基于区域划分和字典学习的自然图像去噪方法技术

本发明专利技术公开了一种基于区域划分和字典学习的自然图像去噪方法，主要解决基于KSVD的图像去噪方法在弱纹理区域出现模糊以及光滑区域出现伪纹理的问题。其实现方案是：用平稳小波变换去除含噪图像的高频信息，用primal?sketch算法提取结构信息，将含噪图像划分为结构区域、纹理区域和光滑区域三个区域；用KSVD方法得到结构区域和纹理区域的字典；分别对三个区域进行去噪，并将去噪结果合并，得到去噪图像。本发明专利技术用区域划分和字典学习相结合的思想，使字典学习得到的字典自适应地对图像中的相应信号成分进行稀疏表示，有效地保持了图像的边缘和纹理信息，改善了去噪效果，可用于从含噪的低质量图像中获取高质量图像。

【技术实现步骤摘要】

本专利技术属于图像处理
，更进一步涉及图像去噪
中的，可以用于在图像去噪时，获得高清晰质量的图像。
技术介绍
图像去噪一直是图像处理领域的一个重要问题。由于成像设备及成像条件的限制，使得图像在采集、转换以及传输过程中不可避免受到噪声的污染。因此，为了改善图像质量，提高图像的可识别性，图像去噪就成了一种常用的图像预处理方法。空域去噪方法中比较经典的方法包括均值滤波，中值滤波等。他们的共同特点就是利用局部窗口内像素灰度值的聚集性来对当前像素进行灰度调整。这些方法的缺点在于去除噪声的同时模糊了图像的细节信息，例如图像的边缘、纹理等。基于稀疏表示的图像去噪方法是基于稀疏分解理论发展而来的，它是利用图像信号本身具有的结构特征，在稀疏表示域中用少量原子来进行表示，而噪声不具备结构特征，不能用少量原子来进行表示，由此可以根据图像的结构来提取少量的基原子，重建图像的结构信息，以实现去噪。如小波硬阈值去噪方法，它是用小波变换将图像进行稀疏分解，得到一组小波系数，稀疏表示域是一组标准正交基，然后保留大于阈值的小波系数，将小于阈值的小波系数置零，再进行小波反变换重构信号，当信号特征和基原子特性相一致时，能够有较好的稀疏表示效果。但它不能很好地表示具有复杂结构特征的图像，而冗余字典能克服这一不足，能够有效地捕捉图像的复杂结构特征，如Curvelets、Contourlets、Bandelets等。不过，冗余字典的生成函数仍然是已知固定的，并不能对所有的图像进行很好的稀疏表示。而字典学习方法能够根据图像本身的特性通过学习的方式得到冗余字典，它能够自适应地对图像信号进行稀疏表示。KSVD方法是一种比较好的字典学习方法，它分为稀疏编码和字典更新两个阶段，在稀疏编码阶段，首先固定字典，对每个信号独立地进行稀疏编码，得到与之对应的稀疏系数；在字典更新阶段，对字典中的原子逐一进行更新，并对当前迭代步的原子及与之对应的稀疏系数进行同步更新。交替进行稀疏编码和字典更新，学习得到字典。由于基于KSVD的图像去噪方法能够根据图像本身的特性自适应地学习得到冗余字典，来对图像进行稀疏表示，所以它能够得到更好的去噪效果；但该方法在用OMP算法求解图像块的稀疏系数时，由于图像中的弱纹理区域图像块的标准差小于OMP算法给定的阈值，不能用字典原子来对其表示，而只是用均值滤波的思想来实现去噪，所以会出现模糊的现象；同时，光滑区域也会出现伪纹理的现象。
技术实现思路
本专利技术的目的在于提出了一种，以解决现有基于KSVD的图像去噪方法在弱纹理的地方出现模糊现象以及光滑的地方会出现伪纹理的问题，提高图像去噪效果。实现本专利技术的技术思路是:利用primalsketch方法得到图像的边缘结构信息，将图像区分为结构区域和非结构区域，用块方差统计的思想进一步将非结构区域分为光滑区域和纹理区域。对结构区域和纹理区域分别用基于KSVD的方法进行去噪，其中，用适合边缘轮廓处信号的Ridgelet冗余字典作为结构区域的初始字典，用适合纹理处信号的DCT字典作为纹理区域的初始字典，从而能够更加有效地表示图像的边缘和纹理信息；对纹理区域和结构区域中标准差小于OMP算法给定阈值的图像块，用目前对纹理信号去噪效果较好的BM3D方法进行去噪，有效地解决基于KSVD的图像去噪方法在弱纹理区域出现模糊现象的问题；同时，用改进的非局部均值方法对光滑区域进行去噪，改善基于KSVD的图像去噪方法中光滑区域出现伪纹理的问题。其具体步骤如下:(I)输入待去噪的含噪图像I1 ;(2)对含噪图像I1进行平稳小波变换，得到一个低频子带L和三个高频子带H1, H2, H3,将高频子带H1, H2, H3系数全部置零，保持低频子带L系数不变，然后对低频子带和置零后的高频子带进行逆变换，得到重构后的图像I2 ;(3)利用primalsketch算法提取重构后图像I2的primal sketch草图，得到反映含噪图像边缘的结构信息，利用该结构信息，将含噪图像I1分为结构区域E1和非结构区域E2;用块标准差统计的方法将含噪图像划分为非光滑区域E3和光滑区域E4，将非结构区域E2进一步划分为纹理区域E21和光滑区域E22 ；(4)对结构区域E1和纹理区域E21分别用KSVD算法学习得到结构区域E1的字典D1和纹理区域E21的字典D2 ；(5)对结构区域、纹理区域和光滑区域图像块进行去噪:对结构区域E1中标准差大于OMP算法阈值的图像块，用字典D1进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块用BM3D方法进行去噪，得到结构区域E1的去噪图像I3 ；对纹理区域E21中标准差大于OMP算法阈值的图像块，用字典D2进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块，用BM3D方法进行去噪，得到纹理区域E21的去噪图像L ;对光滑区域E22用改进的非局部均值算法进行去噪，得到光滑区域E22的去噪图像Is ；(6)将结构区域、纹理区域和光滑区域的去噪图像进行合并，得到最终去噪图像16，即 16-13+14+15。与现有技术相比，本专利技术具有以下优点:第一，本专利技术用区域划分和字典学习相结合的思想，并且用Ridgelet冗余字典作为结构区域的初始字典，用DCT冗余字典作为纹理区域的初始字典，能够更为充分地表示图像中的信息，去噪后的图像的边缘和纹理信息更为清晰。第二，本专利技术对结构区域和纹理区域中标准差小于OMP算法阈值的图像块用目前对纹理信号去噪效果较好的BM3D方法来进行去噪，能够有效解决基于KSVD的图像去噪方法在弱纹理区域出现模糊现象的问题。第三，本专利技术用改进的非局部均值方法对光滑区域进行去噪，能够有效解决基于KSVD的图像去噪方法中光滑区域出现伪纹理的问题，在光滑区域的去噪效果表现得更为光滑。附图说明图1是本专利技术的实现流程图；图2是现有Barbara图像原图；图3是对图2加噪后的Barbara图像；图4是现有的Lena图像原图；图5是对图4加噪后的Lena图像；图6是本专利技术中采用primal sketch算法从加噪后的Barbara图像的重构图像中提取的primal sketch草图；图7是本专利技术中的Barbara图像结构区域的示意图；图8是用本专利技术将Barbara图像分为结构区域、光滑区域和非光滑区域的结果 图9是用本专利技术和基于KSVD的图像去噪方法对加噪后的Barbara图像去噪后的结果对比图；图10是用本专利技术与基于KSVD的图像去噪方法对加噪后的Lena图像的去噪结果对比图。具体实施例方式参照图1，本专利技术的具体实施步骤如下:步骤1，输入含噪图像1:。对如图2所示的Barbara图像加噪，得到如图3所示的加噪后的Barbara图像，将加噪后的Barbara图像作为输入图像I1。步骤2，将含噪图像I1分为结构区域E1和非结构区域E2。(2a)对含噪图像I1进行平稳小波变换，得到一个低频子带L和三个高频子带H1, H2, H3,将高频子带H1, H2, H3系数全部置零，保持低频子带L系数不变，然后对低频子带和置零后的高频子带进行逆变换，得到重构后的图像I2 ;(2b)利用primal sketch算法提取重构后图像I2的primal sketch草图，如图6所示，以primal sketch草图的线段上的本文档来自技高网...

【技术保护点】
一种基于区域划分和字典学习的自然图像去噪方法，包括如下步骤：(1)输入待去噪的含噪图像I1；(2)对含噪图像I1进行平稳小波变换，得到一个低频子带L和三个高频子带H1,H2,H3，将高频子带H1,H2,H3系数全部置零，保持低频子带L系数不变，然后对低频子带和置零后的高频子带进行逆变换，得到重构后的图像I2；(3)利用primalsketch算法提取重构后图像I2的primal?sketch草图，得到反映含噪图像I1的边缘的结构信息,利用该结构信息，将含噪图像I1分为结构区域E1和非结构区域E2；用块标准差统计的方法将含噪图像划分为非光滑区域E3和光滑区域E4，将非结构区域E2进一步划分为纹理区域E21和光滑区域E22；(4)对结构区域E1和纹理区域E21分别用KSVD算法学习得到结构区域E1的字典D1和纹理区域E21的字典D2；(5)对结构区域、纹理区域和光滑区域图像块进行去噪：对结构区域E1中标准差大于OMP算法阈值的图像块，用字典D1进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块用BM3D方法进行去噪，得到结构区域E1的去噪图像I3；对纹理区域E21中标准差大于OMP算法阈值的图像块，用字典D2进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块，用BM3D方法进行去噪，得到纹理区域E21的去噪图像I4；对光滑区域E22用改进的非局部均值算法进行去噪，得到光滑区域E22的去噪图像I5；(6)将结构区域、纹理区域和光滑区域的去噪图像进行合并，得到最终去噪图像 I6，即I6=I3+I4+I5。...

【技术特征摘要】
1.一种基于区域划分和字典学习的自然图像去噪方法，包括如下步骤: (1)输入待去噪的含噪图像I1; (2)对含噪图像I1进行平稳小波变换，得到一个低频子带L和三个高频子带H1,H2, H3,将高频子带H1, H2, H3系数全部置零，保持低频子带L系数不变，然后对低频子带和置零后的高频子带进行逆变换，得到重构后的图像I2 ; (3)利用primalsketch算法提取重构后图像I2的primalsketch草图，得到反映含噪图像I1的边缘的结构信息，利用该结构信息，将含噪图像I1分为结构区域E1和非结构区域E2 ;用块标准差统计的方法将含噪图像划分为非光滑区域E3和光滑区域E4,将非结构区域E2进一步划分为纹理区域E21和光滑区域E22 ； (4)对结构区域E1和纹理区域E21分别用KSVD算法学习得到结构区域E1的字典D1和纹理区域E21的字典D2 ； (5)对结构区域、纹理区域和光滑区域图像块进行去噪:对结构区域E1中标准差大于OMP算法阈值的图像块，用字典D1进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块用BM3D方法进行去噪，得到结构区域E1的去噪图像I3 ；对纹理区域E21中标准差大于OMP算法阈值的图像块，用字典D2进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块，用BM3D方法进行去噪，得到纹理区域E21的去噪图像I4 ； 对光滑区域E22用改进的非局部均值算法进行去噪，得到光滑区域E22的去噪图像I5 ； (6)将结构区域、纹理区域和光滑区域的去噪图像进行合并，得到最终去噪图像I6，即I6_l3+l4+l5°2.根据权利要求1所述的方法，其中所述步骤(3)中利用反映图像边缘的结构信息，将含噪图像I1分为结构区域E1和非结构区域E2，是以primal sketch草图的线段上的每个点为中心，沿着该点的方向提取9X9窗口，窗口覆盖的区域即为结构区域E1，含噪图像I1中剩下的区域为非结构区域E2。3.根据权利要求1所述的方法，其中步骤(3)所述的用块标准差统计的方法将含噪图像划分为非光滑区域E3和光滑区域E4,是用图像块的标准差与整个含噪图像中的图像块的最小标准差的差值与给定的判断参数进行比较来划分，即将4.根据权利要求1所述的方法，其中步骤(3)所述的将非结构区域E2进一步划分为纹理区域E21和光滑区域E22,是将非结构区域E2中与非光滑区域E3重合的区域划分为纹理区域E21，将非结构区域E2中与光滑区域E4重合的区域划分为光滑区域E22。5.根据权利要求1中所述的方法，其中步骤(4)所述的对结构区域E1和纹理区域E21用KSVD方法学习得到结构区域E1的字典D1和纹理区域E21的字典D2,按如下步骤进行: (4a)将结构区域E1划分为重叠的8X8的图像块集合Y= {YJ，将纹理区域E21划分为重叠的8X8的图像块集合Z= {...

【专利技术属性】
技术研发人员：刘芳，周确，李玲玲，郝红侠，戚玉涛，焦李成，李梦雄，尚荣华，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：