤3：计算相似性，计算相似性权值用于对图像像素点的估计；计算相似性分为两个阶段：一是使用k‑means聚类，二是计算像素值的欧氏距离；步骤4：利用权值对所求像素点进行估计，在同一个索搜窗口内，每个邻域窗口对于中心点所在的邻域窗口都有一个相似性权值，用邻域窗口之间的...

【技术特征摘要】
1.一种基于无监督学习的非局部均值图像去噪方法，其特征在于包括如下步骤：步骤1：图像加边，在对图像进行操作之前，给原始图像加上一个边框，边框的大小为所选取的用于计算相似性权值的图像块的半径；步骤2：图像块划分，图像块的划分分为：搜索窗口和邻域窗口，两种类型的图像块，搜索窗口规定用于估计的图像块的数量，邻域窗口内的图像用于计算相似性权值；步骤3：计算相似性，计算相似性权值用于对图像像素点的估计；计算相似性分为两个阶段：一是使用k-means聚类，二是计算像素值的欧氏距离；步骤4：利用权值对所求像素点进行估计，在同一个索搜窗口内，每个邻域窗口对于中心点所在的邻域窗口都有一个相似性权值，用邻域窗口之间的相似性表示邻域窗口中心点的相似性，计算方法为：每一个搜索窗口可以估计出一个像素点的值，即搜索窗口中心点的值，遍历所有的搜索窗口即可估计出整个图像的值，最后达到去噪的效果。2.根据权利要求1所述的一种基于无监督学习的非局部均值图像去噪方法，其特征在于：所述步骤2中搜索窗口...

【专利技术属性】
技术研发人员：吴涛，谢磊，陈曦，
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