基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法技术

本发明专利技术揭示了一种基于帧平均及权值调整二阶盲识别的泊松‑高斯联合噪声图像序列分离降噪方法，包括如下步骤：S1、获取噪声图像序列；S2、将噪声图像序列分为n组，并预处理得到新的图像序列、作为算法的观测信号；S3、对图像序列进行中心化处理、得到去均值化的混合观测矩阵；S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵

【技术实现步骤摘要】
基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法
本专利技术涉及一种图像降噪方法，具体涉及一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，属于泊松-高斯联合噪声图像降噪领域。
技术介绍
在人们日常的工作和生活中，信息的传递主要以声音、图像及视频等方式进行传递，相较于其他两种形式，图像传递具有更好的直观性和稳定性，同时图像也能够携带和存储更多的信息，因此时至今日，图像仍然是信息传递的重要方式。近年来，伴随着社会科技的不断发展，人们对于信息的获取速率有了更高的需求，对于图像质量的要求也日益提高，图像质量越高，就意味着所获取的有效信息就越多。目前，图像的获取方式主要是通过照相机或者扫描仪等具有光学传感器的设备对物体进行拍摄，从而得到一个用于储存物体信息的二维数组，该二维数组中的数值就称为图片的像素值。我们所见到的每一张图像在成像和传输的过程中都难以避免地会被各式各样的噪声所污染而产生失真的情况，对图像质量产生较大的影响。对于大部分的数字成像器件而言，其主要的噪声类型被建模为泊松-高斯联合噪声。两者中泊松噪声部分是由于传感器中光子的不确定性所造成的干扰，该部分是信号依赖的；而高斯部分则代表一些信号无关噪声，比如热噪声。这正是因为上述噪声的存在会对之后的高层次图像处理环节如图像识别、图像分割等产生不利的影响，因此图像降噪处理就成为了图像处理过程中不可缺失的一个环节。但是传统的图像降噪方法在实际的应用过程中，存在着处理难度大、处理时间长、细节信息容易丢失等问题，使用效果一直无法达到预期。综上所述，如何在现有技术的基础上提出一种全新的图像降噪方法，以尽可能地在抑制或者消除图像噪声的同时保留原始图像的有效信息，克服现有技术中所存在的诸多缺陷，也就成为了本领域内技术人员共同的研究目标。
技术实现思路
鉴于现有技术存在上述缺陷，本专利技术的目的是提出一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，具体包括如下步骤：S1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列；S2、将噪声图像序列分为n组，采用帧平均法进行预处理、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号；S3、对图像序列中的n张预处理图像进行中心化处理、得到去均值化的混合观测矩阵；S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号、即降噪后的图像。优选地，所述S1包含如下步骤：使用成像设备在暗光条件下进行图像拍摄，图像拍摄过程中保证成像设备与成像目标二者位置的相对固定，得到N张相同成像条件下、大小相同、含泊松-高斯联合噪声污染的图像，并以此组成噪声图像序列。优选地，所述S2包含如下步骤：将初始含泊松-高斯联合噪声污染的噪声图像序列分为n组，使用多帧平均法进行降噪预处理，对每组图像序列分别加权求平均、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号。优选地，所述S3包含如下步骤：对采用多帧平均法所获得的图像序列数据进行中心化处理并混合；所述混合的方式为，假设一帧图像大小为M×N，将每张图像的像素值按从上至下、从左至右依次排列，生成一个新的一维行向量，将每帧图像的一维行向量按行排列，形成一个大小为n×(M×N)二维观测矩阵x(t)，x(t)由源信号矩阵和未知混合矩阵A组成。优选地，所述S4包含如下步骤：结合混合观测矩阵给出非零时延协方差矩阵、即Rx(T)＝ARs(τ)AT(1)在式(1)中，Rs(τ)为源信号时延协方差矩阵，Rx(τ)为观测矩阵的时延协方差矩阵，τ为非零时延。优选地，所述S5包含如下步骤：S51、建立代数准则式、即CWLS(A，λ)＝A[g，Q0(A)λ]TV[g-Q0(A)λ](2)在式(2)中，V为权值矩阵、其值为V＝{cov|g|}-1；随后采用非线性权值最小二乘法寻找一个酉矩阵将所有协方差矩阵近似联合对角化，使式(2)中的A和λ最小化；S52、引入变量θ代替A和λ，并令f(θ)＝Q0(A)λ，则由高斯迭代法将式(2)转换为在式(2)中，S53、代入其中θA＝vec{AT}，λ＝[λ1T，λ2T，...，λM-1T]T，将式(3)转换为在式(4)中，S54、将式(4)中的初始参数设置为θ0＝vec{In}，经过数次迭代后使式(4)收敛，求解权值矩阵V，最终将所分离的源信号估计为s(t)＝V-1x(t)。与现有技术相比，本专利技术的优点主要体现在以下几个方面：本专利技术所提出的一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，在抑制和消除图像噪声的同时尽可能地保留了图像中的有效信息，降低了算法整体的运行时间，使得算法的即时性和有效性得到了充分保障，具有运行时间短、效率高、图像细节保留完整等诸多优点。同时，本专利技术的方法还具有较强的可操作性，由于本专利技术的降噪效果与图像序列数目有关，因此可以通过改变初始图像序列N及分组数目n来获得最优的降噪效果与最短的算法运行时间，从而进一步提高了算法整体的灵活性、扩大了算法的应用范围。此外，本专利技术的方法还为其他相关问题提供了参考，具有十分广阔的应用前景，可以以此为依据进行拓展延伸，将其应用于泊松-高斯联合噪声图像降噪领域内的其他技术方案中。以下便结合实施例附图，对本专利技术的具体实施方式作进一步的详述，以使本专利技术技术方案更易于理解、掌握。附图说明图1为本专利技术的方法流程示意图。具体实施方式本专利技术揭示了一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，该方法主要降低了图像中的泊松-高斯联合噪声，同时算法运行时间短、效率高，图像细节保留更完整。本专利技术的方法整体思路如下：获取N张含泊松-高斯联合噪声污染图像序列；将噪声图像序列分为n组采用帧平均法预处理，得到n张预处理图像，成为新的图像序列，并作为算法的观测信号；对n张预处理图像序列进行中心化处理，得到去均值化混合观测矩阵；结合混合观测矩阵给出非零时延协方差矩阵；采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号，即降噪图像。以下便结合上述主要步骤的描述进一步细化本专利技术的技术方案，如图1所示，本专利技术的方法包括如下步骤：S1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列。具体而言，由于暗光条件下拍摄得到的图像其噪声分布符合泊松-高斯联合噪声模型，因此使用CCD等成像设备在暗光条件下进行图像拍摄，图像拍摄过程中保证成像设备与成像目标二者位置的相对固定，得到N张相同成像条件下、大小相同、含泊松-高斯联合噪声污染的图本文档来自技高网...

【技术保护点】
1.一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，包括如下步骤：/nS1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列；/nS2、将噪声图像序列分为n组，采用帧平均法进行预处理、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号；/nS3、对图像序列中的n张预处理图像进行中心化处理、得到去均值化的混合观测矩阵；/nS4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；/nS5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号、即降噪后的图像。/n

【技术特征摘要】
1.一种基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，包括如下步骤：
S1、获取包含N张含泊松-高斯联合噪声污染图像的噪声图像序列；
S2、将噪声图像序列分为n组，采用帧平均法进行预处理、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号；
S3、对图像序列中的n张预处理图像进行中心化处理、得到去均值化的混合观测矩阵；
S4、结合混合观测矩阵给出混合观测矩阵的非零时延协方差矩阵；
S5、采用非线性最小二乘法寻找酉矩阵近似联合对角化协方差矩阵，得到权值矩阵V，最终输出分离得到的独立信号、即降噪后的图像。


2.根据权利要求1所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S1包含如下步骤：使用成像设备在暗光条件下进行图像拍摄，图像拍摄过程中保证成像设备与成像目标二者位置的相对固定，得到N张相同成像条件下、大小相同、含泊松-高斯联合噪声污染的图像，并以此组成噪声图像序列。


3.根据权利要求2所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S2包含如下步骤：将初始含泊松-高斯联合噪声污染的噪声图像序列分为n组，使用多帧平均法进行降噪预处理，对每组图像序列分别加权求平均、得到n张预处理图像，并以所获取的预处理图像组成新的图像序列、作为算法的观测信号。


4.根据权利要求3所述的基于帧平均及权值调整二阶盲识别的泊松-高斯联合噪声图像序列分离降噪方法，其特征在于，所述S3包含如下步骤：对采用多帧平均法所获得的图像序列数据进行中心化处理并混合；...

【专利技术属性】
技术研发人员：喻春雨，李翰林，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32