System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,特别是涉及一种图像乘性噪声去除方法及系统。
技术介绍
1、在相干成像系统中,如成像系统和超声成像系统,通常会出现乘性噪声的污染。有别于加性噪声,乘性噪声与信号之间是相关的,这使得被乘性噪声污染的图像信噪比更低,图像的结构被破坏的程度更严重。常见的去噪方法主要关注去除加性噪声,不能直接用于去除乘性噪声。
2、相干成像系统中乘性噪声的降质过程可以表述为:f=un。其中u是理想的无噪声图像,n是服从一定概率分布的噪声,f是观察到的图像,这里的f、u和n为定义在图像域上的函数。在各种成像系统中,乘性噪声大部分情况下并非高斯噪声。例如在sar成像中,噪声遵循伽马分布,而在超声成像中,噪声遵循瑞利分布。
3、基于稀疏正则化的去噪方法,如bm3d和字典学习,通过图像的稀疏变换、约束和重构有效地去除了乘性噪声。然而,它们的有效性通常依赖于良好的稀疏基。一个固定不变的稀疏基可能导致一些图像变换后的稀疏系数不够稀疏。同时,稀疏正则化方法在全局水平上指导图像的重构,忽略了图像的局部结构,这可能导致重构图像受到振铃效应的影响,在局部区域中残留伪影。
4、面对上述瓶颈问题,迫切需要提升稀疏表示能力,形成新的稀疏正则化图像去噪方法,以提高图像的质量和可用性。
技术实现思路
1、本专利技术的目的是提供一种图像乘性噪声去除方法及系统,以提高图像的质量和可用性。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种图像乘性噪声去
4、构建联合基于块匹配局部svd算子的稀疏正则化和总变分与分数阶变分联合正则化的乘性噪声去除模型;
5、对所述乘性噪声去除模型进行分解,得到优化子问题;所述优化子问题包括:稀疏基更新、用于求解稀疏正则化项的子问题、用于求解总变分与分数阶变分联合正则化项的子问题和拉格朗日乘子更新;
6、将噪声图像输入至所述乘性噪声去除模型中,对所述优化子问题进行迭代求解,并根据求解结果重构去噪图像。
7、可选地,构建联合基于块匹配局部svd算子的稀疏正则化和总变分与分数阶变分联合正则化的乘性噪声去除模型,具体包括:
8、基于最大后验估计和对数变换构造乘性噪声的严格凸保真项;
9、构造基于块匹配局部svd算子的稀疏正则化项;
10、构造基于光滑先验的总变分与分数阶变分联合正则化项;
11、根据所述严格凸保真项、所述稀疏正则化项和所述总变分与分数阶变分联合正则化项构建乘性噪声去除模型。
12、可选地,所述乘性噪声去除模型的表达式为:
13、
14、其中,f为噪声图像的向量化形式,tj为块匹配局部svd算子,j={1,2,...,j}为图像片的索引,j为f划分的图像片总数,μj为稀疏正则化参数,μ为tfv正则化参数,tfv为离散的各向同性总变分与分数阶变分联合算子,diag为对角化算子,ω为去噪图像的向量化形式进行对数变换之后的变换向量。
15、可选地,对所述乘性噪声去除模型进行分解,得到优化子问题,具体包括:
16、采用变量分离方法并引入辅助变量,将所述乘性噪声去除模型转化为带约束的最小化优化问题;
17、采用增广拉格朗日方法,将所述带约束的最小化优化问题转换为无约束的最小化优化问题;
18、对所述无约束的最小化优化问题进行分解,得到优化子问题。
19、可选地,所述优化子问题的表达式为:
20、
21、
22、
23、
24、其中,tj,k为第k次迭代的块匹配局部svd算子,mj,k为第k次迭代的低秩矩阵,为第k次迭代的辅助变量,αj为辅助变量,ωk为第k次迭代的变换向量,ωk-1为第k-1次迭代的变换向量,为第k次迭代的拉格朗日乘子,为第k-1次迭代的拉格朗日乘子,f为噪声图像的向量化形式,ω为去噪图像的向量化形式进行对数变换之后的变换向量,vec为矩阵向量化算子,diag为对角化算子,tfv为离散的各向同性总变分与分数阶变分联合算子,μj为稀疏正则化参数,μ为tfv正则化参数,η为变换向量迭代的步长参数,δ为拉格朗日乘子迭代的步长参数,j={1,2,...,j}为图像片的索引,j为f划分的图像片总数,k为迭代次数。
25、可选地,将噪声图像输入至所述乘性噪声去除模型中,对所述优化子问题进行迭代求解,并根据求解结果重构去噪图像,具体包括:
26、获取噪声图像并进行向量化和对数变换,得到初始变换向量;
27、基于所述初始变换向量对所述优化子问题进行迭代求解,得到求解结果;
28、对所述求解结果进行逆对数变换和向量矩阵化重排,得到去噪图像。
29、可选地,基于所述初始变换向量对所述优化子问题进行迭代求解,得到求解结果,具体包括:
30、对第k-1次迭代的变换向量进行非局部相似块匹配,得到第k次迭代的低秩矩阵;其中,k为从1开始的正整数,当k=1时,第k-1次迭代的变换向量为所述初始变换向量,第k-1次迭代的拉格朗日乘子和第k-1次迭代的辅助变量均为预设值;
31、基于第k次迭代的低秩矩阵和第k-1迭代的变换向量进行稀疏基更新,得到第k次迭代的块匹配局部svd算子;
32、基于第k次迭代的块匹配局部svd算子、第k-1次迭代的变换向量、第k-1次迭代的拉格朗日乘子和第k-1次迭代的辅助变量,采用线性bregman算法对用于求解稀疏正则化项的子问题进行求解,得到第k次迭代的辅助变量;
33、基于第k次迭代的辅助变量、第k次迭代的块匹配局部svd算子和第k-1次迭代的拉格朗日乘子,采用梯度下降法对用于求解总变分与分数阶变分联合正则化项的子问题进行求解,得到第k次迭代的变换向量;
34、基于第k次迭代的变换向量、第k次迭代的块匹配局部svd算子、第k次迭代的辅助变量和第k-1次迭代的拉格朗日乘子进行拉格朗日乘子更新,得到第k次迭代的拉格朗日乘子;
35、根据第k次迭代的变换向量和第k-1次迭代的变换向量判断是否满足停止条件;
36、若不满足,则更新k的值,并返回对第k-1次迭代的变换向量进行非局部相似块匹配,得到第k次迭代的低秩矩阵的步骤;
37、若满足,则将第k次迭代的变换向量确定为求解结果。
38、一种图像乘性噪声去除系统,包括:
39、模型构建模块,用于构建联合基于块匹配局部svd算子的稀疏正则化和总变分与分数阶变分联合正则化的乘性噪声去除模型;
40、问题分解模块,用于对所述乘性噪声去除模型进行分解,得到优化子问题;所述优化子问题包括:稀疏基更新、用于求解稀疏正则化项的子问题、用于求解总变分与分数阶变分联合正则化项的子问题和拉格朗日乘子更新;
41、迭代求解模块,用于将噪声图像输入至所述乘性噪声去除模型中本文档来自技高网...
【技术保护点】
1.一种图像乘性噪声去除方法,其特征在于,包括:
2.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,构建联合基于块匹配局部SVD算子的稀疏正则化和总变分与分数阶变分联合正则化的乘性噪声去除模型,具体包括:
3.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,所述乘性噪声去除模型的表达式为:
4.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,对所述乘性噪声去除模型进行分解,得到优化子问题,具体包括:
5.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,所述优化子问题的表达式为:
6.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,将噪声图像输入至所述乘性噪声去除模型中,对所述优化子问题进行迭代求解,并根据求解结果重构去噪图像,具体包括:
7.根据权利要求6所述的图像乘性噪声去除方法,其特征在于,基于所述初始变换向量对所述优化子问题进行迭代求解,得到求解结果,具体包括:
8.一种图像乘性噪声去除系统,其特征在于,包括:
【技术特征摘要】
1.一种图像乘性噪声去除方法,其特征在于,包括:
2.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,构建联合基于块匹配局部svd算子的稀疏正则化和总变分与分数阶变分联合正则化的乘性噪声去除模型,具体包括:
3.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,所述乘性噪声去除模型的表达式为:
4.根据权利要求1所述的图像乘性噪声去除方法,其特征在于,对所述乘性噪声去除模型进行分解,得到优化子问题,具体包括:
...
【专利技术属性】
技术研发人员:王泽龙,张晨琳,韩佳玲,税洋,常雅君,吴宇航,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
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。