The invention provides an effective method and system for image noise detection and denoising. Firstly, based on the principle of kurtosis and skewness test, samples satisfying Gauss distribution are selected in noise images. Then, the noise standard deviation is calculated according to PCA principle. Finally, the noise standard deviation is used to make a new non-noise for noisy images. Local mean denoising. The experimental results show that the detection method of the present invention has higher measurement accuracy and better denoising effect than the existing classical algorithms. The invention is applicable to natural digital images, including RGB images and gray images.
【技术实现步骤摘要】
一种有效的图像噪声检测和去噪方法及系统
本专利技术属于图像处理领域,具体涉及一种自然图像的噪声强度(标准差)检测和去除噪声的方法和系统。技术背景数字图像作为人类获取外部信息的重要载体,在人类的发展中起着重要的作用。在图像采集过程中,图像从摄像头的拍摄开始经历一系列复杂的过程,特别容易被噪声破坏,图像去噪是图像处理研究的重要领域。从图像处理领域的发展历程看,国内外众多研究人员在图像去噪领域提出了许多有效的去噪方法。无论是从整体还是从局部进行去噪都需要有已知的图像噪声强度,即噪声标准差。但现实问题是,在我们获得图像时,噪声的强度是未知的,因此,如何确定图像的噪声标准差成为图像去噪的一个非常重要的先决条件。噪声标准差测量准确与否会直接影响去噪的效果,精确估计噪声标准差的主要困难在于噪声污染图像的随机性。噪声检测作为图像处理的一个重要研究领域也取得了较好的效果,比如基于数学推导或准确的统计模型。然而,在低噪声强度和高噪声强度下,测量结果不够准确是一个普遍的问题,容易误导去噪方法,导致去噪效果不理想。去噪方法比噪声检测更广泛,它从变换空间分为时域和频域,从像素级的处理角度出发,分为基于块、基于整个图像、基于图像集合等。去噪方法数不胜数,包括滤波器,平滑模板,系数收缩,迭代收敛,双域滤波等。除了少数一些基于盲图像去噪的方法外,其中大部分方法都是基于预先知道噪声标准差这个重要参数的,并且很多主流去噪算法诸如双边滤波(BF)、对数先验似然(EPLL)、非局部均值(NLM),小波邻域去噪(BLS-GSM)等,这些算法要么去噪不干净,要么过度平滑图像,使图像很多重要信息丢 ...
【技术保护点】
1.一种有效的图像噪声检测和去噪方法,其特征在于,包括如下步骤:步骤1,输入噪声图像I,对边缘进行半径为r的镜像对称,从原图像第一个像素点开始的所有像素点,以当前像素点为中心,半径为r进行分块,构建图像块集合;步骤2,计算图像块的峰度系数S、偏度系数T;其中峰度系数S、偏度系数T的计算公式为,
【技术特征摘要】
1.一种有效的图像噪声检测和去噪方法,其特征在于,包括如下步骤:步骤1,输入噪声图像I,对边缘进行半径为r的镜像对称,从原图像第一个像素点开始的所有像素点,以当前像素点为中心,半径为r进行分块,构建图像块集合;步骤2,计算图像块的峰度系数S、偏度系数T;其中峰度系数S、偏度系数T的计算公式为,其中表示图像块的峰度系数,pn表示图像块的偏度系数,n表示图像块的大小,即块内像素点的总数,xi表示图像块内第i个像素点x,表示图像块内所有像素的均值;步骤3,判断当前图像块是否满足条件:峰度系数2.5<S<3.5,偏度系数-1.5<T<1.5;步骤4,对满足条件上述条件的图像块内所有像素点作迭代处理,直到峰度系数S接近|S-3|<10-5,偏度系数|T|<10-5和均值|M|<10-5,并进入步骤5,如果当前图像块不满足上述条件,返回到步骤2计算下一图像块;步骤5,将迭代处理后的图像块按列组成目标矩阵;步骤6,计算目标矩阵的协方差矩阵及特征值;步骤7,通过大量实验得出噪声标准差的真实值,对特征值开方并降序排序,将特征值中最接近真实值的特征值作为噪声标准差σ,并输出;步骤8,根据噪声标准差计算滤波参数h=τ*σ;步骤9,对原始噪声图像的边缘进行半径为2r的镜像对称,从原图像第一个像素点开始,以当前像素点为中心,半径为2r的区域内搜索当前图像块的相似块,相似块的半径也为r;步骤10,根据公式(3)计算当前图像块与相似块的相对权重s,然后根据相对权重s获得去噪图像中当前图像块中心的像素值,如公式(4);sx,y,k,l=exp(-||S(x,y)-S(k.l)||/h2)·exp(-||T(x,y)-T(k.l)||/h2)(3)其中(x,y),(k,l)表示当前块和相似块的中心,g(k,l)表示中心为(k,l)的相似块的像素值,Ω为搜索区域的像素点集合,s表示权重,h是滤波参数,h=τ*σ,σ为噪声标准差,S,T分别是图像块的峰度系数和偏度系数;步骤11,对噪声图像每个像素按照步骤10计算以得到干净图像deI。2.如权利要求1所述的一种有效的图像噪声检测和去噪方法,其特征在于:步骤4所述迭代处理包括,a.去均值;b.将图像块内所有像素值大于0的像素点减去步长0.01,所有像素值小于0的像素点加上步长0.01;至此完成第一次迭代,并计算峰度系数,偏度系数和均值;如此循环,直到峰度系数|S-3|<10-5,偏度系数|T|<10-5和均值|M|<10-5。3.如权利要求1所述的一种有效的图像噪声检测和去噪方法,其特征在于:步骤9中当前图像块与相应的相似块之间的距离小于一定阈值t,该阈值t根据峰度系数S和偏度系数T设定,即|S1-S2|<t&&|T1-T2|<t,其中S1,T1为当前图像块的峰度系数和偏度系数,S2,T2为搜索图像块的峰度系数和偏度系数,满足上述条件的图像块称为当前图像块的相...
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。