一种金相图像去噪方法及系统技术方案

本发明专利技术公开了一种金相图像去噪方法及系统，以完全鲁棒的RPCA中的正则化方法为基础，在低秩稀疏矩阵分解算法上，对去除噪声后的低秩清晰数据矩阵分块进行L2范数的约束，在实现图像块特征局部正则化的基础上，对高斯噪声进行约束处理得到改进后的低秩稀疏矩阵分解模型，用图像的局部特征表示图像的结构信息，将该噪声作为实际噪声处理，改善了传统低秩稀疏矩阵分解算法去噪时将图像噪声信息默认为稀疏矩阵的问题，减少了传统RPCA处理后导致的重点内容模糊、纹理细节及边缘不清晰的情况，且解决了传统RPCA只对脉冲噪声去噪处理时效果显著的问题，将实际图像数据采样过程中因周边环境及硬件设备干扰而出现的大量高斯噪声考虑在内，处理混合噪声。处理混合噪声。处理混合噪声。

【技术实现步骤摘要】
一种金相图像去噪方法及系统


[0001]本专利技术属于图像处理领域，尤其涉及一种金相图像去噪方法及系统。

技术介绍

[0002]图像去噪是图像处理领域研究的热点，其旨在减少数字图像在数字化和传输过程中因成像设备与外部环境噪声干扰等产生的影响。图像去噪技术为物联网工业化产业中金属材料的金相量化分析奠定了工作基础，为后续金相图像的碳化物分割、多相组织目标检测以及晶粒度测量等提供了更为有效的数据。更为高质量的图像是用于智能分析的第一需求，而原始金相试样经过采样、磨制、抛光、侵蚀等制备过程，其显微图像常存在的噪点给后期研究造成了一定程度的干扰。所以需要对原始显微图像进行去噪预处理，增强图像质量，提高不同数据集的分析精度。
[0003]传统的低秩稀疏矩阵分解算法(Sun W W,Liu C,Li J L,et al.Low-rank and sparse matrix decomposition-based anomaly detection for hyperspectral imagery[J].Journal of Applied Remote Sensing,2014,8(1):083641.)在进行图像去噪时，所含的图像噪声信息被默认为稀疏矩阵，在消除噪点部分时常把图像的部分结构特征视为稀疏区域，所以在进行去噪处理后的图像极可能出现主要内容模糊、纹理细节及边缘不清晰的情况，且RPCA鲁棒主成分分析(Wright,J.,Ganesh,A.,Rao,S.,Peng,Y.,Ma,Y.:Robustprincipal component analysis:Exact recovery of corrupted low-rank matrices viaconvex optimization.In:NIPS 2009.)只对脉冲噪声处理时效果显著，但在实际图像数据采样过程中，常会出现因周边环境及硬件设备干扰而出现的大量高斯噪声，所以传统的RPCA并不适应于实际噪点的去噪处理。由于金相组织图像本身的复杂性，提供强去噪能力且弱边缘模糊的去噪预处理模型一直是一个挑战。

技术实现思路

[0004]本专利技术的目的在于提供一种金相图像去噪方法及系统，以克服现有技术的不足。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种金相图像去噪方法，包括以下步骤：
[0007]步骤1)、以完全鲁棒的RPCA中的正则化方法为基础，在低秩稀疏矩阵分解算法上，对去除噪声后的低秩清晰数据矩阵分块进行L2范数的约束，在实现图像块特征局部正则化的基础上，对高斯噪声进行约束处理得到改进后的低秩稀疏矩阵分解模型；
[0008]步骤2)、利用改进后的低秩稀疏矩阵分解模型对待去燥金相组织图像进行去燥处理。
[0009]进一步的，改进后的低秩稀疏矩阵分解模型为：
[0010][0011]E为含噪稀疏矩阵，D为含噪点图像信息矩阵，A为低秩矩阵，γ为低秩矩阵系数，λ为稀疏矩阵系数。
[0012]进一步的，采用不精确拉格朗日乘子法IALM算法进行最优化求解，得到拉格朗日函数如下：
[0013][0014]其中，<Y,D-A-E>＝trace(Y*(D-A-E))，
[0015]进一步的，采样得到的含噪点图像信息矩阵D、惩罚因子μ、低秩矩阵系数γ为、稀疏矩阵系数λ、清晰的原始图像矩阵A
k
和噪点部分矩阵E
k
，
[0016]初始化操作：Y0＝D，E0＝0，k＝0，γ0＞0，μ0＞0
[0017]当改进后的低秩稀疏矩阵分解模型未收敛时，交替迭代处理：
[0018](1)
[0019](2)
[0020](3)Y
k+1
＝Y
k
+μ
k
(D-A
k+1-E
k+1
)；
[0021](4)
[0022](5)k＝k+1；
[0023](6)当||D-1-E||
F
≤ε||D||
F
,ε＝10-7
时，该模型收敛，停止迭代，否则重复上述过程，直至达到收敛条件。
[0024]进一步的，取两种金相不同的显微金相组织图像作为改进后的低秩稀疏矩阵分解模型的输入进行金相组织图像去燥处理。
[0025]进一步的，针对单相金相组织：采用热轧20G钢的横截面显微金相图作为原始数据，根据含碳量的不同分为A～E五个系列的图谱数据集，再根据偏析程度的不同，将每个系列图像分级为1级到5级；针对多相金相组织：采用42CrMo圆钢的纵截面显微金相图作为原始数据。
[0026]进一步的，将上述改进后的低秩稀疏矩阵分解模型迁移至金相图像的去噪处理，将两种不同的金相组织图像作为改进后的低秩稀疏矩阵分解模型的输入，同时将两种不同的金相组织图像采用滤波处理算法进行去噪预处理，将两种去燥处理结果进行对比得到效果评级。
[0027]进一步的，循环迭代拉格朗日函数中的每个变量，可得：
[0028]针对低秩矩阵A的求解：
[0029][0030]针对含噪稀疏矩阵E的求解：
[0031][0032]针对图像块矩阵A
i
的求解：
[0033][0034]对A
i
进行偏导求解，并令其值为零，解出上式矩阵的极值：
[0035][0036]图像块矩阵A
i
是低秩矩阵A的子块部分。
[0037]进一步的，矩阵Y与惩罚因子μ的迭代过程为：
[0038][0039]一种金相图像去噪系统，包括存储器、处理器以及存储在所属存储器中并可以在所述处理器上运送的计算机程序，所处处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
[0040]与现有技术相比，本专利技术具有以下有益的技术效果：
[0041]本专利技术一种金相图像去噪方法，以完全鲁棒的RPCA中的正则化方法为基础，在低秩稀疏矩阵分解算法上，对去除噪声后的低秩清晰数据矩阵分块进行L2范数的约束，在实现图像块特征局部正则化的基础上，对高斯噪声进行约束处理得到改进后的低秩稀疏矩阵分解模型，用图像的局部特征表示图像的结构信息，本申请将脉冲噪声、高斯噪声混合起来，将该噪声作为实际噪声处理，改善了传统低秩稀疏矩阵分解算法去噪时将图像噪声信息默认为稀疏矩阵的问题，减少了传统RPCA处理后导致的重点内容模糊、纹理细节及边缘不清晰的情况，且解决了传统RPCA只对脉冲噪声去噪处理时效果显著的问题，将实际图像数据采样过程中因周边环境及硬件设备干扰而出现的大量高斯噪声考虑在内，处理混合噪声。本专利技术能够使得金相图像中的晶粒、边缘细节以及各组织内容都未过于模糊化，且对于不同的金相图像处理效果相差不大，应用更具广泛性。
[0042]进一步的，进行了目标函数的松弛处理，以此来解决NP-hard非确定性多项式困难问题。
[0043]进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金相图像去噪方法，其特征在于，包括以下步骤：步骤1)、以完全鲁棒的RPCA中的正则化方法为基础，在低秩稀疏矩阵分解算法上，对去除噪声后的低秩清晰数据矩阵分块进行L2范数的约束，在实现图像块特征局部正则化的基础上，对高斯噪声进行约束处理得到改进后的低秩稀疏矩阵分解模型；步骤2)、利用改进后的低秩稀疏矩阵分解模型对待去燥金相组织图像进行去燥处理。2.根据权利要求1所述的一种金相图像去噪方法，其特征在于，改进后的低秩稀疏矩阵分解模型为：E为含噪稀疏矩阵，D为含噪点图像信息矩阵，A为低秩矩阵，γ为低秩矩阵系数，λ为稀疏矩阵系数。3.根据权利要求2所述的一种金相图像去噪方法，其特征在于，采用不精确拉格朗日乘子法IALM算法进行最优化求解，得到拉格朗日函数如下：其中，<Y,D-A-E>＝trace(Y*(D-A-E))，4.根据权利要求3所述的一种金相图像去噪方法，其特征在于，采样得到的含噪点图像信息矩阵D、惩罚因子μ、低秩矩阵系数γ为、稀疏矩阵系数λ、清晰的原始图像矩阵A
k
和噪点部分矩阵E
k
，初始化操作：Y0＝D，E0＝0，k＝0，γ0＞0，μ0＞0当改进后的低秩稀疏矩阵分解模型未收敛时，交替迭代处理：(1)(2)(3)Y
k+1
＝Y
k
+μ
k
(D-A
k+1-E
k+1
)；(4)(5)k＝k+1；(6)当||D-1-E||
F
≤ε||D||
F
,ε＝10-7
...

【专利技术属性】
技术研发人员：徐亦飞，李晓，张诺，王超勇，王正洋，尉萍萍，余乐，朱利，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：