【技术实现步骤摘要】
非局部均值盲图像去噪方法、系统及装置
本专利技术涉及图像去噪
，尤其涉及一种非局部均值盲图像去噪方法、系统及装置。
技术介绍
在数字图像的采集、编码、传输和解码的过程中，或多或少都会受到不同噪声的干扰，其大多数实际噪声可近似为高斯加性白噪声，在很大程度上影响了图像的主观视觉质量。同时，噪声也是正确辨识图像信息的一个障碍，在对图像进行检测、识别、定位或者分割等操作之前，往往需要对噪声图像进行去噪处理以提供清晰、准确的高质量图像。近些年，非局部均值(Non-localMeans,NLM)图像去噪算法作为图像去噪领域的经典算法，其利用图像内容信息的冗余性和图像结构信息的自相似性，通过度量以待处理像素点为中心的图像邻域块与搜索区域内其余图像邻域块的相似程度，对具有相似邻域结构的像素点进行加权平均达到去噪的目的。非局部均值算法在去除噪声的同时，较好地保持了原始无失真图像的细节信息，但是非局部均值算法在实际应用中仍存在一些不足：(1)传统的非局部均值算法在对噪声图像进行去噪之前，往往需要人工预先设置相应的噪声水平(即高斯噪声等级)，然而在实际的应用场景中，往往无法提前获知噪声图像的高斯噪声等级，故需要一种针对未知噪声等级的图像进行噪声估计的方法。(2)同时，由于非局部均值算法在对图像邻域块进行相似性度量的过程中，需要在整幅噪声图像内进行搜索，导致其具有较高的时间复杂度，使其很难应用至实际的应用场景，故有必要研究一种提升算法执行效率的方法。因此，需要改进的快速非局部均值的盲图像去噪方案...
【技术保护点】
1.一种非局部均值盲图像去噪方法，其特征在于，所述方法包括以下步骤：/n根据待处理的噪声图像的像素均值获取所述待处理的噪声图像的高斯噪声等级，根据所述高斯噪声等级确定相应的滤波参数；/n基于所述滤波参数对所述噪声图像中每一待处理像素点进行去噪；/n计算所述噪声图像中所有像素点去噪后的像素值；/n根据所有像素点去噪后的像素值重构所述噪声图像。/n
【技术特征摘要】
1.一种非局部均值盲图像去噪方法，其特征在于，所述方法包括以下步骤：
根据待处理的噪声图像的像素均值获取所述待处理的噪声图像的高斯噪声等级，根据所述高斯噪声等级确定相应的滤波参数；
基于所述滤波参数对所述噪声图像中每一待处理像素点进行去噪；
计算所述噪声图像中所有像素点去噪后的像素值；
根据所有像素点去噪后的像素值重构所述噪声图像。
2.如权利要求1所述的方法，其特征在于，根据待处理的噪声图像的像素均值获取所述待处理的噪声图像的高斯噪声等级，根据所述高斯噪声等级确定相应的滤波参数，具体包括：
将所述噪声图像分成多个噪声图像子块；
求取每个所述噪声图像子块对应位置的像素均值；
基于所述像素均值计算每个所述噪声图像子块的协方差矩阵；
计算每个所述噪声图像子块的协方差矩阵的特征值，并将所述特征值由大至小排序以提取前r个特征值；
求解所有协方差矩阵特征值的均值τ；
根据所有协方差矩阵特征值的均值τ确定所述噪声图像的高斯噪声等级。
3.如权利要求2所述的方法，其特征在于，
其中，所述噪声图像的像素点坐标的取值区间为I＝[1,2,3,…,m]×[1,2,3,…,n]，m,n分别表示所述噪声图像的高度和宽度，单位为像素，且m,n为正整数；
所述设定窗口为d×d固定大小的固定窗口；
将所述噪声图像分成多个噪声图像子块，具体包括：
以所述噪声图像的左上角为起点，以所述噪声图像的右下角为终点，利用所述固定窗口有重叠地逐行遍历，将所述噪声图像划分为s个噪声图像子块yt，并将这些噪声图像子块yt转为d×d的一维列向量，以形成噪声图像子块集合其中，t表示图像子块的序号，以及s＝(m-d+1)×(n-d+1)。
4.如权利要求3所述的方法，其特征在于，
求取每个所述噪声图像子块对应位置的像素均值，具体包括：
根据下列像素均值公式计算每个所述噪声图像子块对应位置的像素值的均值μ：其中yt(i)表示图像子块t在像素点i处的像素值，其中μ表示各个图像子块对应位置的像素均值；
基于所述像素均值计算每个所述噪声图像子块的协方差矩阵，具体包括：
根据所述噪声图像子块的像素值的均值μ通过下列协方差矩阵公式计算每个所述噪声图像子块的协方差矩阵∑：其中，yt表示图像子块t中各个像素点的像素值，T表示转置符号；
计算每个所述噪声图像子块的协方差矩阵的特征值，并将所述特征值由大至小排序以提取前r个特征值，具体包括：
根据所述协方差矩阵∑，计算所述噪声图像子块的协方差矩阵的特征值，可得：
其中，R＝[A,W]，A表示l(l＜＜r)维的子空间，r的取值为d×d，W表示(r-l)×r的矩阵，λθ表示协方差矩阵∑的特征值，并简化可得：
由此，求解出协方差矩阵的特征值λθ(1≤θ≤r)，并由大至小排序：λ1≥λ2≥λ3≥…≥λr，其中λr表示提取的第r个特征值。
5.如权利要求4所述的方法，其特征在于，
通过索引序号k，遍历求解协方差矩阵特征值的均值τ：
判断所述τ是否与所述前r个特征值的中位数相等，若是，则估计所述噪声图像的高斯噪声等级
根据估计的所述高斯噪声等级设置非局部均值算法的滤波参数为其中，a是常数。
6.如权利要求1至5中任一项所述的方法，其特征在于，基于所述滤波参数对所述噪声图像中每一待处理像素点进行去噪，具体包括：
计算以每个所述待处理像素点为中心的邻域块和以邻域像素点为中心的邻域块之间的高斯加权欧式距离的平方和；
将所述高斯加权欧式距离的平方和转化为高斯核函数与欧式距离的卷积，并利用快速傅里叶变换进行优化；
根据优化后的所述高斯加权欧式距离的平方和以及所述滤波参数，计算以每个所述待处理像素点为中心的邻域块和以邻域像素点为中心的邻域块之间的相似程度，以对所述待处理像素点进行去噪。
7.如权利要求6所述的方法，其特征在于，
计算以每个所述待处理像素点为中心的邻域块和以邻域像素点为中心的邻域块之间的高斯加权欧式距离的平方和，具体包括：
通过下列公式计算以像素点i为中心的图像邻域块Yi和以像素点j为中心的图像邻域块Yj的所述高斯加权欧氏距离的平方和：
其中，P＝{(p1,p2)||p1|≤q,|p2|≤q}表示半径大小为q的图像邻域块的坐标范围，p＝(p1,p2)表示在图像邻域块中的偏移坐标，p1,p2分别对应高斯核函数中的坐标的值，Yi,Yj分别表示以i为中心的图像邻域块和以j为中心的图像邻域块，Y(i),Y(j)分别表示噪声图像第i个像素点和第j个像素点对应的像素值，Y(i-p),Y(j-p)分别表示噪声图像第(i-p)个像素点和第(j-p)个像素点对应的像素值，且Gα(p)为标准差为α的高斯核函数：
其中，α表示高斯核函数的标准差；
将所述高斯加权欧式距离的平方和转化为高斯核函数与欧式距离的卷积，并利用快速傅里叶变换进行优化，具体包括：
以像素点i为中心的图像邻域块Yi和以像素点j为中心的图像邻域块Yj的所述高斯加权欧氏距离的平方和d(i,j)如下式所示：
将所述高斯加权欧氏距离的平方和d(i,j)转化为高斯核函数与欧式距离的卷积，具体如下式所示：
其中，表示卷积计算，Δ(i)＝(Y(i-p)-Y(j-p))2；
将的卷积利用傅里叶正变换和傅里叶反变换来优化，具体如下式所示：
其中，F(·)是所述傅里叶正变换，F-1(·)是所述傅里叶反变换；
根据优化后的所述高斯加权欧式距离的平方和以及所述滤波参数，计算以每个所述待处理像素点为中心的邻域块和以邻域像素点为中心的邻域块之间的相似程度，以对所述待处理像素点进行去噪，具体包括：
根据图像邻域块Yi和图像邻域块Yj的高斯加权欧式距离的平方和d(i,j)，以及所述滤波参数h，计算以待处理像素点i和邻域像素点j为中心的相似邻域块的相似性权重wi,j，如下式所示：
其中，其中，a是常数，为估计的高斯噪声等级，d(i,j)为图像邻域块Yi和图像邻域块Yj的所述高斯加权欧氏距离的平方和，wi,j是度量以待处理像素点i和邻域像素点j为中心的所述相似邻域块的相似性的权重函数；
对所述待处理像素点进行去噪，具体包括：根据得到的权重wi,j以及每个待处理像素点本身的灰度值计算出非局部均值滤波后的每个待处理像素点的灰度值而完成去噪。
8.如权利要求1所述的方法，其特征在于，计算所述噪声图像中所有像素点去噪后的像素值，具体包括：
基于所述滤波参数，在所述搜索窗内对所述噪声图像中去噪后的所有像素点的像素值进行加权平均，得到去噪后图像在像素点i点的像素值其具体的数学表达式如下：
其中，wi,j是度量以待处理像素点i和邻域像素点j分别为中心的相似邻域块的相似性的权重函数，Si表示以i为中心的搜索窗或整幅图像，Y(j)是像素点(j1,j2)∈Si,j1≤m,j2≤n的像素值，m,n分别表示待处理的噪声图像的高度和宽度，单位为像素，Wi是归一化系数，h是所述滤波参数。
9.一种非局部均值盲图像去噪系统，其特征在于，包括：
获取模块，其用于根据待处理的噪声图像的像素均值获取所述待处理的噪声图像的高斯噪声等级，根据...
【专利技术属性】
技术研发人员：陈叶飞，王达君，梁俊文，
申请(专利权)人：上海云从汇临人工智能科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。