本发明专利技术公开了一种基于双冗余字典学习的自然图像去噪方法，主要克服现有自然图像去噪中纹理细节易丢失的问题。其实现过程是：(1)输入待去噪图像Y；(2)对待去噪图像Y在多尺度冗余平稳小波字典R下展开，得到Y在不同尺度上的系数分量βj，j＝1，2...N；(3)初始化各变量，令令Dj为冗余DCT字典，采用KSVD算法对字典Dj的原子和相应系数矩阵进行更新；(4)计算出各系数分量βj去噪结果的估计值(5)对去噪后的各系数分量做多尺度冗余逆变换，得到待噪图像Y去噪后的结果本发明专利技术相对于现有的经典去噪方法能够更好的保留待去噪图像中的纹理细节信息，可用于对自然图像的去噪。
【技术实现步骤摘要】
本专利技术属于图像处理
，具体地说是一种对自然图像的去噪处理，可用于 图像处理，模式识别和生物医学等领域。
技术介绍
去噪的目标是在去除噪声的同时保留图像的特征信息，像纹理，边缘和点状目标。 自然图像的噪声具有加性背景，去噪可以从空域和变换域两个方面来进行，典型的空域滤 波方法有Lee滤波，非局部均值滤波，冗余字典图像去噪等。其中Lee滤波采用在同质区域取均值，对变化较快的点采取保留的局部滤波策略，其缺 点之一是不能有效的去除边缘周围的噪声或过平滑图像的纹理；缺点之二是图像结构 信息如边缘、线性体、点等目标会在一定程度上被模糊或滤除。近年来，在对图像出现的周 期性式样的研究基础上，又提出了非局部均值空域滤波方法。非局部均值算法通过计算图 像中两个像素点邻域的相似度来确定该点对所要求的点的信息补偿程度，中心点的灰度值 为邻域内像素点灰度值的加权平均。它虽然能很好的解决图像边缘和线性体的保留问题， 但仍存在平滑区域过平滑现象。基于图像稀疏表示的去噪方法是近来提出的一种空域图像去噪新方法，它用图像 在冗余字典上的稀疏近似的思想来实现去噪，如DCT字典去噪和KSVD字典学习去噪。其不 足之处在于DCT字典原子固定，不能有效逼近原图的边缘与细节信息，而KSVD字典学习的 误差控制方法粗糙，易造成原图中部分纹理细节的丢失。
技术实现思路
本专利技术的目的在于克服上述DCT字典和KSVD字典学习去噪方法的不足，提出了 一种，同时考虑图像的空域和变换域稀疏表示信 息，以实现对自然图像中噪声去除和纹理细节保持的兼顾，提高自然图像去噪效果。为实现上述目的，本专利技术包括如下步骤(1)把待去噪图像Y在多尺度冗余平稳小波字典R下展开，设分解层数为r，则展 开系数逐尺度划分为N = 3r+l块，得到待去噪图像Y在不同尺度下各块的系数β =β 2，. . .，β Ν]，j = 1，2. . . N，设第j块上的多尺度系数分量β j在另一个冗余字典Dj下具 有稀疏表示，即满足下式Y = X+n = R* β +n = R*D*A+n其中，Y是待去噪图像，X是清晰图像，η是噪声，R是多尺度冗余平稳小波字典，β =是图像Y在字典R下的稀疏表示系数， D =权利要求1. 一种，包括如下步骤 (1)把待去噪图像Y在多尺度冗余平稳小波字典R下展开，设分解层数为r，则展开 系数逐尺度划分为N = 3r+l块，得到待去噪图像Y在不同尺度下各块的系数β = ，j = 1，2. . . N，设第j块上的多尺度系数分量β j在另一个冗余字典Dj下具 有稀疏表示，即满足下式2.根据权利要求1所述的基于双冗余字典学习的图像去噪方法，其中步骤(3)所述的 采用KSVD算法优化字典Dj和稀疏表示系数《i，按如下步骤进行 3a)初始化变量 令钌(0) = Pj, Dj为冗余DCT字典；3b)稀疏表示阶段采用OMP算法求解下式全文摘要本专利技术公开了一种，主要克服现有自然图像去噪中纹理细节易丢失的问题。其实现过程是(1)输入待去噪图像Y；(2)对待去噪图像Y在多尺度冗余平稳小波字典R下展开，得到Y在不同尺度上的系数分量βj，j＝1，2...N；(3)初始化各变量，令令Dj为冗余DCT字典，采用KSVD算法对字典Dj的原子和相应系数矩阵进行更新；(4)计算出各系数分量βj去噪结果的估计值(5)对去噪后的各系数分量做多尺度冗余逆变换，得到待噪图像Y去噪后的结果本专利技术相对于现有的经典去噪方法能够更好的保留待去噪图像中的纹理细节信息，可用于对自然图像的去噪。文档编号G06K9/40GK102073999SQ20111002252公开日2011年5月25日 申请日期2011年1月20日 优先权日2011年1月20日专利技术者侯彪, 卫美绒, 张月圆, 杨淑媛, 焦李成, 王爽, 缑水平, 胡在林 申请人:西安电子科技大学本文档来自技高网...
【技术保护点】
一种基于双冗余字典学习的自然图像去噪方法，包括如下步骤：（１）把待去噪图像Ｙ在多尺度冗余平稳小波字典Ｒ下展开，设分解层数为ｒ，则展开系数逐尺度划分为Ｎ＝３ｒ＋１块，得到待去噪图像Ｙ在不同尺度下各块的系数β＝［β↓［１］，β↓［２］，．．．，β↓［Ｎ］］，ｊ＝１，２．．．Ｎ，设第ｊ块上的多尺度系数分量β↓［ｊ］在另一个冗余字典Ｄ↓［ｊ］下具有稀疏表示，即满足下式：Ｙ＝Ｘ＋ｎ＝Ｒ＊β＋ｎ＝Ｒ＊Ｄ＊Ａ＋ｎ其中，Ｙ是待去噪图像，Ｘ是清晰图像，ｎ是噪声，Ｒ是多尺度冗余平稳小波字典，β＝［β↓［１］，β↓［２］，．．．，β↓［Ｎ］］是图像Ｙ在字典Ｒ下的稀疏表示系数，＊＊＊为Ｎ个冗余字典｛Ｄ↓［１］，Ｄ↓［２］，．．．，Ｄ↓［Ｎ］｝组成的字典矩阵，＊＊＊为稀疏系数矩阵，其中α↓［ｊ］是β↓［ｊ］在冗余字典Ｄ↓［ｊ］下的系数矩阵，ｊ＝１，２．．．Ｎ；（２）将多尺度系数分量β↓［ｊ］，ｊ＝１，２．．．Ｎ分解为Ｑ个重叠小块，并恢复清晰图像Ｘ在第ｊ个块的多尺度系数分量＊↓［ｊ］↑［β］：＊↓［ｊ］↑［β］＝＊＊＊｜｜Ｄ↓［ｊ］α↓［ｍｎ］↑［ｊ］－Ｒ↓［ｍｎ］Ｘ↓［ｊ］↑［β］｜｜↓［２］↑［２］＋＊｜｜α↓［ｍｎ］↑［ｊ］｜｜↓［０］＋λ｜｜Ｘ↓［ｊ］↑［β］－β↓［ｊ］｜｜↓［２］↑［２］①其中，Ｄ↓［ｊ］是对应于β↓［ｊ］的自适应稀疏表示字典，α↓［ｍｎ］↑［ｊ］是图像块Ｒ↓［ｍｎ］Ｘ↓［ｊ］↑［β］在字典Ｄ↓［ｊ］下的稀疏表示系数，Ｒ↓［ｍｎ］代表取块操作，Ｘ↓［ｊ］↑［β］是要恢复的系数分量，Ｒ↓［ｍｎ］Ｘ↓［ｊ］↑［β］为从Ｘ↓［ｊ］↑［β］取出的８＊８大小的图像块，ｍ和ｎ分别是取出块的第一行和第一列的位置，‖α↓［ｍｎ］↑［ｊ］‖↓［０］是稀疏表示系数α↓［ｍｎ］↑［ｊ］的０范数，λ是拉格朗日系数，‖＊↓［ｊ］↑［β］－β↓［ｊ］‖↓［２］↑［２］是恢复误差的２范数平方；（３）采用ＫＳＶＤ算法优化字典Ｄ↓［ｊ］和稀疏表示系数α↓［ｍｎ］↑［ｊ］；（４）将优化后Ｄ↓［ｊ］，α↓［ｍｎ］↑［ｊ］代入式①，计算出各系数分量β↓［ｊ］去噪后的估计值＊↓［ｊ］↑［β］；＊↓［ｊ］↑［β］＝（λＩ＋＊Ｒ↓［ｍｎ］↑［Ｔ］Ｒ↓［ｍｎ］）↑［－１］↓［１］（λβ↓［ｊ］＋＊Ｒ↓［ｍｎ］↑［Ｔ］Ｄ↓［ｊ］α↓［ｍｎ］↑［ｊ］）；其中Ｉ是单位矩阵，Ｒ↓［ｍｎ］↑［Ｔ］是Ｒ↓［ｍｎ］的转置；（５）对各系数分量＊↓［ｊ］↑［β］做多尺度冗余逆变换，得到去噪后的结果＊：＊＝［Ｒ↓［１］，……，Ｒ↓［Ｎ］］↑［＊］［＊↓［１］↑［β］，…，＊↓［Ｎ］↑［β］］↑［Ｔ］，其中，Ｒ↓［ｊ］为冗余多尺度字典Ｒ中第ｊ个分块对应的字典，＊↓［ｊ］↑［β］为清晰图像第ｊ个块的多尺度系数分量估计值，ｊ＝１，２．．．Ｎ。...
【技术特征摘要】
【专利技术属性】
技术研发人员：杨淑媛，焦李成，卫美绒，张月圆，胡在林，缑水平，王爽，侯彪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87
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。