一种时空联合的图像序列多尺度几何变换去噪方法技术

本发明专利技术公开了一种时空联合的图像序列多尺度几何变换去噪方法，通过将图像多尺度几何分析引入到图像去噪处理中，并联合图像序列时空相关信息，建立图像多尺度几何变换域系数的统计分布模型，以所建立的图像统计模型为先验知识，采用贝叶斯最小二乘估计方法获得无噪声污染的图像信号的最优估计结果；解决了在常规小波域去噪过程中经常遇到的图像细节系数与图像噪声难以区分的难题；并通过收集大量的与待处理图像相同场景的图像样本进行图像统计分布建模，所建立的图像多尺度几何变换域统计分布模型直接体现了待处理图像的边缘和表面纹理细节的统计分布特点，为图像贝叶斯最小二乘估计提供了可靠的先验分布知识，实现了时空信息融合的图像序列最优无噪图像信号估计，在提高图像去噪效果的同时极大限度的保持了图像细节。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体为。
技术介绍
智能视觉在现代工业制造和安全监控等方面占有越来越重要的地位。通过计算机图像处理技术实现对拍摄视野中的目标物体和自然场景进行自动分析和智能监控，是对传统工业过程自动化和安全监控观念的一种革新。视觉图像的有效处理和图像视觉特征的准确提取是智能视觉监控系统成功的关键。然而，工业现场图像采集环境往往比较恶劣，比如光照不均、现场灰尘多、水雾重，且伴随着其他设备的电磁干扰，图像信号在采集和传输过程中不可避免地受到噪声的干扰。噪声的存在极大影响了后续更高层次的图像处理和场景理解，从而影响了机器视觉在工业监控的中进一步推广应用。因此，图像去噪技术一直是图像预处理方面的热门话题。针对不同的应用场景和对应的图像噪声的特点，研究者们已提出了多种数字图像去噪方法，其中最著名的是图像小波域阈值收缩去噪方法以及基于该思想的各种改进的方法，由于这些方法通过预定义规则将某些幅值小的系数直接置为零，无法有效分开图像信号系数与噪声系数的差别，经常会造成图像边缘的模糊，去噪同时降低了图像的视觉质量，甚至还会引入一些人工伪影。随着研究者对图像系数(比如小波变换域系数)统计模型的深入研究和进一步认识，基于贝叶斯估计的图像小波域去噪方法越来越受到人们的重视，但是，对于图像表面富含边缘奇异曲线、无前景背景区分、且整个拍摄视野表现出复杂纹理细节的图像，目前的基于小波域的图像贝叶斯去噪技术还是难以解决图像噪声去除与图像表面细节保护间的矛盾。其中最主要的原因是图像细节和噪声在图像小波分解细尺度难以有效区分。目前，基于单帧图像信息建模的去噪方法，由于忽略了图像序列帧间时域相关信息，当发生噪声信号与图像细节信号误判时，无法结合时域相关信息进行校正，难以对噪声进行有效消除的同时极大限度地保持图像的边缘曲线和表面纹理细节，甚至可能产生人工伪影，严重影响了后续的图像处理和更高层次的视觉理解结果。
技术实现思路
本专利技术提供，其目的在于通过联合图像时空域相关信息，有效地克服现有技术中无法区分图像边缘与表面纹理细节特征和图像噪声所造成的虚假边界和表面奇异点的问题，从而提高图像去噪效果，同时能够极大限度的保持图像细节。—种时空联合的图像序列多尺度几何变换去噪方法，首先对待去噪图像进行多尺度几何变换，将高斯尺度混合(GSM)模型应用于图像多尺度几何变换域，对图像变换域进行系数统计建模，以所获得的系数统计模型为先验知识，通过贝叶斯最小二乘估计，获得基于图像帧内空间信息统计分布的图像变换域系数最优估计；然后根据运动补偿原理和图像序列帧间子块的相关性引入图像序列帧间加权因子，通过加权处理图像序列帧间子块系数获得待处理图像帧的时域相关的最佳系数，最后通过图像多尺度几何分析反变换，得到高信噪比的去噪处理图像。所述图像多尺度几何变换是指，采用第二代Curvelet变换进行图像多尺度几何变换，Curvelet变换分解的尺度数为4，各尺度的方向分解数分别为32、32、64和64，图像被变换分解后得到的子带图中，包括包含图像大致轮廓的图像高频子带图和包含图像细节的图像低频子带图。所述图像变换域系数统计建模为采用GSM模型进行图像帧内空间信息统计分布建模，具体执行以下步骤:(I)根据待去噪图像具有边缘曲线和表面纹理细节的视觉特点，收集相同拍摄场景中具有待去噪图像相同视觉特点的大量未受噪声污染的图像Ii组成图像统计分布建模样本库Ui, I≤i≤m}，样本库中共m幅图像，m ≥10 ；(2)对图像库中的任意图像Ii采用第二代Curvelet变换获得Ii对应的Curvelet变换域各高频子带系数矩阵巧! j表示分解尺度，Θ表示分解方向，图像Curvelet变换分解的尺度数为4，图像各分解尺度上的分解方向的分解数分别为32、32、64和64 ；(3)局部窗口系数采样，对任意高频部分子带图的系数矩阵約N，在同一子带图内，收集以任意(kx，ky)为中心采样点、局部窗口大小为w*w的局部窗口系数，w e [5，7，9],同时通过双线性插值处理,收集务,^-^和吟./+1.9中相同位置(kx, ky)上的图像分解子带系数，组成随机变量1，I的维数为w*w+2 ；(4)采用(3)中所述的局部窗口系数采样方法，对样本库中图像的各高频部分子带图系数进行r次采样，采样次数满足1024≤r < M*N*m，Μ, N分别为图像的宽和高，将r次采样获得的系数向量组成一个大小为r*W随机变量矩阵X，X的每一行为在图像变换域高频子带图中进行局部窗口系数采样获得的系数向量，W = w*w+2, m为样本库的图像数量；其中，图像被分解后得到的子带图中，包括图像低频子带图像和图像高频子带图，图像低频子带图包含图像的大致轮廓，图像高频子带图主要包含图像细节；(5)采用GSM模型拟合图像多尺度几何变换域系数的统计分布模型，即X中的任意行向量I所构成的随机变量通过GSM模型进行统计建模分析，该统计模型通过如下公式表示:本文档来自技高网...

【技术保护点】
一种时空联合的图像序列多尺度几何变换去噪方法，其特征在于：首先对待去噪图像进行多尺度几何变换，将高斯尺度混合（GSM）模型应用于图像多尺度几何变换域，对图像变换域进行系数统计建模，以所获得的系数统计模型为先验知识，通过贝叶斯最小二乘估计，获得基于图像帧内空间信息统计分布的图像变换域系数最优估计；然后根据运动补偿原理和图像序列帧间子块的相关性引入图像序列帧间加权因子，通过加权处理图像序列帧间子块系数获得待处理图像帧的时域相关的最佳系数，最后通过图像多尺度几何反变换，得到高信噪比的去噪处理图像。

【技术特征摘要】
1.一种时空联合的图像序列多尺度几何变换去噪方法，其特征在于:首先对待去噪图像进行多尺度几何变换，将高斯尺度混合(GSM)模型应用于图像多尺度几何变换域，对图像变换域进行系数统计建模，以所获得的系数统计模型为先验知识，通过贝叶斯最小二乘估计，获得基于图像帧内空间信息统计分布的图像变换域系数最优估计；然后根据运动补偿原理和图像序列帧间子块的相关性引入图像序列帧间加权因子,通过加权处理图像序列帧间子块系数获得待处理图像帧的时域相关的最佳系数，最后通过图像多尺度几何反变换，得到高信噪比的去噪处理图像。2.根据权利要求1所述的一种时空联合的图像序列多尺度几何变换去噪方法，其特征在于:所述图像多尺度几何变换是指，采用第二代Curvelet变换进行图像多尺度几何变换，图像Curvelet变换分解的尺度数为4，各尺度上的方向分解数分别为32、32、64和64，图像被变换分解后得到的子带图中，包括图像低频子带图和高频子带图，图像低频子带图包含图像大致轮廓，图像高频子带图主要包含图像细节。3.根据权利要求2所述的一种时空联合的图像序列多尺度几何变换去噪方法，其特征在于:所述对图像变换域进行系数统计建模为采用GSM模型进行图像帧内空间信息统计分布建模，具体执行以下步骤: (1)根据待去噪图像所具有的边缘曲线和表面纹理细节的视觉特点，收集相同拍摄场景中具有待去噪图像相同视觉特点的大量未受噪声污染的图像Ii，组成图像统计分布建模样本库Ui, I彡i彡m}，样本库中共m幅图像，m ^ 10 ； (2)对图像库中的任意图像Ii采用第二代Curvelet变换,获得Ii对应的Curvelet变换域各高频子带图系数矩阵! j表示分解尺度，Θ表示分解方向，图像Curvelet变换分解的尺度数为4，图像各分解尺度上的分解方向的分解数分别为32、32、64及64 ； (3)局部窗口系数采样，对任意高频子带图系数矩阵，收集以任意(kx，ky)为中心采样点、窗口大小 为w*w的局部窗口系数，w e [5，7，9]，同时通过双线性插值处理，收集吟和外',...

【专利技术属性】
技术研发人员：唐朝晖，刘金平，桂卫华，阳春华，朱建勇，李建奇，
申请(专利权)人：中南大学，
类型：发明
国别省市：