国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于圖像旋轉(zhuǎn)和分塊奇異值分解的圖像去噪方法與流程

      文檔序號(hào):11476426閱讀:736來(lái)源:國(guó)知局
      一種基于圖像旋轉(zhuǎn)和分塊奇異值分解的圖像去噪方法與流程
      本發(fā)明屬于圖像處理領(lǐng)域,具體涉及一種基于圖像旋轉(zhuǎn)和分塊奇異值分解的圖像去噪方法。
      背景技術(shù)
      :隨著各類數(shù)字儀器和數(shù)碼產(chǎn)品的普及,數(shù)字圖像處理已經(jīng)成為數(shù)字技術(shù)和計(jì)算機(jī)技術(shù)交叉領(lǐng)域的一個(gè)研究熱點(diǎn)。數(shù)字圖像處理,是指利用計(jì)算機(jī)科學(xué)研究和生產(chǎn)中可視化信息的數(shù)字處理。經(jīng)過(guò)對(duì)圖像信息的加工以滿足人的視覺(jué)心理或應(yīng)用需求的行為。我們大多所處的環(huán)境為復(fù)雜狀態(tài)下,以至外界因素會(huì)影響我們的生活,在采集原始圖像的過(guò)程中,存在不可知的因素會(huì)損傷收集的圖像,可見(jiàn)或不可見(jiàn)噪聲在不同程度上也會(huì)對(duì)圖像造成干擾,導(dǎo)致圖像質(zhì)量下降。然而如何對(duì)圖像進(jìn)行有效、準(zhǔn)確的去噪成為如今的重要研究問(wèn)題。經(jīng)過(guò)近年的發(fā)展,圖像去噪也涌現(xiàn)出眾多的研究方法,奇異值分解作為一種非常重要的非線性濾波方法,一維奇異值分解具有良好的精準(zhǔn)度和高效率,但其不能充分去除圖像內(nèi)的相關(guān)性,造成塊內(nèi)冗余,圖像向量化后,增加了計(jì)算的復(fù)雜度;二維奇異值分解去噪能夠改善塊內(nèi)冗余,減少有用信息流失,保留圖像更多的實(shí)用信息,提升圖像去噪的準(zhǔn)確性,同時(shí)在計(jì)算量上也得到了改進(jìn),去噪的同時(shí)能更好的保留原始圖像的信息,增強(qiáng)視覺(jué)效果。但該方法的主方向性不全,包含圖像信息不完整,導(dǎo)致去噪精確度不高。技術(shù)實(shí)現(xiàn)要素:本發(fā)明的目的是提供一種基于圖像旋轉(zhuǎn)和分塊奇異值分解的圖像去噪方法,解決了現(xiàn)有去噪方法圖像信息不完整、去噪精確度不高的問(wèn)題。本發(fā)明采用的技術(shù)方案是,一種基于圖像旋轉(zhuǎn)和分塊奇異值分解的圖像去噪方法,包括以下步驟:步驟1:先對(duì)原始輸入圖像進(jìn)行分塊處理,劃分為非重疊的矩形塊;然后采用線性擬合的方法確定圖像塊的旋轉(zhuǎn)角度θ,再將原始圖像的每個(gè)圖像塊旋轉(zhuǎn)-θ度,得到水平方向的圖像;步驟2:搜索分塊旋轉(zhuǎn)后的圖像塊,并根據(jù)圖像塊的相似性進(jìn)行匹配,得到每組匹配成功的相似塊;步驟3:對(duì)每組匹配成功的相似塊進(jìn)行奇異值分解,相似塊內(nèi)部進(jìn)行2dsvd,相似塊塊間用1dsvd;步驟4:采用閾值收縮法對(duì)矩陣投影系數(shù)進(jìn)行收縮,對(duì)收縮后的投影系數(shù)進(jìn)行1dsvd逆變換和2dsvd逆變換,完成圖像去噪。本發(fā)明的特點(diǎn)還在于:進(jìn)一步地,步驟1:采用線性擬合的方法確定圖像塊的旋轉(zhuǎn)角度θ,包括以下步驟:a.設(shè)定曲線f(x)與直線y的差值平方和為目標(biāo)函數(shù)j,公式如下:定義以下矩陣形式其中,a為直線y=ax+b對(duì)應(yīng)的系數(shù)列矩陣,y為直線y的每一個(gè)取值所對(duì)應(yīng)的列矩陣。式(1)中目標(biāo)函數(shù)j對(duì)應(yīng)的矩陣形式為j=(atxt-yt)xa-(atxt-yt)y(3)b.最小二乘法的原理是將曲線f(x)與直線y的差值求和,并使其和的平方即目標(biāo)函數(shù)j取最小值,要使目標(biāo)函數(shù)達(dá)到最小值,則公式(3)需對(duì)矩陣a求偏導(dǎo)數(shù),令偏導(dǎo)數(shù)等于零求出矩陣a?;?jiǎn)公式(4),可以求出矩陣a=x-1(xx-1)ty,代入直線y=ax+b中的每一個(gè)取值xi和yi,得到直線y的系數(shù)a和b。根據(jù)以上求出的直線方程,可以得出圖像的旋轉(zhuǎn)角度θ:進(jìn)一步地,步驟2:根據(jù)圖像塊的相似性進(jìn)行匹配采用k-均值聚類算法,其基本思想是將m個(gè)數(shù)據(jù)對(duì)象劃分為k個(gè)聚類,選取相應(yīng)的聚類中心,使得劃分的k個(gè)聚類中的數(shù)據(jù)與本聚類中心點(diǎn)之間的距離差最小,為便于計(jì)算,直接求出各個(gè)聚類中數(shù)據(jù)到本聚類中心點(diǎn)距離差的平方值,兩者之間距離小,即平方值也是同理,求出平方差,根據(jù)條件選擇是否要進(jìn)行新聚類中心的確定,反復(fù)進(jìn)行上述步驟,直至找出空間中的點(diǎn)與前后兩個(gè)聚類中心的平方差,滿足判定條件為止,確定新的聚類中心。該方法包括以下步驟:(1)將a1和aω設(shè)定為k-均值聚類法的初始聚類中心,并求出每一個(gè)數(shù)據(jù)對(duì)象到聚類中心之間的距離;為了便于計(jì)算,求出的是每一個(gè)數(shù)據(jù)對(duì)象到聚類中心的距離平方和,根據(jù)下式計(jì)算結(jié)果將各個(gè)數(shù)據(jù)對(duì)象進(jìn)行劃分。其中:sj代表空間中的點(diǎn),ok表示各聚類中心,ωj和ωk分別表示sj和ok對(duì)應(yīng)的噪聲。(2)在各個(gè)類中,依照順序,選出一個(gè)數(shù)據(jù)對(duì)象作為新的聚類中心,并計(jì)算出空間點(diǎn)s與兩個(gè)聚類中心的距離平方和之差(該差值代表消耗consume)。consume=dk(s,oi')-dk(s,oi)+2σ2(8)相對(duì)應(yīng)的,dk(s,oi')中的s∈ci',dk(s,oi)中的s∈ci,其中ci'表示新劃分的類和c,oi'表示原有的類和的中心點(diǎn),σ2代表噪聲方差。根據(jù)以下評(píng)判標(biāo)準(zhǔn),判斷圖像塊是否匹配成功;若consume<0,則將原始聚類中心oi替換為新的聚類中心oi′,返回重復(fù)步驟(2)中消耗consume的計(jì)算,直至計(jì)算出的消耗滿足consume>0;反之,聚類中心不再變換,則表示圖像塊匹配成功。k-均值聚類法具有較強(qiáng)的穩(wěn)定性,受噪聲干擾小,同時(shí)還能極大程度上減少計(jì)算的誤差,在能更多的保留圖像信息的前提下,有良好的去噪性能,優(yōu)化圖像視覺(jué)效果。進(jìn)一步地,步驟4所用的閾值收縮法為軟、硬折中法閾值收縮法,采用如下公式:其中,0<λ<1。采用軟、硬折中的閾值收縮法來(lái)實(shí)現(xiàn)圖像與噪聲的分離,改善了傳統(tǒng)閾值收縮法的不連續(xù)性,體現(xiàn)出閾值收縮后的連續(xù)性,在數(shù)學(xué)上容易處理,可以得到更加平滑的、視覺(jué)上易于接受的圖像。進(jìn)一步地,公式(14)中,t=2.7σ。本發(fā)明的有益效果是,與現(xiàn)有的方法相比,本發(fā)明方法在二維奇異值分解去噪處理中加入了圖像旋轉(zhuǎn),因?yàn)閳D像的不同方向具有其方向性主信息,需要將圖像轉(zhuǎn)換成垂直或水平方向,這樣能減少圖像信息不必要的損失;在對(duì)矩陣投影系數(shù)的閾值收縮處理上,采用了軟閾值收縮法與硬閾值收縮法的結(jié)合,軟、硬閾值折中法,彌補(bǔ)硬閾值收縮法數(shù)據(jù)的不連續(xù)性,改善軟閾值收縮法的恒定誤差,提高了系數(shù)收縮的精準(zhǔn)性,更好的保留住圖像信息,滿足圖像處理的實(shí)時(shí)性要求。附圖說(shuō)明圖1是本發(fā)明圖像去噪方法的原理圖;圖2是相似塊匹配算法的流程圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明,但本發(fā)明并不限于這些實(shí)施方式。本發(fā)明的圖像去噪方法原理如圖1所示,具體按照以下步驟實(shí)施:步驟1:對(duì)原始輸入圖像進(jìn)行分塊旋轉(zhuǎn);(1)對(duì)圖像先進(jìn)行分塊處理,設(shè)定原始帶噪聲圖像大小為i1×i2,將原始帶噪聲圖像劃分為非重疊的平方塊,每個(gè)劃分完成的平方塊大小為m×m(也可以劃分為大小為m×n的長(zhǎng)方形塊)。由于每個(gè)圖像塊中所包含的主圖像信息不同,所以需要對(duì)劃分后的圖像塊進(jìn)行分塊旋轉(zhuǎn),圖像旋轉(zhuǎn)過(guò)程中旋轉(zhuǎn)角度的確定往往是很關(guān)鍵的問(wèn)題。(2)采用線性擬合的方法來(lái)確定圖像塊的傾斜角度,基本思想是先設(shè)定一條光滑曲線y=f(x),利用直線y=ax+b與曲線f(x)擬合,求出旋轉(zhuǎn)角度θ,具體方法應(yīng)用的是最小二乘法,求出曲線f(x)與直線y的殘差εi=f(xi)-yi,將其平方和達(dá)到最小。以下是確定旋轉(zhuǎn)角度的具體過(guò)程。a.設(shè)定曲線f(x)與直線y的差值平方和為目標(biāo)函數(shù)j,公式如下:定義以下矩陣形式其中,a為直線y=ax+b對(duì)應(yīng)的系數(shù)列矩陣,y為直線y的每一個(gè)取值所對(duì)應(yīng)的列矩陣。式(1)中目標(biāo)函數(shù)j對(duì)應(yīng)的矩陣形式為j=(atxt-yt)xa-(atxt-yt)y(3)b.最小二乘法的原理是將曲線f(x)與直線y的差值求和,并使其和的平方即目標(biāo)函數(shù)j取最小值,要使目標(biāo)函數(shù)達(dá)到最小值,則公式(3)需對(duì)矩陣a求偏導(dǎo)數(shù),令偏導(dǎo)數(shù)等于零求出矩陣a?;?jiǎn)公式(4),可以求出矩陣a=x-1(xx-1)ty,代入直線y=ax+b中的每一個(gè)取值xi和yi,得到直線y的系數(shù)a和b。根據(jù)以上求出的直線方程,可以得出圖像的旋轉(zhuǎn)角度θ:由上求出圖像塊的旋轉(zhuǎn)角度θ,將原始圖像的每個(gè)圖像塊旋轉(zhuǎn)-θ度,得到水平方向的圖像。步驟2:搜索分塊旋轉(zhuǎn)后的圖像塊,并根據(jù)圖像塊的相似性進(jìn)行匹配,如2所示,具體實(shí)施如下:對(duì)原始圖像進(jìn)行非重疊劃分之后,每個(gè)平方塊大小為m×m(即步驟1中劃分的圖像塊),用aω表示該平方塊基本特征,相似塊匹配的基準(zhǔn)是利用含噪圖像塊aω與劃分完成后的其它含噪圖像(a1,a2,…)塊進(jìn)行相似性對(duì)比,將二者匹配結(jié)合起來(lái)。具體過(guò)程如下:(1)將a1和aω設(shè)定為k-均值聚類法的初始聚類中心,并求出每一個(gè)數(shù)據(jù)對(duì)象到聚類中心之間的距離;為了便于計(jì)算,求出的是每一個(gè)數(shù)據(jù)對(duì)象到聚類中心的距離平方和,根據(jù)下式計(jì)算結(jié)果將各個(gè)數(shù)據(jù)對(duì)象進(jìn)行劃分。其中:sj代表空間中的點(diǎn),ok表示各聚類中心,ωj和ωk分別表示sj和ok對(duì)應(yīng)的噪聲。(2)在各個(gè)類中,依照順序,選出一個(gè)數(shù)據(jù)對(duì)象作為新的聚類中心,并計(jì)算出空間點(diǎn)s與兩個(gè)聚類中心的距離平方和之差(該差值代表消耗consume)。consume=dk(s,oi')-dk(s,oi)+2σ2(8)相對(duì)應(yīng)的,dk(s,oi')中的s∈ci',dk(s,oi)中的s∈ci,其中ci'表示新劃分的類和c,oi'表示原有的類和的中心點(diǎn),σ2代表噪聲方差。根據(jù)以下評(píng)判標(biāo)準(zhǔn),判斷圖像塊是否匹配成功;若consume<0,則將原始聚類中心oi替換為新的聚類中心oi′,返回重復(fù)步驟(2)中消耗consume的計(jì)算,直至計(jì)算出的消耗滿足consume>0;反之,聚類中心不再變換,則表示圖像塊匹配成功。步驟3:對(duì)匹配成功的相似圖像塊進(jìn)行奇異值分解,相似塊內(nèi)部進(jìn)行2dsvd,相似塊塊間用1dsvd,具體過(guò)程如下:(1)相似塊內(nèi)部進(jìn)行2dsvd通過(guò)上述操作得到了每組的相似塊圖像,由于相似塊內(nèi)部會(huì)存在冗余信息,所以需要先對(duì)相似塊的內(nèi)部用2dsvd進(jìn)行相關(guān)去除,最后再用1dsvd去除塊間冗余。給定一組相似圖像塊可以認(rèn)為是由不含噪聲的圖像塊a0與噪聲ωi構(gòu)成,需要計(jì)算出圖像塊的行和列的協(xié)方差矩陣,將投影到協(xié)方差矩陣對(duì)應(yīng)的特征矩陣,得到投影系數(shù)矩陣。的行-行協(xié)方差矩陣和列-列協(xié)方差矩陣如下:u2d和v2d分別為x和y對(duì)應(yīng)的特征矩陣,將投影到特征矩陣上,得到其中,w0是對(duì)角陣,a0投影得到的投影系數(shù)矩陣w0包含無(wú)噪圖像塊的全部信息,對(duì)對(duì)角元素進(jìn)行系數(shù)閾值收縮,可以提取出圖像塊中的無(wú)噪圖像信息。(2)相似塊塊間進(jìn)行1dsvd將二維數(shù)據(jù)和2dsvd投影后得到的變換系數(shù)進(jìn)行向量化,用1dsvd去除相似塊間的冗余,同理2dsvd處理過(guò)程,計(jì)算出協(xié)方差矩陣的特征矩陣v1d,將wω投影到v1d上,得到:經(jīng)過(guò)以上步驟處理,相似塊內(nèi)部與塊間的相關(guān)性已經(jīng)去除,可以將圖像塊中的噪聲進(jìn)行有效的去除。步驟4:根據(jù)以上步驟的結(jié)果,采用軟、硬折中法閾值收縮矩陣投影系數(shù),對(duì)收縮后的投影系數(shù)進(jìn)行1dsvd逆變換和2dsvd逆變換,并采用峰值信噪比來(lái)評(píng)價(jià)該方法的去噪效果。本發(fā)明采用軟、硬閾值折中法來(lái)對(duì)矩陣投影系數(shù)進(jìn)行收縮,采用如下公式:其中,λ的取值為0到1之間,當(dāng)λ=0時(shí),等同于硬閾值收縮法,當(dāng)λ=1時(shí),等同于軟閾值收縮法。該方法彌補(bǔ)了軟閾值與硬閾值收縮法的不足,可以達(dá)到較好的閾值收縮效果。通常將閾值t設(shè)置為t=2.7σ,對(duì)收縮后的投影系數(shù)進(jìn)行1dsvd逆變換和2dsvd逆變換,得到去噪后的相似圖像塊,分別對(duì)每一組分塊后的相似圖像塊進(jìn)行上述操作(即重復(fù)步驟4,對(duì)剩下的每一組相似塊進(jìn)行塊間和塊內(nèi)逆變換),就可以的得到該原始帶噪圖像去噪后的整副圖像。表1不同噪聲強(qiáng)度下的去噪算法比較(db)噪聲方差(σ)分塊svd分塊旋轉(zhuǎn)svd本發(fā)明方法534.315534.415434.42281029.702429.910230.32451527.821628.130828.92762026.513226.924927.80592525.937126.416527.54313025.322325.924927.3214采用峰值信噪比,通過(guò)對(duì)比分塊svd與分塊旋轉(zhuǎn)svd的去噪算法,可以看出,本發(fā)明所用的方法優(yōu)于以上兩種傳統(tǒng)去噪方法,在噪聲方差為25的情況下,本發(fā)明去噪算法比分塊svd算法提高了1.606db,比分塊旋轉(zhuǎn)svd算法提高了1.1266db,并且隨著噪聲方差的增大,本發(fā)明算法的去噪效果相比于其他svd算法存在很明顯的優(yōu)勢(shì)。當(dāng)前第1頁(yè)12
      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1