本發(fā)明屬于數(shù)字圖像處理領(lǐng)域，具體涉及分塊雙邊全變分正則化圖像噪聲消除方法，可用于數(shù)字圖像的預(yù)處理過程。

背景技術(shù)：

數(shù)字圖像在獲取和傳輸過程中，因受到電路自身和外界噪聲源的干擾，不可避免地出現(xiàn)降質(zhì)，從而嚴(yán)重影響到后續(xù)的特征提取與分析等處理。

圖像去噪需要兼顧噪聲的抑制和圖像原始信息的保留兩個方面。針對圖像去噪問題，該領(lǐng)域的研究者進(jìn)行了大量的探索和研究，提出了大量基于數(shù)字信號處理技術(shù)的噪聲抑制方法。

現(xiàn)存的圖像噪聲抑制方法主要有空間域噪聲抑制方法和變換域噪聲抑制方法?？臻g域方法直接對像素輸出進(jìn)行處理，易于硬件實現(xiàn)，而獲得廣泛應(yīng)用。傳統(tǒng)的空域平均濾波法、中值濾波法、高斯濾波法、雙邊濾波法等，在濾除噪聲的同時也會對圖像邊緣進(jìn)行不同程度的平滑，fasiu等人將邊緣保持特性較好的全變分模型與雙邊濾波模型結(jié)合構(gòu)建出雙邊全變分先驗約束，取得了更好的去噪效果，輸出圖像具有更加銳利的邊緣(sinafarsiu,m.dirkrobinson,michaeleladetal.,fastandrobustmultiframesuperresolution,ieeetransactionsonimageprocessing,vol.13,no.10,2004,pp.1327-1344.)。但該方法中濾波權(quán)重僅涉及空間距離相似度，而忽略了亮度距離相似度，且濾波權(quán)重仍由單個像素亮度值決定，在對原圖像局部結(jié)構(gòu)特征的保持上，還有待提高。

綜上前述，尋求一種在去噪同時保留更多的圖像結(jié)構(gòu)、細(xì)節(jié)信息的噪聲消除方法顯得尤為重要。

技術(shù)實現(xiàn)要素：

發(fā)明目的：本發(fā)明針對上述現(xiàn)有技術(shù)存在的問題做出改進(jìn)，即本發(fā)明的目的在于將基于塊的雙邊濾波與全變分模型相結(jié)合，構(gòu)建基于圖像結(jié)構(gòu)相似性的先驗約束，在此基礎(chǔ)上，提出一種新穎的分塊雙邊全變分正則化噪聲消除方法，以保留更多的圖像結(jié)構(gòu)信息，獲得更高的信噪比。

技術(shù)方案：分塊雙邊全變分正則化圖像噪聲消除方法，其用分塊鄰域相似度權(quán)取代傳統(tǒng)雙邊濾波中的像素亮度距離權(quán)，構(gòu)建分塊雙邊全變分正則化項，并作為先驗約束加入迭代回歸估計過程中。

分塊雙邊全變分正則化圖像噪聲消除方法，包括以下步驟：

(1)獲取污染圖像x0，并用污染圖像x0初始化第1次迭代的去噪圖像然后進(jìn)入步驟(2)；

(2)計算第t次迭代去噪圖像的分塊雙邊結(jié)構(gòu)相似距離矩陣dwt，然后進(jìn)入步驟(3)，其中t≥1,且t為正整數(shù)；

(3)構(gòu)建第t次迭代去噪圖像的分塊雙邊全變分正則項然后進(jìn)入步驟(4)；

(4)構(gòu)建由保真項和分塊雙邊全變分正則項組成的能量泛函et，進(jìn)入步驟(5)；

(5)采用最陡下降法求解能量泛函et的最小化問題，獲得第t+1次迭代的去噪圖像進(jìn)入步驟(6)；

(6)判斷最陡下降法求解能量泛函et的最小化問題的迭代次數(shù)是否小于最大迭代次數(shù)n，如果迭代次數(shù)小于最大迭代次數(shù)n，令t＝t+1并進(jìn)入步驟(2)；否則，輸出第t+1次迭代的去噪圖像結(jié)束本次操作。

進(jìn)一步地，步驟(2)中計算第t次迭代去噪圖像的分塊雙邊結(jié)構(gòu)相似距離矩陣dwt的公式如下：

其中，為3×3矩陣；

表示卷積運(yùn)算；

為第t次迭代去噪圖像的移位差分矩陣的l1范數(shù)，其按如下公式計算：

其中，代表將第t次迭代去噪圖像沿x軸方向平移l個像素的矩陣算子；

代表將第t次迭代去噪圖像沿y軸方向平移m個像素的矩陣算子；

||·||1表示l1范數(shù)。

進(jìn)一步地，步驟(3)中構(gòu)建的分塊雙邊全變分正則項按如下公式計算：

其中：

α^|m|+|l|為空間距離權(quán)；

為分塊亮度距離權(quán)；

dt為高斯平滑參數(shù)；

p為移位半徑。

進(jìn)一步地，步驟(4)中構(gòu)建由保真項和分塊雙邊全變分正則項組成的能量泛函et，按如下公式計算：

其中，λ為規(guī)整參數(shù)；

表示l2范數(shù)。

進(jìn)一步地，步驟(5)中采用最陡下降法求解能量泛函et最小化問題，計算第t+1次迭代的去噪圖像按如下公式計算：

其中，δt為迭代步長；

為分塊雙邊全變分正則項對第t次迭代去噪圖像的導(dǎo)數(shù)，按如下公式計算：

其中，為第t次迭代去噪圖像的移位差分矩陣的l1范數(shù)對第t次迭代去噪圖像的導(dǎo)數(shù)，按如下公式計算：

其中：

sign(·)代表符號函數(shù)。

有益效果：本發(fā)明公開的分塊雙邊全變分正則化圖像噪聲消除方法與現(xiàn)有技術(shù)相比，具有以下優(yōu)點：

本發(fā)明的方法在能量泛函中引入分塊雙邊全變分正則項，與現(xiàn)有的雙邊全變分正則項圖像去噪方法相比，充分利用了圖像分塊鄰域的相似信息，可以在獲得良好的去噪效果的同時，保留更多的圖像細(xì)節(jié)信息。

附圖說明

圖1是本發(fā)明公開的分塊雙邊全變分正則化圖像噪聲消除方法的流程圖。

具體實施方式：

下面對本發(fā)明的具體實施方式詳細(xì)說明。

參照圖1，本發(fā)明的分塊雙邊全變分正則化圖像噪聲消除方法，將分塊雙邊全變分正則化引入數(shù)字圖像消除中，具體包括如下步驟：

(1)獲取污染圖像x0，并用污染圖像x0初始化第1次迭代的去噪圖像然后進(jìn)入步驟(2)；

(2)計算第t次迭代去噪圖像的分塊雙邊結(jié)構(gòu)相似距離矩陣dwt，然后進(jìn)入步驟(3)，其中t≥1,且t為正整數(shù)；

(3)構(gòu)建第t次迭代去噪圖像的分塊雙邊全變分正則項然后進(jìn)入步驟(4)；

(4)構(gòu)建由保真項和分塊雙邊全變分正則項組成的能量泛函et，進(jìn)入步驟(5)；

(5)采用最陡下降法求解能量泛函et的最小化問題，獲得第t+1次迭代的去噪圖像進(jìn)入步驟(6)；

(6)判斷最陡下降法求解能量泛函et的最小化問題的迭代次數(shù)是否小于最大迭代次數(shù)n，如果迭代次數(shù)小于最大迭代次數(shù)n，令t＝t+1并進(jìn)入步驟(2)；否則，輸出第t+1次迭代的去噪圖像結(jié)束本次操作。

進(jìn)一步地，步驟(2)中計算第t次迭代去噪圖像的分塊雙邊結(jié)構(gòu)相似距離矩陣dwt的公式如下：

其中，為3×3矩陣；

表示卷積運(yùn)算；

為第t次迭代去噪圖像的移位差分矩陣的l1范數(shù)，其按如下公式計算：

其中，代表將第t次迭代去噪圖像沿x軸方向平移l個像素的矩陣算子；

代表將第t次迭代去噪圖像沿y軸方向平移m個像素的矩陣算子；

||·||1表示l1范數(shù)。

進(jìn)一步地，步驟(3)中構(gòu)建的分塊雙邊全變分正則項按如下公式計算：

其中：

α^|m|+|l|為空間距離權(quán)，取值為α＝0.635；

為分塊亮度距離權(quán)；

dt為高斯平滑參數(shù)，取值為dt＝1050；

p為移位半徑，取值為p＝2。

進(jìn)一步地，步驟(4)中構(gòu)建由保真項和分塊雙邊全變分正則項組成的能量泛函et，按如下公式計算：

其中，λ為規(guī)整參數(shù)，取值為0.05＜λ＜0.2；

表示l2范數(shù)。

進(jìn)一步地，步驟(5)中采用最陡下降法求解能量泛函et最小化問題，計算第t+1次迭代的去噪圖像按如下公式計算：

其中，δt為迭代步長，取值為0.3＜δt＜1.0；

為分塊雙邊全變分正則項對第t次迭代去噪圖像的導(dǎo)數(shù)，按如下公式計算：

其中，為第t次迭代去噪圖像的移位差分矩陣的l1范數(shù)對第t次迭代去噪圖像的導(dǎo)數(shù)，按如下公式計算：

其中：

sign(·)代表符號函數(shù)。

下面，分別采用峰值信噪比(psnr)和結(jié)構(gòu)相似度(ssim)來量化對照評估本發(fā)明提出的分塊雙邊全變分正則化圖像噪聲消除方法與現(xiàn)有全變分方法以及雙邊全變分方法的性能。

(1)、峰值信噪比

峰值信噪比psnr的數(shù)學(xué)表達(dá)式為：

其中：

i(i,j)為未受噪聲污染圖像坐標(biāo)(i,j)處的像素值；

i0(i,j)為校正后圖像坐標(biāo)(i,j)處的像素值；

m為圖像的長度；

n為圖像的寬度；

psnr取值越大表明對噪聲抑制越好。

(2)、結(jié)構(gòu)相似度

結(jié)構(gòu)相似度ssim的數(shù)學(xué)表達(dá)式為：

ssim(x,y)＝[i(x,y)]^α·[c(x,y)]^β·[s(x,y)]^γ，其中：

亮度比較項μx和μy分別表示未受噪聲污染圖像x和校正后圖像y的所有像素點像素值的均值，c1為常數(shù)；

α為亮度比較項指數(shù)；

對比度比較項σx和σy分別表示未受噪聲污染圖像x和校正后圖像y的方差，c2為常數(shù)；

β為對比度比較項指數(shù)；

結(jié)構(gòu)比較項σxy為未受噪聲污染圖像x和校正后圖像y的協(xié)方差，c3為常數(shù)，γ為結(jié)構(gòu)比較項指數(shù)。

ssim取值越大說明校正后圖像與原始場景結(jié)構(gòu)相似度越高，細(xì)節(jié)保持能力越好。

分別采用全變分方法、雙邊全變分方法和本發(fā)明方法對帶有均值為0，方差為25的高斯白噪聲的標(biāo)準(zhǔn)測試圖像barbara進(jìn)行100次迭代去噪。

對比測試的實驗結(jié)果見表1。

表1對比測試結(jié)果的量化參數(shù)對比表

由表1可見：

(1)經(jīng)本發(fā)明提出的方法去噪后的圖像的峰值信噪比(psnr)明顯高于全變分法和雙邊全變分法的結(jié)果，說明經(jīng)本發(fā)明方法去噪后的圖像殘留噪聲更小。

(2)經(jīng)本發(fā)明提出的方法去噪后的圖像的結(jié)構(gòu)相似性系數(shù)(ssim)明顯高于全變分法和雙邊全變分法的結(jié)果，說明經(jīng)本發(fā)明方法去噪后的圖像保留了原始場景更多的結(jié)構(gòu)信息。

上述結(jié)果充分說明了，本發(fā)明的方法去噪效果更好，保留了原始場景更多的結(jié)構(gòu)信息，具有更好的去噪性能和結(jié)構(gòu)保持特性。

綜上，本發(fā)明所提出的分塊雙邊全變分正則化圖像噪聲去除方法可在有效去除噪聲的同時更大限度地保留原始圖像的邊緣和細(xì)節(jié)等結(jié)構(gòu)信息。

上面對本發(fā)明的實施方式做了詳細(xì)說明。但是本發(fā)明并不限于上述實施方式，在所屬技術(shù)領(lǐng)域普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。