基于超像素聚类和稀疏表示的图像去噪方法技术

本发明专利技术提出了一种基于超像素聚类和稀疏表示的图像去噪方法，用于解决现有图像去噪方法中存在的去噪图像峰值信噪比低和细节信息丢失的技术问题，实现步骤：1.输入一幅待去噪图像；2.对图像进行超像素分割和超像素聚类，得到多簇相似超像素；3.对每簇相似超像素分别进行图像块提取和字典训练；4.计算每个图像块在对应的字典下的稀疏系数；5.寻找每个图像块的相似图像块，并计算相似图像块的稀疏系数加权和；6.利用相似图像块的稀疏系数加权和，对每个图像块的稀疏分解过程进行约束，得到新稀疏系数；7.判断当前迭代次数是否大于最大迭代次数Λ，若是，执行步骤8，否则，迭代次数加1，执行步骤5；8.重构待去噪图像，得到去噪图像。

【技术实现步骤摘要】
基于超像素聚类和稀疏表示的图像去噪方法
本专利技术属于数字图像处理
，涉及一种图像去噪方法，特别涉及一种基于超像素聚类和稀疏表示的图像去噪方法，可应用于图像分类、目标识别、边缘检测等要求对图像进行去噪预处理的场合。
技术介绍
由于受到成像设备和成像环境的限制，数字图像在采集、转换或传输的过程中不可避免地受到噪声的污染。噪声的存在使得图像质量下降，并影响到后续图像处理。为了获得高质量的图像，就必须对图像进行去噪处理。因此，图像去噪在图像处理领域占据着重要的地位。随着国内外图像去噪技术不断发展，研究人员相继提出了许多图像去噪方法。目前图像去噪方法主要分为三类：空间域去噪方法，频率域去噪方法，稀疏变换域去噪方法。空间域去噪方法主要是利用局部窗口内像素灰度值的连续性来对当前像素点的灰度值进行调整，达到去噪的目的。该类去噪方法主要包括均值滤波，中值滤波、非局部均值滤波(non-localmeans,NLM)等，其中最经典的是NLM算法。NLM算法通过对相似图像块做加权平均来估计参考块的中心点，从而降低噪声，虽然NLM算法相比其它空间域去噪方法，取得了较好的去噪效果，但是峰值信噪比仍然较低，同时去噪后的图像边缘、纹理区域模糊。频率域去噪方法主要是将图像从空间域变换到频率域，再对频率域系数进行处理，最后将频率域系数反变换到空间域，得到去噪后的图像，该类去噪方法主要包括小波变换去噪方法和多尺度几何分析。小波变换去噪方法缺少方向选择性，不适宜表示图像边缘、轮廓等线性奇异性的结构特征，且过于依赖阈值的选择，导致其去噪效果差。多尺度几何分析缺乏灵活性，对不同的结构特征需要选择不同的变换，而一幅图像含有多种不同的结构。稀疏变换域去噪方法主要通过对含噪图像进行学习，得到能够反映图像特征的字典，然后利用得到的字典对图像进行重构，从而达到去噪的目的。这类去噪方法中比较经典的方法有K-SVD算法。K-SVD算法在提取的图像块中随机选取若干图像块作为训练样本，训练得到具有数据自适应性的字典，但由于随机选取若干图像块作为训练样本的操作忽视了图像的结构特征、边缘特征和纹理特征，导致得到的字典不能对图像的这些特征进行很好地描述，并且由于训练得到的字典存在噪声，导致稀疏分解得到的稀疏系数图像信息的描述不准确，最终导致去噪图像峰值信噪比较低，边缘、纹理等细节信息丢失，图像去噪效果差。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于超像素聚类和稀疏表示的图像去噪方法，用以解决现有图像去噪方法中存在的去噪图像峰值信噪比低和细节信息丢失的技术问题。为实现上述目的，本专利技术采取的技术方案包括如下步骤：步骤1，输入一幅含有标准方差为δ的高斯白噪声的图像In；步骤2，首先设定图像In的超像素数目为R，并对图像In进行超像素分割，得到超像素集合{SPi|i＝1,2,...,R}，其次定义一个空的相似矩阵S，计算超像素集合{SPi|i＝1,2,...,R}中每两个超像素之间的相似度，并将计算结果存储到相似矩阵S中，其中，i是超像素集合{SPi|i＝1,2,...,R}中超像素的序号，SPi是超像素集合{SPi|i＝1,2,...,R}中第i个超像素，i1和i2是超像素集合{SPi|i＝1,2,...,R}中任意两个超像素的序号，且i1＝1,2,...,R,i2＝1,2,...,R，i1≠i2，是超像素集合{SPi|i＝1,2,...,R}中第i1个超像素，是超像素集合{SPi|i＝1,2,...,R}中第i2个超像素；步骤3，设定类的个数为K，并利用相似矩阵S，对超像素集合{SPi|i＝1,2,...,R}中的超像素进行聚类，得到相似超像素集合{Crk|k＝1,2,...,K}，其中k是相似超像素集合{Crk|k＝1,2,...,K}中相似超像素的序号，Crk是相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素；步骤4，对相似超像素集合{Crk|k＝1,2,...,K}中每簇相似超像素分别进行重叠取块，得到K个图像块子集合，再以该K个图像块子集合中的每个图像块子集合为元素组成图像块子集集合{{Blkt|t＝1,2,...,Tk}|k＝1,2,...,K}，并将该K个图像块子集合进行合并，得到图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}，其中，{Blkt|t＝1,2,...,Tk}是图像块子集集合{{Blkt|t＝1,2,...,Tk}|k＝1,2,...,K}中第k个图像块子集合，t是从相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素Crk中提取的图像块的序号，Blkt是从相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素Crk中提取的第t个图像块，Tk是相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素Crk中提取的图像块的数目；步骤5，对图像块子集集合{{Blkt|t＝1,2,...,Tk}|k＝1,2,...,K}中的每个图像块子集合分别进行字典训练，得到字典集合{Dk|k＝1,2,...,K}，其中，Dk是字典集合{Dk|k＝1,2,...,K}中第k个字典；步骤6，设迭代变量为且初始化迭代变量为0，并利用字典集合{Dk|k＝1,2,...,K}，对图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中所有图像块进行稀疏分解，得到稀疏系数集合其中，表示第次迭代时图像块Blkt的稀疏系数；步骤7，设定选取相似图像块的数目L，为图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中的每个图像块选取L个相似图像块，并计算图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中每个图像块的L个相似图像块的稀疏系数加权和，得到加权稀疏系数集合其中，表示第次迭代时图像块Blkt的L个相似图像块的稀疏系数加权和，选取相似图像块和计算图像块对应的稀疏系数加权和的实现步骤如下：步骤7a，计算图像块子集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中图像块Blkt与图像块子集合{Blkt|t＝1,2,...,Tk}中除图像块Blkt以外的其它图像块之间的相似度，再对得到的相似度按从大到小的顺序进行排序，从图像块子集合{Blkt|t＝1,2,...,Tk}中选取前L个相似度对应的图像块作为图像块Blkt的相似图像块，并对图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中除图像块Blkt以外的其它图像块进行相同的操作，得到相似度集合和相似图像块集合其中，l表示与图像块Blkt相似的L个图像块中任意图像块的序号，表示与图像块Blkt第l相似的图像块，表示图像块Blkt和图像块之间的相似度；步骤7b，利用相似度集合和稀疏系数集合计算图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中每个图像块的相似图像块的稀疏系数加权和，得到加权稀疏系数集合步骤8，利用加权稀疏系数集合对图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中每个图像块的稀疏分解过程进行约束，得到每个图像块的新稀疏系数，并利用得到的新稀疏系数对稀疏本文档来自技高网...

【技术保护点】
一种基于超像素聚类和稀疏表示的图像去噪方法，其特征在于，包括如下步骤：(1)输入一幅含有标准方差为δ的高斯白噪声的图像I

【技术特征摘要】
1.一种基于超像素聚类和稀疏表示的图像去噪方法，其特征在于，包括如下步骤：(1)输入一幅含有标准方差为δ的高斯白噪声的图像In；(2)首先设定图像In的超像素数目为R，并对图像In进行超像素分割，得到超像素集合{SPi|i＝1,2,...,R}，其次定义一个空的相似矩阵S，计算超像素集合{SPi|i＝1,2,...,R}中每两个超像素之间的相似度，并将计算结果存储到相似矩阵S中，其中，i是超像素集合{SPi|i＝1,2,...,R}中超像素的序号，SPi是超像素集合{SPi|i＝1,2,...,R}中第i个超像素，i1和i2是超像素集合{SPi|i＝1,2,...,R}中任意两个超像素的序号，且i1＝1,2,...,R,i2＝1,2,...,R，i1≠i2，是超像素集合{SPi|i＝1,2,...,R}中第i1个超像素，是超像素集合{SPi|i＝1,2,...,R}中第i2个超像素；(3)设定类的个数为K，并利用相似矩阵S，对超像素集合{SPi|i＝1,2,...,R}中的超像素进行聚类，得到相似超像素集合{Crk|k＝1,2,...,K}，其中k是相似超像素集合{Crk|k＝1,2,...,K}中相似超像素的序号，Crk是相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素；(4)对相似超像素集合{Crk|k＝1,2,...,K}中每簇相似超像素分别进行重叠取块，得到K个图像块子集合，再以该K个图像块子集合中的每个图像块子集合为元素组成图像块子集集合{{Blkt|t＝1,2,...,Tk}|k＝1,2,...,K}，并将该K个图像块子集合进行合并，得到图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}，其中，{Blkt|t＝1,2,...,Tk}是图像块子集集合{{Blkt|t＝1,2,...,Tk}|k＝1,2,...,K}中第k个图像块子集合，t是从相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素Crk中提取的图像块的序号，Blkt是从相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素Crk中提取的第t个图像块，Tk是相似超像素集合{Crk|k＝1,2,...,K}中第k簇相似超像素Crk中提取的图像块的数目；(5)对图像块子集集合{{Blkt|t＝1,2,...,Tk}|k＝1,2,...,K}中的每个图像块子集合分别进行字典训练，得到字典集合{Dk|k＝1,2,...,K}，其中，Dk是字典集合{Dk|k＝1,2,...,K}中第k个字典；(6)设迭代变量为且初始化迭代变量为0，并利用字典集合{Dk|k＝1,2,...,K}，对图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中所有图像块进行稀疏分解，得到稀疏系数集合其中，表示第次迭代时图像块Blkt的稀疏系数；(7)设定选取相似图像块的数目L，为图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中的每个图像块选取L个相似图像块，并计算图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中每个图像块的L个相似图像块的稀疏系数加权和，得到加权稀疏系数集合其中，表示第次迭代时图像块Blkt的L个相似图像块的稀疏系数加权和，选取相似图像块和计算图像块对应的稀疏系数加权和的实现步骤如下：(7a)计算图像块子集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中图像块Blkt与图像块子集合{Blkt|t＝1,2,...,Tk}中除图像块Blkt以外的其它图像块之间的相似度，再对得到的相似度按从大到小的顺序进行排序，从图像块子集合{Blkt|t＝1,2,...,Tk}中选取前L个相似度对应的图像块作为图像块Blkt的相似图像块，并对图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中除图像块Blkt以外的其它图像块进行相同的操作，得到相似度集合和相似图像块集合其中，l表示与图像块Blkt相似的L个图像块中任意图像块的序号，表示与图像块Blkt第l相似的图像块，表示图像块Blkt和图像块之间的相似度；(7b)利用相似度集合和稀疏系数集合计算图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中每个图像块的相似图像块的稀疏系数加权和，得到加权稀疏系数集合(8)利用加权稀疏系数集合对图像块集合{Blkt|k＝1,2,...,K；t＝1,2,...,Tk}中每个图像块的稀疏分解过程进行约束，得到每个图像块的新稀疏系数，并利用得到的新稀疏系数对稀疏系数集合进行更新，得到新稀疏系数集合其中，对图像块的稀疏分解过程进行约束的公式为：其中，ykt表示将图像块Blkt的灰度值矩阵进行列化得到的灰度值向量，γ是用以平衡图像块Blkt重构误差和稀疏度的归一化参数；(9)设定迭代变量阈值Λ，并判断迭代变量是否大于迭代变量阈值Λ，若是，停止更新稀疏系数集合，并将第Λ次迭代得到的稀疏系数集合作为最终的稀疏系数集合，否则迭代变量自增1，并执行步骤(7)，其中，表示第Λ次迭代时图像块Blkt的稀疏系数；(10)利用字典集合{Dk|k＝1,2...,K}和稀疏系数集合对图像In进行重构，得到去噪后的图像Ic。2.根据权利要求1所述的基于超像素聚类和稀疏表示的图像去噪方法，其特征在于，步骤(2)中所述的对图像In进行超像素分割，采用简单线性迭代聚类算法。3.根据权利要求1所述的基于超像素聚类和稀疏表示的图像去噪方法，其特征在于，步骤(2)中所述的计算超像素集合{SPi|i＝1,2,...,R}中每两个超像素之间的相似度并将计算结果存储到相似矩阵S中，实现步骤为：(2a)计算超像素集合{SPi|i＝1,2,...,R}中每个超像素的特征向量，得到超像素特征向量集合{ui|i＝1,2,...,R}，计算公式为：其中，ui是超像素特征向量集合{ui|i＝1,2,...,R}中的第i个特征向量，Γi是超像素SPi中包含的像素点的数目，j表示超像素SPi中像素点的序号，且j＝1,2,...,Γi,fj表示超像素SPi中第j个像素点的特征向量，且fj＝[g,IX,IY,IXX,IYY,β×x,β×y]T，g表示超像素SPi中第j个像素点的灰度值，IX,IY,IXX,IYY分别表示超像素SPi中第j个像素点在X轴方向和Y轴方向的一阶导数与二阶导数；x和y分别表示超像素SPi中第j个像素点在X轴方向的坐标值与Y轴方向的坐标值，β是位置特征与其它特征之间的平衡因子，其取值范围是(0,1]；(2b)计算超像素集合{SPi|i＝1,2,...,R}中每个超像素的协方差矩阵，得到协方差矩阵集合{Mi|i＝1,2,...,R}，计算公式为：其中，Mi是超像素SPi的协方差矩阵，a和b分别是协方差矩阵Mi中元素的行号和列序号，Mi(a,b)是矩阵Mi中第a行第b列的元素，且a＝1,2,...,7，b＝1,2,...,7,a′和b′是超像素SPi中第j个像素点的特征向量fj中两个元素的序号，且a′＝a，b′＝b，fj(a′)是超像素SPi中第j个像素点的特征向量fj中序号为a′的元素，fj(b′)是超像素SPi中第j个像素点的特征向量fj中序号为b′的元素，a″和b″是超像素特征向量集合{ui|i＝1,2,...,R}中的第i个特征向量中两个元素的序号,且a″＝a′＝a，b″＝b′＝b，ui(a″)是超像素特征向量集合{ui|i＝1,2,...,R}中的第i个特征向量中序号为a″的元素，ui(b″)是超像素特征向量集合{ui|i＝1,2,...,R}中的第i个特征向量中序号为b″的元素；(2c)计算超像素集合{SPi|i＝1,2,...,R}中任意两个超像素之间的相似度得到超像素相似度集合计算公式为：其中，i1和i2是超像素集合{SPi|i＝1,2,...,R}中任意两个超像素的序号，且i1＝1,2,...,R，i2＝1,2,...,R，i1≠i2，是超像素集合{SPi|i＝1,2,...,R}中序号等于i1的超像素...

【专利技术属性】
技术研发人员：王海，肖雪，赵伟，刘岩，秦红波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61