一种基于自适应分块旋转滤波的图像去噪方法技术

本发明专利技术公开了一种基于自适应分块旋转滤波的图像去噪方法，包括步骤：(1)对含有高斯白噪声的图像进行粗分割，得到一级子块图像；(2)对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像；(3)根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或垂直方向；(4)对每个旋转后的二级子块图像进行奇异值分解，并使用奇异值分解的低秩逼近来获得每个去噪的二级子块图像；(5)将每个二级子块图像的近似值逆转θ度至对应的原噪声子块的原始方向；(6)将去噪后的各个图像块进行重组得到最终的去噪图像。本发明专利技术对图像通过边缘直线拟合，利用检测出的直线长度和角度对图像进行自适应分块，能去除各种类型的噪声。

【技术实现步骤摘要】
一种基于自适应分块旋转滤波的图像去噪方法
本专利技术涉及图像去噪方法，尤其涉及一种基于自适应分块旋转滤波的图像去噪方法。
技术介绍
图像在生成或传输过程中因受到各种噪声的干扰和影响,不可避免的会出现降质现象，存在不同程度的边缘模糊、局部和整体的对比性较差等问题，对后续图像的处理(如分割、压缩和图像理解等)会产生不利影响。因此对图像进行去噪处理提高图像质量，是图像处理中的一项基础而重要的工作。图像空间域去噪方法很多，如：线性滤波法、中值滤波法、维纳滤波法等。图像变换域去噪方法有傅里叶变换和小波变换等。奇异值分解(SingularValueDecomposition,SVD)是一种非线性滤波，具有良好的数值稳健性，作为一种重要的非线性滤波方法，已经被广泛地应用于图像降噪和特征提取等领域中。图像矩阵的奇异值及其特征空间反映了图像中的不同成分和特征，一般认为较大的奇异值及其对应的特征向量表示图像信号，而噪声反映在较小的奇异值及其对应的特征向量上。根据一定的选择门限，低于该门限得奇异值置零(截断)，然后通过这些奇异值及其对应的特征向量重构图像进行去噪，不但可以处理不同类型的图像和噪声，且无需有关噪声的先验知识。考虑到图像的局部平稳性，又提出了图像分块奇异值分解(block-basedsingularvaluedecomposition，BSVD)去噪算法。但是一般简单的分块奇异值滤波方法没有考虑到奇异值滤波的行列方向性特点，且分块是固定大小的，由于图像具有多方向性，固定分块的奇异值去噪方法无法准确利用图像的方向性特点。同时，现有的奇异值去噪后重构去噪图像时所需的奇异值个数或是截止的奇异值阈值依赖于传统经验公式进行确定，只能处理同一类型的图像和噪声，还未考虑到对实际去噪效果的影响。
技术实现思路
专利技术目的：本专利技术的目的是提供一种利用图像的方向性特点处理多种图像和噪声的基于自适应分块旋转滤波的图像去噪方法。技术方案：本专利技术的图像去噪方法，采用自适应分块获得图像子块最佳的实际方向，根据所述实际方向对各个图像块采用旋转奇异值分解(Block-Rotation-BasedSVD，BRSVD)去噪，通过矩阵泛数意义下取能量最小自适应确定重构所需的奇异值个数，包括步骤如下：(1)对含有高斯白噪声的图像进行粗分割，得到一级子块图像；(2)对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像；(3)根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或竖直方向；(4)对每个旋转后的二级子块图像进行奇异值分解，并使用奇异值分解的低秩逼近来获得每个去噪的二级子块图像；(5)将去噪后的各个图像块进行重组得到最终的去噪图像。进一步，步骤(1)中，具体包括如下步骤：(101)利用Canny边缘检测算子和ZS细化检测含噪图像的边缘线条；(102)利用霍夫变换与最小二乘法进行边缘线条的直线拟合。进一步，步骤(2)中，具体包括如下步骤：(201)设定拟合出的直线在二值图中的像素值，根据邻域像素值比较，检测一级子块图像中直线的端点和交叉点及其坐标；(202)根据直线端点和交叉点的坐标，对一级子块图像进行进一步细分割，得到多个不同尺寸的二级图像子块；(203)根据二级图像子块中直线端点和交叉点的坐标，计算出直线的长度和角度θ。进一步，步骤(4)中，具体包括如下步骤：(401)对每个旋转后的二级子块图像进行奇异值分解；(402)重构去噪图像；(403)重构最小能量函数；(404)将每个二级子块图像的近似值逆转θ度至对应的原噪声子块的原始方向；(405)截取在原图像填充的部分，恢复出去噪的二级图像子块。本专利技术与现有技术相比，其显著效果如下：1、本专利技术不但考虑了图像的局部平稳性，而且更加细致地注重到图像的实际方向性信息，自适应地对图像进行分块，避免了固定分块对方向信息利用的不准问题；2、同时有效保留了原有的边缘细节和方向细节信息，能去除各种类型的噪声，且去噪效果明显。附图说明图1为本专利技术的图像去噪总体流程图；图2为本专利技术图像粗分块流程示意图；图3为本方法图像自适应细分块流程示意图；图4中的(a)为原图像图，(b)为含噪声图像图，(c)为边缘细化图，(d)为直线拟合图，(e)为粗分割一级字块图像图，(f)为端点检测图，(g)为细分割二级子块图像图；图5中的(a)为二级子块含噪图像图，(b)为旋转至竖直方向并进行填充后的图像图；图6中的(a)为奇异值重构去噪图像图，(b)为逆旋转后的图，(c)裁剪得到最终的二级子块去噪图像图；图7中(a)为原图像图，(b)为含噪图像图，(c)为SVD去噪效果(秩-1)图，(d)为SVD去噪效果(秩-10)图，(e)为SVD去噪效果(秩-50)图，(f)为SVD去噪效果(秩-126)图，(g)为BRSVD去噪效果(秩-1)图，(h)为BRSVD去噪效果(秩-10)图，(i)为BRSVD去噪效果(秩-50)图，(j)为BRSVD去噪效果(秩-126)图。具体实施方式下面结合说明书附图和具体实施方式对本专利技术做进一步详细描述。本专利技术的图像去噪方法，如图1所示的总流程图，首先对含噪图像先粗分块，根据各个图像块检测出的直线的端点坐标，交点坐标以及夹角角度，对一级子块图像进行自适应细分块，直至各个二级子块图像块获得最佳的实际偏角。然后，利用偏角将二级子块图像旋转至竖直或水平方向，通过奇异值分解对每个图像块进行滤波去噪，再将去噪后的图像块逆旋转回原偏角方向，得到去噪后的各个图像块；其中重构所需的奇异值个数通过在矩阵泛数意义下取能量最小自适应确定。最后，将去噪后的各个图像块按顺序重组得到最终的去噪图像。详细步骤如下：步骤一，对含有高斯白噪声的图像进行粗分割，每个子块固定大小，行列值均为原始图像行列值的如原始图像大小为M×M，则子块图像为得到一级子块图像。如图2和图4所示，具体包括如下步骤：步骤101，利用Canny边缘检测算子和ZS细化检测含噪图像的边缘线条。步骤102，利用霍夫变换与最小二乘法进行边缘线条的直线拟合。步骤二，对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像。如图3所示，具体包括如下步骤：步骤201，将步骤一中拟合出的直线在二值图中像素值均设为1，根据邻域像素值比较，检测一级子块图像中直线的端点、交叉点及其坐标。步骤202，根据直线端点和交叉点的坐标，对一级子块图像进行进一步细分割，得到多个不同尺寸的二级图像子块。步骤203，根据二级图像子块中直线端点和交叉点的坐标，计算出直线的长度和角度θ。步骤三，如图5所示，根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或竖直方向，对于其中的非原图像部分用原图像的平均灰度值进行填充得到矩形图像。步骤四，如图6所示，对每个旋本文档来自技高网...

【技术保护点】
1.一种基于自适应分块旋转滤波的图像去噪方法，其特征在于，采用自适应分块获得图像子块最佳的实际方向，根据所述实际方向对各个图像块采用旋转奇异值分解去噪，通过矩阵泛数意义下取能量最小自适应确定重构所需的奇异值个数，包括步骤如下：/n(1)对含有高斯白噪声的图像进行粗分割，得到一级子块图像；/n(2)对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像；/n(3)根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或竖直方向；/n(4)对每个旋转后的二级子块图像进行奇异值分解，并使用奇异值分解的低秩逼近来获得每个去噪的二级子块图像；/n(5)将去噪后的各个图像块进行重组得到最终的去噪图像。/n

【技术特征摘要】
1.一种基于自适应分块旋转滤波的图像去噪方法，其特征在于，采用自适应分块获得图像子块最佳的实际方向，根据所述实际方向对各个图像块采用旋转奇异值分解去噪，通过矩阵泛数意义下取能量最小自适应确定重构所需的奇异值个数，包括步骤如下：
(1)对含有高斯白噪声的图像进行粗分割，得到一级子块图像；
(2)对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像；
(3)根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或竖直方向；
(4)对每个旋转后的二级子块图像进行奇异值分解，并使用奇异值分解的低秩逼近来获得每个去噪的二级子块图像；
(5)将去噪后的各个图像块进行重组得到最终的去噪图像。


2.根据权利要求1所述的基于自适应分块旋转滤波的图像去噪方法，其特征在于，所述步骤(1)中，具体包括如下步骤：
(101)利用Canny边缘检测算子和ZS细化检测含噪图像的边缘线条；
(102)利用霍夫变换与最小二乘法进...

【专利技术属性】
技术研发人员：王敏，周树道，庄志豪，王康，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32