基于张量模型与压缩感知理论的图像斑点噪声去除方法技术

基于张量模型与压缩感知理论的图像斑点噪声去除方法，本发明专利技术涉及图像斑点噪声去除方法。本发明专利技术为了解决现有斑点噪声去除算法去噪效果不明显以及噪声残留度高的问题。本发明专利技术包括：步骤一：根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，建立斑点噪声模型；步骤二：针对步骤一建立的斑点噪声模型，引入压缩感知理论，分别建立单帧图像去噪模型与多帧图像张量去噪模型；步骤三：对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的单帧图像；步骤四：对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的多帧图像。本发明专利技术用于图像处理领域。

【技术实现步骤摘要】
基于张量模型与压缩感知理论的图像斑点噪声去除方法
本专利技术涉及图像处理领域，具体涉及图像斑点噪声去除方法。
技术介绍
在图像的获取与处理过程中，噪声对图像信号的影响无可避免，因此图像去噪是图像处理领域经久不衰的研究热点之一。对于利用声波/电磁波反射形成的超声与雷达图像，由于回波的干涉以及散波束之间的干扰，当目标反射源反射而出的两束回波互相重叠时，便会在图像中产生明暗不同的颗粒，也就是斑点噪声。目前，有关斑点噪声去除的研究有很多，其中滤波去噪应用最为广泛，例如Lee滤波与Kuan滤波。然而，大尺寸滤波窗虽然去噪效果良好，却损失了过多的高频信息；而小尺寸滤波窗可以较好地保留细节信息，但在去噪的能力上却不如大尺寸滤波窗。为了解决这一矛盾，一些各向异性扩散的方法被提出，例如PMAD(Perona-MalikAnisotropicDiffusion)，NCDF(NonlinearComplexDiffusionFilter)，SRAD(SpeckleReducingAnisotropicDiffusion)。然而，这些方法在进行边缘检测时不能很好地区分图像边缘和斑点噪声。近几年，一些新的去除斑点噪声的方法被提出，如NMWD(NonlinearMulti-scaleWaveletDiffusion)与SRBF(SpeckleReductionBilateralFilter)等，这些方法在处理斑点噪声时效果很好，但是没有挖掘图像本身的稀疏性。压缩感知理论是近年来热门的研究前沿，在图像处理领域也引起了瞩目。将压缩感知理论与去噪模型相结合，经过稀疏编码过程得到的稀疏系数矩阵，每个纯净信号只需要字典中很少的几个原子的线性组合就可以几乎完全地表示。另外，字典中每一个原子都是经过训练而得，代表的是原图像中一些最基本的结构信息，因此具有很好的特征保留性。同时，纯净信号由于含有图像中典型的结构信息而能够在训练字典上具有稀疏表示，而噪声部分在字典上却得不到稀疏表示，因此可以将图像有用部分和噪声部分有效地分开，实现去噪目的。针对超声视频，即多帧超声图像信号，采用三阶张量表示图像序列块，不仅将空间维中的更多信息得以保留，而且充分挖掘了时间维上的信息。在训练张量稀疏字典的过程中，有效地利用了视频信号在时间维上的冗余性。当利用训练好的张量稀疏字典对图像进行稀疏表示时，更多有用的信息可以在输出结果中得以展示，而噪声也能在此过程中更大程度地分离。
技术实现思路
本专利技术的目的是为了解决现有斑点噪声去除算法去噪效果不明显以及噪声残留度高的问题，而提出基于张量模型与压缩感知理论的图像斑点噪声去除方法。针对图像信号空间与时间上的稀疏性，分离图像的有用信息与噪声，提高去噪效果。本专利技术的目的是为了解决现在大多数研究学者都是假设图像含有加性的高斯白噪声，而实际的超声图像却与之完全不同，含有的是乘性散斑噪声。如果直接将处理加性高斯噪声的去噪方法应用于含有特殊噪声模型的超声图像，那么不仅不能发挥压缩感知理论自身的处理优势，又使得处理效果非常不理想。再考虑到利用视频信号在时间维上的冗余性，从而提出基于张量模型与压缩感知理论的超声图像斑点噪声去除方法。基于张量模型与压缩感知理论的图像斑点噪声去除方法包括以下步骤：步骤一：根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，建立斑点噪声模型；步骤二：针对步骤一建立的斑点噪声模型，引入压缩感知理论，分别建立单帧图像去噪模型与多帧图像张量去噪模型；步骤三：对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的单帧图像；步骤四：对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的多帧图像。本专利技术的有益效果为：由于本专利技术将张量模型与压缩感知理论应用于斑点噪声的抑制，通过对斑点噪声模型的分析，针对性地改进稀疏表示与字典更新方法，创新地将压缩感知的优势结合到去噪算法当中，相比于当前局限于对象为加性高斯白噪声的去噪方法，克服了不能对乘性噪声进行抑制的缺点，对于提高去噪效果有很大的帮助。为了验证本专利技术所提出的算法的性能，分别为得到定性的直观效果与定量的结果进行了实验，实验结果验证了本专利技术提出的基于张量模型与压缩感知理论的超声图像斑点噪声去除方法的有效性。仿真结果显示，相比传统去噪算法，改进后的算法得到去噪效果更佳的图像，并且在PSNR与噪声方差的比较上同样有优势。附图说明图1是本专利技术的实现流程示意图；图2是初始的过完备DCT字典；图3是Tucker张量分解和Kruskal张量分解示意图；图4是初始的DCT秩1张量字典；图5是原始图像1图；图6是噪声图像1图；图7是LEE方法处理后的1图；图8是Kuan方法处理后的1图；图9是NCDF方法处理后的1图；图10是SRAD方法处理后的1图；图11是NMWD方法处理后的1图；图12是SRBF方法处理后的1图；图13是本专利技术方法处理后的1图；图14是原始图像；图15是LEE方法处理后的图像；图16是Kuan方法处理后的图像；图17是NCDF方法处理后的图像；图18是SRAD方法处理后的图像；图19是NMWD方法处理后的图像；图20是SRBF方法处理后的图像；图21是本专利技术方法处理后的图像。具体实施方式具体实施方式一：如图1所示，基于张量模型与压缩感知理论的图像斑点噪声去除方法包括以下步骤：步骤一：斑点噪声常见于利用声波/电磁波反射形成的超声与雷达图像中，具体表现为目标反射源反射而出的两束回波互相重叠导致的明暗不同的颗粒。根据超声探头中超声换能器阵元输出的信号呈近似乘性噪声的特性，建立斑点噪声模型；步骤二：针对步骤一建立的斑点噪声模型，考虑到含噪图像的稀疏特性，引入压缩感知理论，分别建立单帧图像去噪模型与多帧图像张量去噪模型，并归纳成待求解的优化问题；步骤三：对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的单帧图像；单帧图像优化问题利用改善的奇异值分解算法(K-SVD)与改进的正交匹配追踪算法(OMP)对优化问题求解；步骤四：对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的多帧图像多帧图像优化问题利用基于Kruskal张量的正交匹配追踪方法(KTOMP)与CP分解对优化问题求解。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，经过对数压缩、低通滤波与插值之后，建立的斑点噪声模型的具体过程为：获取常见图像中的斑点噪声数学模型为：y＝xn+na(1)其中，y为待处理的图像，即含有噪声的图像，x为无噪声的纯净图像，n为独立于x的均值为0的高斯噪声，na为加性的噪声，其中加性噪声na的能量比乘性噪声小，可以忽略不计；但是，最终输出的图像需要经过包括模数变换和时间补偿预处理后的图像噪声模型如以下公式所示：y＝x+xγn(2)其中，n满足以0为均值，方差为的概率密度分布研究表明，当补偿系数γ＝0.5时可以很好的还原图像的噪声，建立斑点噪声模型：y＝x+x1/2n(3)其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中建立单帧图像去噪模型的具本文档来自技高网...

【技术保护点】
1.基于张量模型与压缩感知理论的图像斑点噪声去除方法，其特征在于：所述图像斑点噪声去除方法包括以下步骤：步骤一：根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，建立斑点噪声模型；步骤二：针对步骤一建立的斑点噪声模型，引入压缩感知理论，分别建立单帧图像去噪模型与多帧图像张量去噪模型；步骤三：对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的单帧图像；步骤四：对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的多帧图像。

【技术特征摘要】
1.基于张量模型与压缩感知理论的图像斑点噪声去除方法，其特征在于：所述图像斑点噪声去除方法包括以下步骤：步骤一：根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，建立斑点噪声模型；步骤二：针对步骤一建立的斑点噪声模型，引入压缩感知理论，分别建立单帧图像去噪模型与多帧图像张量去噪模型；步骤三：对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的单帧图像；步骤四：对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构，得到去噪后的多帧图像。2.根据权利要求1所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法，其特征在于：所述步骤一中根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性，建立斑点噪声模型的具体过程为：获取图像中的斑点噪声数学模型为：y＝xn+na(1)其中，y为待处理的图像，即含有噪声的图像，x为无噪声的图像，n为独立于x的均值为0的高斯噪声，na为加性的噪声，输出的图像经过模数变换和时间补偿后的图像噪声模型如以下公式所示：y＝x+xγn(2)当补偿系数γ＝0.5时还原图像的噪声，建立斑点噪声模型：y＝x+x1/2n(3)。3.根据权利要求2所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法，其特征在于：所述步骤二中建立单帧图像去噪模型的具体过程为：建立单帧图像去噪模型为：其中，Y表示待处理的含有噪声的图像信号，X表示无噪声的信号，αij是稀疏系数矩阵A中的第i行第j列元素，D为过完备的字典，为无噪声信号的估计，即处理后得到的结果，分别为最优值情况下求解得到的稀疏系数矩阵和过完备字典；系数λ为平衡因子；一个大小为的图像X，一共有个重叠的大小为的图像块，R为一个大小为n×N的矩阵，Rij为R中的第i行第j列元素；μij是罚函数中的惩罚因子。4.根据权利要求3所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法，其特征在于：所述步骤二中多帧图像张量去噪模型的具体过程为：将图像块的运动信息应用于图像去噪过程中，得到多帧图像张量去噪模型如以下公式所示：其中，χ是一个三阶张量，表示无噪声的图像序列，χk为图像序列χ中的第k帧图像，即待处理图像对应的无噪形式，表示含有噪声的图像序列；αijt是稀疏系数矩阵A中的一个元素，t表示图像序列中的第t帧图像；f表示每个字典原子在时间上的维数；为对第k帧图像的估计，即处理后得到的结果，分别为最优值情况下求解得到的过完备字典和稀疏系数矩阵；系数λ为平衡因子，Rijt为第t帧图像中的第i行第j列元素，μijt为第t帧图像中罚函数中的惩罚因子。5.根据权利要求4所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法，其特征在于：所述步骤三中对步骤二的建立的单帧图像去噪模型依次进行稀疏编码的具体过程为：假设X＝DA，则公式(4)表示为以下形式：其中αj为第j列的列向量，yi为待处理图像第i行的行向量，μj为矩阵第j列罚函数中的惩罚因子；αj每次迭代开始将...

【专利技术属性】
技术研发人员：王钢，周若飞，郑黎明，刘春刚，许尧，李真，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23