本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域,具體為一種基于組的非局部稀疏表示加性噪聲去除方法。
背景技術(shù):
圖像的噪聲移除技術(shù)研究是從觀測(cè)圖像出獲取高質(zhì)量的圖像。該技術(shù)的研究的主要方法包括:基于濾波器的方法,基于全變分的方法,基于非局部的方法,基于稀疏表示的方法以及基于圖像先驗(yàn)的方法等。
傳統(tǒng)的方法用于噪聲移除在視覺(jué)質(zhì)量上和峰值信噪比還不是很理想。本發(fā)明可以使圖像具有較高的峰值信噪比和圖像的相似度,而且還能夠抑制恢復(fù)圖像中的偽跡并很好的保存圖像的邊緣和紋理特征,提高視覺(jué)效果。
Dong等人在“Dong W,Zhang L,Shi G and Li X.Nonlocally centralized sparse representation for image restoration[J].IEEE Trans.on Image Pro-cessing,2013,22(4):1620-1630.”(NCSR模型)基礎(chǔ)非局部集中稀疏表示模型。NCSR模型使用的是自適應(yīng)字典,去除紋理特征較少的圖像效果欠佳,且速度偏慢。Xu等人在“Xu J,Zhang L,Zuo W,et al.Patch Group Based Nonlocal Self-Similarity Prior Learning for Image Denoising[C] IEEE International Conference on Computer Vision.2015:244-252.”(PGPD模型)基于塊組的非局部自相似先驗(yàn)學(xué)習(xí)圖像去噪模型。PGPD模型用原始圖像的非局部先驗(yàn)知識(shí)通過(guò)高斯混合模型訓(xùn)練字典,把圖像塊進(jìn)行分組處理,取得了很好的去噪效果。該算法充分利用了清晰圖像的非局部先驗(yàn)知識(shí),但是直接對(duì)含噪圖像進(jìn)行分組和稀疏編碼,在塊匹配和編碼階段容易產(chǎn)生誤差,從而產(chǎn)生較多的偽跡,為此, 我們提出一種基于組的非局部稀疏表示加性噪聲去除方法。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的在于提供一種基于組的非局部稀疏表示加性噪聲去除方法,以解決背景技術(shù)中提出的問(wèn)題。
為實(shí)現(xiàn)目的,本發(fā)明提供如下技術(shù)方案,一種基于組的非局部稀疏表示加性噪聲去除方法,所述基于組的非局部稀疏表示加性噪聲去除方法包括下列步驟:
S1:在標(biāo)準(zhǔn)圖像庫(kù)中獲得自然圖像,并對(duì)圖像進(jìn)行圖像分塊并用高斯混合模型訓(xùn)練字典;
S2:對(duì)每個(gè)圖像進(jìn)行加噪聲處理,利用基于組的稀疏表示和非局部稀疏表示的方法得到去除噪聲模型;
S3:將含噪圖像分成有重疊的小塊,為每個(gè)圖像塊進(jìn)行非局部相似匹配,找到其具有相同結(jié)構(gòu)類(lèi)型的相似圖像塊,把相似度最高的一些塊放到一個(gè)組中;
S4:對(duì)于分好的每個(gè)組,先對(duì)每個(gè)組進(jìn)行奇異值分解,然后對(duì)特征值進(jìn)行閾值處理,得到每個(gè)組的估計(jì)值;
S5:利用預(yù)先訓(xùn)練的字典求出估計(jì)組在字典中的稀疏編碼;
S6:利用軟閾值方法求解模型;
S7:得到去噪圖像;
優(yōu)選的,在S3步驟中,首先將大小為N×N的圖像x分成n個(gè)大小為p×p的重疊塊,定義為k=1,2,...,n.然后,對(duì)于塊xk,在訓(xùn)練窗中搜索與其最匹配的c個(gè)塊組,組成集合接下來(lái),將中所有的塊組成一個(gè)大小為p2×c的矩陣,定義為中所有的塊作為它的列,從而得到 將包含所有相似結(jié)構(gòu)的矩陣稱(chēng)為組。
優(yōu)選的,在S4步驟中,用低秩方法來(lái)進(jìn)行初始的估計(jì),對(duì)含噪圖像組進(jìn)行奇異值分解(SVD):其中K=min(c,Bs)再對(duì)λii進(jìn)行閾值處理:是軟閾值算子,其中σw是估計(jì)的噪聲標(biāo)準(zhǔn)差,初始估計(jì)組為: 其中K=min(c,Bs).。
優(yōu)選的,在S6步驟中,在含噪組和估計(jì)組的稀疏編碼都更新好以后,利用軟閾值方法得到去噪后的圖像。
與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果是:1、本發(fā)明將稀疏表示訓(xùn)練字典引入去除加性噪聲,用最少的元素表示整張圖像的信息,這樣大大減少工作量,去除加性噪聲通過(guò)學(xué)習(xí)字典,這樣更有效的去噪。2、本發(fā)明以圖像塊的組為處理的基本單位,充分利用圖像相似塊之間的聯(lián)系,更好地保留圖像的邊緣結(jié)構(gòu)。3、本發(fā)明將非局部正則化引入去除加性噪聲,有利于聯(lián)系圖像塊之間的聯(lián)系,加強(qiáng)去噪。4、本發(fā)明使用低秩分解進(jìn)行圖像非局部的估計(jì),可以減少圖像中出現(xiàn)的偽跡,改善圖像的視覺(jué)效果,提高圖像的質(zhì)量。
附圖說(shuō)明
圖1是本發(fā)明一種基于組的非局部稀疏表示加性噪聲去除方法在高斯白噪聲標(biāo)準(zhǔn)差為30的“Peppers”圖的去噪圖及“Peppers”圖的局部放大圖;
圖2是本發(fā)明一種基于組的非局部稀疏表示加性噪聲去除方法在高斯白噪聲標(biāo)準(zhǔn)差為50的“House”圖的去噪圖及“House”圖的局部放大圖。
具體實(shí)施方式
下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造 性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
請(qǐng)參閱圖1-2,本發(fā)明提供一種技術(shù)方案:下面結(jié)合具體實(shí)施方式對(duì)本專(zhuān)利的技術(shù)方案作進(jìn)一步詳細(xì)地說(shuō)明。
本實(shí)施例提出了一種基于組的非局部稀疏表示加性噪聲去除方法:所述基于組的非局部稀疏表示加性噪聲去除方法包括下列步驟:
S1:在標(biāo)準(zhǔn)圖像庫(kù)中獲得自然圖像,并對(duì)圖像進(jìn)行圖像分塊并用高斯混合模型訓(xùn)練字典;
S2:對(duì)每個(gè)圖像進(jìn)行加噪聲處理,利用基于組的稀疏表示和非局部稀疏表示的方法得到去除噪聲模型;
S3:將含噪圖像分成有重疊的小塊,為每個(gè)圖像塊進(jìn)行非局部相似匹配,找到其具有相同結(jié)構(gòu)類(lèi)型的相似圖像塊,把相似度最高的一些塊放到一個(gè)組中;在S3步驟中,首先將大小為N×N的圖像x分成n個(gè)大小為p×p的重疊塊,定義為k=1,2,...,n.然后,對(duì)于塊xk,在訓(xùn)練窗中搜索與其最匹配的c個(gè)塊組,組成集合接下來(lái),將中所有的塊組成一個(gè)大小為p2×c的矩陣,定義為中所有的塊作為它的列,從而得到將包含所有相似結(jié)構(gòu)的矩陣稱(chēng)為組;
S4:對(duì)于分好的每個(gè)組,先對(duì)每個(gè)組進(jìn)行奇異值分解,然后對(duì)特征值進(jìn)行閾值處理,得到每個(gè)組的估計(jì)值;在S4步驟中,用低秩方法來(lái)進(jìn)行初始的估計(jì),對(duì)含噪圖像組進(jìn)行奇異值分解(SVD):其中 K=min(c,Bs)再對(duì)λii進(jìn)行閾值處理:是軟閾值算子,其中σw是估計(jì)的噪聲標(biāo)準(zhǔn)差,初始估計(jì)組為:其中 K=min(c,Bs).;
S5:利用預(yù)先訓(xùn)練的字典求出估計(jì)組在字典中的稀疏編碼;
S6:利用軟閾值方法求解模型;在S6步驟中,在含噪組和估計(jì)組的稀疏編碼都更新好以后,利用軟閾值方法得到去噪后的圖像;
S7:得到去噪圖像。
基于加權(quán)稀疏的混合噪聲去除的實(shí)施步驟如下:
步驟1,在標(biāo)準(zhǔn)圖像庫(kù)中獲得自然圖像,灰度值在0-255之間,為了簡(jiǎn)化計(jì)算量對(duì)每幅圖都進(jìn)行歸一化處理,歸一化處理以后再把圖像進(jìn)行分塊,每塊的大小本發(fā)明分為P×P,噪聲方差σ≤30時(shí)p=7,30<σ≤50時(shí)p=8,50<σ≤100時(shí)p=9。將分塊后的圖像,用高斯混合模型將圖像塊分成L類(lèi),求出每一類(lèi)的協(xié)方差矩陣∑i并對(duì)其進(jìn)行奇異值分解∑i=ΦiΛΦiT,其中Φi是一個(gè)正交矩陣,Λ是對(duì)角矩陣對(duì)角線上的元素是特征值,字典記為Φ=[Φ1,Φ2,…,ΦL];
步驟2,對(duì)每個(gè)圖像進(jìn)行加噪聲處理,設(shè)y∈Rn為含噪的觀測(cè)圖,x∈Rn為去噪圖,n為高斯白噪聲,則高斯白噪聲的數(shù)學(xué)公式為y=x+n,我們對(duì)測(cè)試圖像分別加高斯白噪聲標(biāo)準(zhǔn)差為30、50、100.然后利用基于組的稀疏表示和非局部稀疏表示得到去除噪聲模型;
步驟3,首先將大小為N×N的圖像x分成n個(gè)大小為p×p的重疊塊,定義為k=1,2,...,n.然后,對(duì)于塊xk,在訓(xùn)練窗中搜索與其最匹配的c個(gè)塊組,組成集合接下來(lái),將中所有的塊組成一個(gè)大小為p2×c的矩陣,定義為中所有的塊作為它的列,從而得到將包含所有相似結(jié)構(gòu)的矩陣稱(chēng)為組;
步驟4,用低秩方法來(lái)進(jìn)行初始的估計(jì)。對(duì)含噪圖像組進(jìn)行奇異值分解: 其中K=min(c,Bs)再對(duì)λii進(jìn)行閾值處理:是軟閾值算子,其中 σw是估計(jì)的噪聲標(biāo)準(zhǔn)差,初始估計(jì)組為: 其中K=min(c,Bs).;
步驟5,利用預(yù)先訓(xùn)練的字典求出估計(jì)組在字典中的稀疏編碼;
(5.1)對(duì)于每個(gè)組我們要在步驟1中訓(xùn)練好的高斯混合模型中選取最合適的類(lèi),在哪一類(lèi)中的概率越大就越合適,屬于第l類(lèi)的概率為:對(duì)應(yīng)的字典就是概率最大的類(lèi)中的字典Φk;
(5.2)由于字典是正交的,所以在字典中的稀疏編碼為非局部估計(jì)的稀疏編碼為
步驟6,利用收縮算子的代理函數(shù)的方法得到稀疏編碼,t+1步迭代的αG為:其中是軟閾值算子,τ=λii,j/c1,c1是輔助參數(shù),是α-μ的方差,ε是一個(gè)很小的非零常數(shù),防止分母為零,
步驟7,在稀疏編碼更新好以后,當(dāng)確定后,恢復(fù)出來(lái)的組為 將還原到原來(lái)的位置,得到最終恢復(fù)圖
本發(fā)明的效果由以下仿真進(jìn)一步說(shuō)明。
1.仿真條件
(1)選取大小為256×256的標(biāo)準(zhǔn)測(cè)試圖像庫(kù)中自然圖像進(jìn)行測(cè)試;
(2)實(shí)驗(yàn)中圖像塊的大小為p×p,當(dāng)噪聲標(biāo)準(zhǔn)差σ≤30時(shí)p=7,30<σ≤50時(shí)p=8,50<σ≤100時(shí)p=9,搜索窗的大小W=31,每個(gè)組圖像塊的個(gè)數(shù)c=10.軟閾值中的輔助參數(shù)c1=0.28,γ=0.67,δ=0.65,迭代次數(shù)都為8次。測(cè)試的圖像加的高斯白噪聲標(biāo)準(zhǔn)差分別為30、50、100。
2.仿真內(nèi)容與結(jié)果
仿真內(nèi)容:利用256×256的Peppers圖和House圖,用本發(fā)明與已有技術(shù)的NCSR算法,PGPD算法分別對(duì)其去除加性高斯白噪聲。
表1 實(shí)驗(yàn)結(jié)果峰值信噪比(PSNR)
表2 實(shí)驗(yàn)結(jié)果特征相似度(SSIM)
實(shí)驗(yàn)結(jié)果:
本發(fā)明比NCSR算法和PGPD算法在峰值信噪比PSNR和FSIM上取得很好的去噪效果。實(shí)驗(yàn)結(jié)果如表1所示。從表中可以看出,本發(fā)明與NCSR算法和PGPD 算法相比,在不同的噪聲和測(cè)試圖像上,大部分實(shí)驗(yàn)取得了較高的PSNR值和FSIM值。
本發(fā)明比NCSR算法和PGPD算法在視覺(jué)效果上取得更好的去噪效果,實(shí)驗(yàn)結(jié)果如圖1和如圖2所示。
圖1是高斯白噪聲標(biāo)準(zhǔn)差為30的去噪圖,圖1(a)為原圖像和局部放大圖,圖1(b)為NCSR算法的去噪圖和局部放大圖,從圖1(b)可以看出,圖像處理的比較模糊,辣椒蒂處丟失了較多細(xì)節(jié),圖1(c)為PGPD算法的去噪圖和局部放大圖,雖然PGPD算法在峰值信噪比和圖像特征相似度要好于NCSR算法,圖像的去噪效果也要優(yōu)于NCSR算法,但是NCSR去噪圖的辣椒蒂,仍然丟失細(xì)節(jié)信息,圖1(d)為本專(zhuān)利算法的去噪圖,從圖1(d)可以很明顯的看出,本專(zhuān)利算法能夠很好的保存圖像的細(xì)節(jié)信息。
圖2是高斯白噪聲標(biāo)準(zhǔn)差為50的去噪圖,圖2(a)為原圖像和局部放大圖,圖2(b)為NCSR算法的去噪圖和局部放大圖,從圖2(b)可以看出,NCSR的去噪圖的屋檐的輪廓線模糊并且內(nèi)側(cè)有線條丟失,屋檐下面模糊不清且仍有噪聲存在,圖2(c)是PGPD模型的去噪圖,屋檐輪廓邊緣良好,較為清晰,但在全局中出現(xiàn)了許多偽跡,影響視覺(jué)效果。從圖2(d)可以看出,與上述的算法相比較,本發(fā)明的噪聲移除圖像比較清晰,在房屋邊緣和細(xì)節(jié)部分都處理的較為接近原圖像,在全局中出現(xiàn)的偽跡較少。
本發(fā)明將基于組的稀疏表示和非局部稀疏表示進(jìn)行圖像噪聲的移除。與其他算法相比較,本發(fā)明具在去噪的同時(shí),能更好的抑制偽跡產(chǎn)生,并且在保留圖像重要特征方面具有很好的性能。仿真實(shí)驗(yàn)表明,本發(fā)明無(wú)論是在主觀評(píng)判還是在客觀量化上都表現(xiàn)優(yōu)良。
盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例,對(duì)于本領(lǐng)域的普通技術(shù)人員而言,可以理解在不脫離本發(fā)明的原理和精神的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型,本發(fā)明的范圍由所附權(quán)利要求及其等同物限定。