本发明专利技术公开一种基于两尺度稀疏表示的彩色图像降噪方法，属于数字图像处理领域。首先根据图像的噪声方差对待处理图像进行分区，对各个区域分别训练不同的字典，使所更新得到的字典更匹配该区域的图像信息，从而得到更好的图像恢复效果。同时，针对图像块大小对降噪后图像质量的不同影响，使用基于权重平均算法，采用两尺度进行计算，使得每个图像块得到最优的稀疏表达在去除图像噪声的同时尽可能地保留原始图像的细节，同时不增加算法的时间复杂度。
【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及一种基于两尺度稀疏表示的彩色图像降噪方 法。
技术介绍
由于实际图像在形成、传输过程中，不可避免会受到噪声的干扰，因此尽可能减少 噪声对后续图像处理的影响，具有重要的现实意义。图像去噪在图像处理中的应用非常广 泛，其目的是为了提高图像的信噪比，改善图像质量，突出相应的期望特征。近年来，为了获 得较好的图像降噪效果，人们探索了各种各样的方法。主要有均值滤波器、自适应维纳滤波 器、中值滤波器、形态学噪声滤除器和小波去噪等等。这些方法都是滤除图像的高频成分， 虽然能够达到降噪的目的，但不同程度上破坏了图像的细节。近年来，基于冗余字典学习和稀疏表示的图像处理方法得到迅速的发展，并在图 像去噪、去模糊、图像修复及图像超分辨率方面都取得突破性进展。图像的稀疏表示是指图 像块(patches)可以完全或者近似地由非常少的一组图像(块)原子(atoms)的线性组合 表示，而所有的图像(块)原子即组成一个过完备(over complete)的字典。经对现有技术文献检索发现，在现有技术(参见M. Elad and Μ. Aharon," Image denoising via learned dictionaries and sparse representation,"presented at the IEEE Computer Vision and Pattern Recognition,New York, Jun. 2006.)中，米用 了基于 稀疏表示的设计过完备字典K-SVD算法去除灰度图像中的加性均勻高斯白噪声。设χ为以 向量形式表示的清晰图像，y = x+w为该图像的噪声模型，w表示方差为ο的高斯白噪声。 给定V^x大小的图像(块)，并且假定每个图像块都满足稀疏表示的条件。基于稀疏分 解的图像去噪方法转化为以下能量最小化问题。Ax} = argmin+Σ^ K；I0 +Y\Daij ~RuxtD，ai、”xi,Jij上式中，^为χ的最优估计，Deir*是图像(块)最稀疏表示的最优字典估计，下 标表示图像(块)的位置，向量Ief表示&中第个图像块在字典力下的最 稀疏表示。算子Ri,」是nXN的二值矩阵，能从图像中提取出坐标下大小为^xi 的图像块。μ μ表示惩罚函数的系数，Il α u Ilci示图像块的稀疏程度。利用迭代K-SVD算 法抑制噪声作用，去除图像噪声效果优于传统的去噪方法，且较好的保留图像的细节信息。 但是此方法只适合于灰度图像，对彩色图像的去噪效果不明显。^JlWii^ ( #JAL J. Mairal,Μ. Elad, and G. Sapiro, Sparse representation for color image restoration, IEEE Trans. Image Process. ,17(2008), pp.53-69.)中， 将该方法成功应用于彩色图像去噪。然而该方法中存在以下缺点(1)图像(块)(patches)大小的选取对降噪后的彩色图像质量影响很大。其中小 的图像块有利于恢复图像细节，而对于图像中的大片平滑区域却容易产生人工模糊；大的 图像块有利于平滑图像中的大片平滑区域，却容易丢失图像中的细节信息。(2)利用全局图片训练的字典对于局部图像信息的适应性差。在现有技术(参见J. Mairal，G. Sapiro,and Μ. Elad, “ Learning Multiscale Sparse Representations for Image and Video Restoration " . SIAM Multiscale Modeling and Simulation,Vol. 7,No. I,pp214-241,April 2008.)中，提出了两尺度K-SVD 算法，利用四叉树(quadtree)原理，随着层数(N)的增加和图像块(s)的减小，去噪效果得 到显著提升。但是处理时间大幅度增加，不适合实时处理。因此，现有技术在处理彩色图像时，存在易丢失图像细节及处理速度慢的问题。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于两尺度稀疏表示的彩色图像降噪方 法，根据图像的噪声方差对待处理图像进行分区，对各个区域分别训练不同的字典，使所更 新得到的字典更匹配该区域的图像信息，从而得到更好的图像恢复效果。同时，针对图像块大小对降噪后图像质量的不同影响，使用基于权重平均算法，采 用两尺度进行计算，使得每个图像块得到最优的稀疏表达在去除图像噪声的同时尽可能地 保留原始图像的细节，同时不增加算法的时间复杂度。为实现上述目的，本专利技术采用如下的技术方案实现本专利技术一种，该方法的具体实现步骤 为步骤一、事先选定大小为nXn的窗口，根据图像中高斯白噪声的方差σ的大小对 所述图像进行均勻分区域，σ值越大，所划分的区域越大，并设每个区域之间重叠部分的宽 度为η。再以事先选定的大小为nXn的窗口对均分的每个区域进行分块，每个区域得到两 个或两个以上的图像块；为每个区域分别训练原子大小为nXnXl的初始字典。步骤二、根据传统正交匹配跟踪算法OMP计算改进稀疏编码表达式；设p，q分别是以列向量形式表示的一个区域中两个图像块的像素，改进后的内积形式为权利要求，其特征在于，该方法的具体实现步骤为步骤一、事先选定大小为n×n的窗口，根据图像中高斯白噪声的方差σ的大小对所述图像进行均匀分区域，σ值越大，所划分的区域越大，并设每个区域之间重叠部分的宽度为n；再以事先选定的大小为n×n的窗口对均分的每个区域进行分块，每个区域得到两个或两个以上的图像块；为每个区域分别训练原子大小为n×n×1的初始字典；步骤二、根据传统正交匹配跟踪算法OMP计算改进稀疏编码表达式；设p，q分别是以列向量形式表示的一个区域中两个图像块的像素，改进后的内积形式为 <mrow><msub> <mrow><mo>⟨</mo><mi>p</mi><mo>,</mo><mi>q</mi><mo>⟩</mo> </mrow> <mi>γ</mi></msub><mo>=</mo><msup> <mi>q</mi> <mi>T</mi></msup><mi>p</mi><mo>+</mo><mfrac> <mi>γ</mi> <msup><mi>n</mi><mn>2</mn> </msup></mfrac><msup> <mi>q</mi> <mi>T</mi&g本文档来自技高网...
【技术保护点】
基于两尺度稀疏表示的彩色图像降噪方法，其特征在于，该方法的具体实现步骤为： 步骤一、事先选定大小为ｎ×ｎ的窗口，根据图像中高斯白噪声的方差σ的大小对所述图像进行均匀分区域，σ值越大，所划分的区域越大，并设每个区域之间重叠部分的宽度为ｎ；再以事先选定的大小为ｎ×ｎ的窗口对均分的每个区域进行分块，每个区域得到两个或两个以上的图像块；为每个区域分别训练原子大小为ｎ×ｎ×１的初始字典； 步骤二、根据传统正交匹配跟踪算法ＯＭＰ计算改进稀疏编码表达式； 设ｐ，ｑ分别是以列向量形式表示的一个区域中两个图像块的像素， 改进后的内积形式为 〈ｐ，ｑ〉↓［γ］＝ｑ↑［Ｔ］ｐ＋γ／ｎ↑［２］ｑ↑［Ｔ］Ｋ↑［Ｔ］Ｋｐ＝ｑ↑［Ｔ］（Ｉ＋γ／ｎＫ）ｐ 式中 Ｋ＝＊＊＊ Ｊ↓［ｎ］是ｎ↑［２］×ｎ↑［２］的１－矩阵，ｎ为窗口边长，γ是用于增加或减少校正的参数； 利用 Ｉ＋γ／ｎＫ＝（Ｉ＋ａ／ｎＫ）↑［Ｔ］（Ｉ＋ａ／ｎＫ） 其中γ＝２ａ＋ａ↑［２］，Ｉ为单位矩阵； 改进后ＯＭＰ稀疏编码表达式为： ＊ｉｊ ＊↓［ｉ，ｊ］＝ａｒｇ ＊＊＊‖α↓［ｉ，ｊ］‖↓［０］ｓ．ｔ．‖（Ｉ＋ａ／ｎＫ）（Ｒ↓［ｉ，ｊ］＊－＊α↓［ｉ，ｊ］）‖↓［２］↑［２］≤ｎ（Ｃσ）↑［２］ 其中，＊表示清晰图像ｘ的最优估计的图像，＊表示最优字典估计，＊↓［ｉ，ｊ］表示图像中坐标为（ｉ，ｊ）的图像块在＊下的最稀疏表示，α↓［ｉ，ｊ］表示图像中坐标为（ｉ，ｊ）的图像块在＊下的稀疏表示，算子Ｒ↓［ｉ，ｊ］是二值矩阵，Ｒ↓［ｉ，ｊ］可以从图像中提取出坐标为（ｉ，ｊ），大小为ｎ×ｎ的图像块，Ｃ表示噪声增益，‖‖↓［０］表示０－范数，ｓ．ｔ．表示服从于约束条件，‖‖↓［２］↑［２］表示２－范数； 步骤三、令ｎ＝ｓ，彩色图像ＹＵＶ三个通道处理方法一致，针对每个通道，利用步骤二中改进的稀疏编码表达式对每个区域中每个图像块进行稀疏编码和迭代； 针对每个区域中每个图像块进行稀疏编码和迭代的具体过程包括（１）－（３）： （１）根据改进的稀疏编码表达式，利用步骤一中训练的原子大小为ｓ×ｓ×１的、与当前编码图像块所在区域相对应的初始字典，计算当前编码图像块的最稀疏表示＊↓［ｉ，ｊ］以及当前编码图像块的稀疏原子个数ｚ↓［０］； （２）从当前编码图像块所在区域对应的原子大小为ｓ×ｓ×１的最优字典估计＊中，寻找符合ＯＭＰ稀疏编码表达式的原子，从寻找到的原子中确定ｚ个最...
【技术特征摘要】
【专利技术属性】
技术研发人员：郑智辉，汪渤，孙抗，周志强，董明杰，石永生，高志峰，沈军，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：11[]
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。