專利名稱：基于邊緣先驗和nsct域gsm的圖像去噪方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)ー步涉及ー種自然圖像處理濾波技術(shù)領(lǐng)域的基于邊緣先驗和非下米樣 Contourlet 變換(Non-sampling Contourlet Transform,NSCT)域高斯尺度混合模型的圖像去噪方法。該方法可用于醫(yī)學(xué)、衛(wèi)星遙感、エ業(yè)、軍事和視頻多媒體等領(lǐng)域的數(shù)字圖像預(yù)處理。
背景技術(shù)：
由于受各種條件的限制，圖像在獲取、編碼、傳輸過程中會受到各種各樣的噪聲影響，這對圖像分割，目標(biāo)識別等其他ー些后續(xù)處理工作帶來了不利，因此對圖像進(jìn)行去噪很有必要。圖像去噪解決了圖像受到噪聲干擾圖像質(zhì)量下降的問題，抑制噪聲影響，提高了圖像質(zhì)量，是圖像后處理的基礎(chǔ)。 自然圖像中的特征(頻率特征、空間組織特征或者物體類別、拍攝設(shè)備相關(guān)的特征等)的經(jīng)驗性規(guī)律統(tǒng)稱為自然圖像的先驗信息。自然圖像先驗很好地模擬了大腦系統(tǒng)的記憶與歸納能力，即對視覺信息的處理與識別不僅依賴于視覺信息本身的特征，更依賴于大腦所歸納與記憶的有關(guān)視覺信息的一般性規(guī)律。因此，以自然圖像的先驗信息作為指導(dǎo)或約束，可以很好地解決圖像處理的逆問題，如圖像去噪等。近年來，人們逐漸認(rèn)識到自然圖像先驗在計算機(jī)視覺和圖像處理中的重要意義，日益關(guān)注如何挖掘和建模自然圖像的先驗信息，以解決自然圖像處理和計算機(jī)視覺中的基本問題?，F(xiàn)有的有關(guān)自然圖像的先驗信息主要有統(tǒng)計先驗建模和稀疏性先驗等。Cheolkon Jung等人在“Spatial gradient local inhomogeneity an efficientimage denoising prior. Journal of Electronic Imaging, 2010,19 (3).，，中提出 J 一種 間梯度和局部非同質(zhì)區(qū)域的先驗信息(spatial gradient local inhomogeneity, SGLI),將其用在圖像去噪上?？臻g梯度信息能夠有效的保持強(qiáng)邊緣，而局部的非同質(zhì)度量能夠準(zhǔn)確的定位圖像中的不連續(xù)性。該方法存在的不足是，只是利用了圖像中的梯度信息，沒有充分利用圖像的其他特性，如冗余性等，導(dǎo)致邊緣紋理信息保持的不夠好，去噪的結(jié)果不夠理想。西安電子科技大學(xué)在其申請的專利“基于Treelet變換和最小均方誤差估計的圖像去噪方法”(專利申請?zhí)?01110199552. 6，公開號CN102222327A)中公開了ー種利用Treelet變換和最小均方誤差估計的圖像去噪方法。該方法能精確地估計出無噪聲系數(shù)，在去噪的同時也能保持邊緣等特征。但該方法仍然存在的不足是，該方法由于是基于相似圖像塊的加權(quán)平均，導(dǎo)致邊緣細(xì)節(jié)信息保持仍不夠理想，最終應(yīng)用效果不理想。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提出ー種基于邊緣先驗和NSCT域高斯尺度混合模型(Gaussian Scale Mixture model, GSM)的圖像去噪方法。通過學(xué)習(xí)的方法，從原始的噪聲圖像和初歩去噪的圖像中估計無噪聲圖像的邊緣梯度信息，將其作為ー種先驗信息，約束去噪的迭代過程。為實現(xiàn)上述目的，本發(fā)明具體實現(xiàn)步驟包括如下(I)輸入一幅待去噪圖像；(2)用非下采樣Contourlet變換域高斯尺度混合模型去噪方法對圖像進(jìn)行去噪；2a)對噪聲圖像進(jìn)行非下采樣Contourlet變換；2b)用高斯尺度混合模型對非下采樣Contourlet變換后每一方向尺度的系數(shù)進(jìn)行建模；2c)用貝葉斯最小均方估計方法計算無噪聲系數(shù)；
2d)進(jìn)行逆Contourlet變換,得到去噪結(jié)果；(3)將原始噪聲圖像與高斯核進(jìn)行卷積，得到卷積圖像；(4)估計無噪聲圖像的梯度；4a)在步驟(3)中所得卷積圖像中任取ー個像素點為中心，確定ー個正方形的中心圖像塊和搜索窗；在步驟2d)中所得去噪圖像中與卷積圖像對應(yīng)的位置上選取相同的中心圖像塊和搜索窗；4b)逐個計算步驟⑶中所得卷積圖像中搜索窗內(nèi)圖像塊與步驟2d)中所得去噪圖像中確定的中心圖像塊的梯度相似度
權(quán)利要求
1.基于邊緣先驗和NSCT域GSM的圖像去噪方法，包括如下步驟 (1)輸入一幅待去噪圖像； (2)用非下采樣Contourlet變換域高斯尺度混合模型去噪方法對圖像進(jìn)行去噪； 2a)對噪聲圖像進(jìn)行非下采樣Contourlet變換； 2b)用高斯尺度混合模型對非下采樣Contourlet變換后每一方向尺度的系數(shù)進(jìn)行建模； 2c)用貝葉斯最小均方估計方法計算無噪聲系數(shù)； 2d)進(jìn)行逆Contourlet變換,得到去噪結(jié)果； (3)將原始噪聲圖像與高斯核進(jìn)行卷積，得到卷積圖像； (4)估計無噪聲圖像的梯度； 4a)在步驟(3)中所得卷積圖像中任取ー個像素點為中心，確定ー個正方形的中心圖像塊和搜索窗；在步驟2d)中所得去噪圖像中與卷積圖像對應(yīng)的位置上選取相同的中心圖像塊和搜索窗； 4b)逐個計算步驟(3)中所得卷積圖像中搜索窗內(nèi)圖像塊與步驟2d)中所得去噪圖像中確定的中心圖像塊的梯度相似度
2.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟2a)中所述的進(jìn)行非下采樣Contourlet變換時的分解層數(shù)取值范圍為2 4層。
3.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟2b)中所述的建模公式為
4.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟2c)中所述的貝葉斯最小均方估計計算公式為
5.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟4a)中所述正方形圖像塊的邊長取值范圍為5 11個像素。
6.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟4a)中所述正方形捜索窗的邊長取值范圍為21 41個像素為邊長。
7.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟4b)中所述的懲罰因子h取值范圍為ση 5ση，σ η為圖像中噪聲的標(biāo)準(zhǔn)差。
8.根據(jù)權(quán)利要求I所述的基于邊緣先驗和NSCT域GSM的圖像去噪方法，其特征在于步驟(5)中所述迭代次數(shù)t取值范圍為2 5次，迭代步長τ取值范圍為O. 01 O. 05，平衡參數(shù)β =0.05。
全文摘要
本發(fā)明公開了基于邊緣先驗和NSCT域GSM的圖像去噪方法，主要解決現(xiàn)有去噪方法對被高斯白噪聲腐蝕的自然圖像去噪效果不佳的問題。其實現(xiàn)步驟如下，(1)輸入一幅待去噪圖像；(2)用非下采樣Contourlet域高斯尺度混合模型去噪方法對圖像進(jìn)行去噪；(3)將原始噪聲圖像與高斯核進(jìn)行卷積；(4)估計無噪聲圖像的梯度；(5)用迭代方法去噪；(6)判斷是否達(dá)到迭代次數(shù)，若未達(dá)到迭代次數(shù)，轉(zhuǎn)到步驟(5)，若已達(dá)到迭代次數(shù)，則輸出結(jié)果。本發(fā)明具有對含有高斯白噪聲的自然圖像去噪效果好的優(yōu)點，能恢復(fù)出圖像原有的特征，可用于圖像分割、目標(biāo)識別，變換檢測等對圖像的預(yù)處理。
文檔編號G06T5/00GK102682434SQ20121014821
公開日2012年9月19日 申請日期2012年5月14日 優(yōu)先權(quán)日2012年5月14日
發(fā)明者侯彪, 公茂果, 張小華, 張林剛, 焦李成, 王桂婷, 王爽, 田小林, 鐘樺 申請人:西安電子科技大學(xué)