基于伽马范数最小化的图像去噪算法制造技术

本发明专利技术属于数字图像处理领域，涉及一种基于伽马范数最小化的图像去噪算法。该算法首先对噪声图像重叠分块，然后基于结构相似性指数自适应搜索与当前图像块最相似的若干非局部图像块以组成相似图像块矩阵，进而利用非凸伽马范数无偏近似矩阵秩函数以构建低秩去噪模型，最后基于奇异值分解对所得低秩去噪优化问题求解，并将去噪图像块重组为去噪图像。仿真结果表明，与现有PID，NLM，BM3D和NNM算法相比，本发明专利技术所提算法可有效消除高斯噪声，且可较好地恢复原始图像细节。

Image Denoising Based on Gamma Norm Minimization

The invention belongs to the field of digital image processing and relates to an image denoising algorithm based on gamma norm minimization. Firstly, the noise image is overlapped and partitioned, then several non-local image blocks which are most similar to the current image blocks are searched adaptively based on structural similarity index to form a similar image block matrix. Then, the rank function of non-convex gamma norm unbiased approximation matrix is used to construct a low-rank denoising model. Finally, the optimization problem of low-rank denoising is solved based on singular value decomposition, and the denoising problem is solved. Image blocks are reconstructed into denoised images. The simulation results show that, compared with the existing PID, NLM, BM3D and NNM algorithms, the proposed algorithm can effectively eliminate the Gauss noise and restore the original image details.

【技术实现步骤摘要】
基于伽马范数最小化的图像去噪算法
本专利技术属于数字图像处理领域，具体涉及基于伽马范数最小化的图像去噪算法。
技术介绍
数字图像在采集和传输过程中不可避免地受到噪声污染，从而造成图像细节丢失和质量下降，进而影响后续图像处理。图像去噪的目的则是从噪声图像y中尽可能准确地恢复原始图像x，并保留边缘、纹理等重要细节特征。去噪问题的退化模型可表示为：y＝x+v，其中，v通常被假设为均值为0，方差为σn2的高斯白噪声。由于图像去噪问题的不适定性，利用表征图像统计特征的先验知识进行去噪显得尤为重要。近年来，众多图像降噪算法相继被提出，其大致可分为以下两类：基于局部先验方法和基于非局部自相似(NonlocalSelf-Similarity，NSS)先验方法。基于局部先验方法主要包括基于小波收缩方法(WaveletShrinkage，WS)，全变分方法(TotalVariation，TV)和基于退火算法的改进图像去噪方法(ProgressiveImageDenoising，PID)。然而，这些方法仅考虑局部先验知识，忽视非局部图像块间的相似性先验信息，从而导致算法去噪性能较差。图像非局部相似性先验是本文档来自技高网...

【技术保护点】
1.基于伽马范数最小化的图像去噪算法，其特征在于，包括如下步骤：一、建立低秩去噪模型低秩去噪方法的原理可描述如下：将尺寸为M×N的噪声图像y重叠分为n个尺寸为

【技术特征摘要】
1.基于伽马范数最小化的图像去噪算法，其特征在于，包括如下步骤：一、建立低秩去噪模型低秩去噪方法的原理可描述如下：将尺寸为M×N的噪声图像y重叠分为n个尺寸为的图像块yi,i＝1,2,...,n，然后在尺寸为L×L的窗口中搜索与当前图像块yi最相似的m个图像块，并将其以列向量形式构造为相似图像块矩阵Yi∈Rd×m，即Yi＝(yi,1,yi,2,…,yi,m)，yi,m表示当前图像块yi的第m个相似图像块，基于此，低秩去噪问题可表示为如下优化问题：其中，Yi为噪声相似图像块矩阵，Xi为去噪相似图像块矩阵，||·||F为Frobenius范数，rank(Xi)为矩阵Xi的秩，λ为正则化参数，用以平衡正则化项和保真项；二、自适应相似图像块搜索结构相似性指数(StructuralSimilarityIndex，SSIM)是一种综合的图像相似性评价指标，其考虑图像间亮度，对比度和结构三个不同特性，可评价两幅图像的相似程度，给定两幅图像x和y，SSIM定义如式(5)所示：其中，μx，μy，σx2，σy2分别为图像x，y的均值和方差，σxy为图像x，y的协方差，此外，C1＝(k1L)2，C2＝(k2L)2为确保分母不为零的常数，L＝255为像素最大值，k1＝0.01，k2＝0.03为默认常数；自适应相似图像块搜索的主要方案为：给定当前图像块yi和目标数据集，计算当前图像块与目标数据集各图像块的结构相似性指数，其值越大表示两个图像块更相似，进而搜索与当前图像块最相似的m个图像块，其中，相似图像块数m需根据噪声等级自适应确定，而后将各相似图像块转换为列向量，并按相似度降序自左向右依次排列以组成相似图像块矩阵Yi；三、建立伽马范数最小化模型伽马范数是非凸MCP函数的矩阵扩展，相比有偏估计的核范数，其可近乎无偏地近似秩函数，设矩阵X的奇异值分解为X＝UΣVT，其中，U＝[u1,u2,…,un]，V＝[v1,v2,...,vn]，Σ＝diag(λ1,λ2,...,λn)，且λ1≥λ...

【专利技术属性】
技术研发人员：王洪雁，王拓，张莉彬，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21