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计出相对应的像素点的值，此方法很好的解决了传统的局部的去噪方法，去噪能力弱或损失过多原始信息的问题。非局部均值滤波算法在全局范围内进行计算相似性，保存更多图像的细节信息，从相似性权重的计算方式上我们可以看出该方法同时带来了更多的计算的开销。非局部均值滤波算法可以分为三个步骤：第一步，选择一定大小搜索窗口，根据搜索窗口的大小将图像进行拆分；第二步，在同一搜索窗口内，将图像分为相同大小的图像块，计算搜索窗口中心点所在的图像块与同一搜索窗口内的所有图像块的相似性权重，相似性权重的计算是平均化像块内的像素点的欧式距离获得；第三步，通过相似性权重估计出搜索窗口中心点的像素值。无监督学习是一种被广泛应用于深度学习和机器学习的工具，同时它是进行数据挖掘的主要的工具之一，无监督的方法也被用于图像处理当中。聚类分析属于无监督学习方法的一种，它是在没有标签的条件下利用数据的相似性尽可能的将同一类数据聚到一个类里面，同时它还能让不同的类之间的差别尽可能的大。本文中使用的是k-means算法，AdamCoates等人在他们的论文中证明了K-means聚类算法是准确率最高的算法，并且不需要超参数(hyper-parameter)，因此在本文中选用的是聚类中的K-means方法进行计算。图像的噪声是随机产生的，尤其是在实际的应用当中，由于设备之间的差异和外部条件的不同产生的噪声是各不相同的，甚至是不同的图像采集者，收集到的图像的中包含的噪声也会有差别，想要找到一种通用的处理办法是非常困难的，本文提出的基于无监督学习(聚类)的图像去造的方法，就是充分利用所采集到的图像本身所具有的特性来进行聚类，找出图像内部像素点之间的共性，以及每个类之间的最大差异。前面已经讲过，去噪的过程本身就是一个利用平均化的方法，从噪声图像中提取出复原图像，以此来达到去噪的效果，所以选用的k-means的方法也正好能够实现去噪，所以在理论上提出的方法是可行的。现有技术：图像去噪一直以来都是非常重要，并且是比较热门的研究课题，有很多去噪的方法和模型被提出来应用于遥感图像、场景图像和医学图像，同时取得了一定的效果。其包括局部的、非局部的去噪方法，线性的、非线性的去噪方法，频域的、空间域的去噪方法，还包括小波变换，各向异性和同向异性扩散等。均值滤波，根据实际情况的需要，选择不同大小的图像块，用待求像素点所在的图像块的均值对像素值进行估计，该方法可以根据选择不同大小的图像块得到不同的去噪效果，利用平均化的方法，能够有效地去除噪声对图像的影响。中值滤波，与均值滤波相似，也是选择一定大小的图像块。不同的是，中值滤波是用图像块内的中去对所求的像素值进行估计，该方法能够很好的排除椒盐噪声对图像的影响。邻域滤波，考虑到相邻的图像块之间或多或少存在相关性，邻域滤波利用这种相关性对像素点的值进行估计。在同一个图像块内，邻域滤波根据待求像素点与用于估计的像素点的距离关系，给每一个用于估计的像素点分配一个权值，距离待求的像素点越远的权值越小。该方法考虑到像素点之间的位置关系，是去噪效果的到了提升。高斯滤波，与邻域滤波相似，高斯滤波也是给用于估计的像素点分配一个权值，权值的分配方式与邻域滤波不同，高斯滤波利用像素值本身的相似性程度进行权值的分配，同样的能够达到去噪的效果。双边滤波，考虑到在同一个图像块内部像素值本身和像素之间的位置均有相互关联性，双边滤波则是把邻域滤波与高斯滤波两种方法相结合达到去噪目的。非局部滤波算法不局限于考虑单个图像块内部的像素点之间的关系，而是在全局范围内，对图像进行分析，搜索像素点之间的关系，计算图像中所有的点在进行某一个像素值的估计是所做的贡献。该方法将所有的像素点与其所在的邻域组成一个图像块，所有的点都在一个大小相等的图像块内部，计算所要估计的像素点所在的图像块与其他所有像素点所在的图像块的欧氏距离，用于表示两个像素点的相似性权值。非局部的方法，在全局范围内搜索，很好的保存了图像的细节信息，具有很好的去噪效果。现有技术还在非局部的方法上做了一些改进，在计算相似性权值时，不是所有的点都进行相似性权值的计算，他们利用SVD方法，对参与估计的像素点进行一次筛选工作，将相关性较小的像素点直接排除不参与计算，此方法减少了像素点内部相互之间的影响，该方法在较高的噪声强度下，去噪的效果有明显的提升，取得了和好的效果。现有技术还在非局部滤波之前增加了一个类似于预处理的方法，使用中值滤波除去了图像中的椒盐噪声，排除噪声影响较大的点，接着使用wiener滤波对噪声图像再进行一次滤波是图像变得平滑。最在使用非局部均值滤波进行处理，该方法使去噪的性能有了进一步的提升。还有使用一种非局部的随机抽象的方法，应用于图像的去噪。该方法在计算相似性权值的过程当中，使用随机抽样的方法，极大的减少了参与相似性权重计算的像素点的个数，在提升去噪的效率上取得了不错的效果。图像去噪的方法有很多，针对某一去噪方法的改进算法也有很多，上面所列出的是比较常用的方法和在去噪效果上比较好的方法及其改进方法，每种方法都有独特的优点和相应的不足。现有技术存在的不足：1.简单的方法去噪效果不佳均值滤波等这些方法，原理简单、实现方便，但存在着去噪性能不佳的问题。滤波强度过大，则在移除噪声的同时会损失很多图像的原始信息；滤波强度小，则噪声的不到很好的消除。去噪时需要调节滤波强度比较麻烦，尽管如此，有时候仍然达不到想要的去噪效果。2.较好的去噪效果花费的时间多我们都知道，随着技术手段的提升，我们所获取的图像的分辨率越来越高，数据量十分庞大，进行图像处理需要花费大量的时间，非局部的方法去噪效果较好，但是需要遍历全局所有的像素点，对一个像素进行估计就需要花费大量的时间，有时候话费的时间时很难接受的。3.改进的方法不够理想上文中我们提到了，针对非局部均值的改进方法也有很多，但是都是对但一方面的改进，在提升算法的去噪效果的同时损失了计算的效率，计算的效率得到了提升但是去噪的性能又得到了抑制，两方面不能偶很好的相互补充，是一个比较棘手的问本文档来自技高网...

【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，用邻域窗口之间的相似性表示邻域窗口中心点的相似性，计算方法为：

【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