基于改进噪声估计的LRA-SVD自适应细节保留降噪算法制造技术

本发明专利技术公开了一种基于改进噪声估计的LRA

【技术实现步骤摘要】
基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法


[0001]本专利技术涉及图像处理
，更具体的说是涉及一种基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法。

技术介绍

[0002]常规基于滤波的降噪方法在消除噪声的同时也会导致亚表面缺陷高频信息丢失，如何在保持亚表面缺陷细节信息的同时尽可能多地去除噪声是暗场共焦图像处理需要解决的问题之一。
[0003]近年来，图像的非局部自相似性先验在降噪算法中得到了广泛的应用，以非局部理论和低秩理论为基础的低秩降噪算法，通过对图像中的相似块进行分组，组成图像块组矩阵；然后对每个组合矩阵进行奇异值分解，保留大数值奇异值对矩阵进行低秩逼近从而获得良好的降噪效果。然而，如何估计要保留的奇异值的数目或如何估计不含噪矩阵的秩是此类方法需要解决的问题。Guo等人提出的LRA
‑
SVD算法有效地解决了矩阵秩的合理估计问题，该方法利用SVD域内的最优能量压缩性质，通过硬阈值截断的方法保留大奇异值来实现矩阵的低秩估计。然而该方法依靠噪声先验，对噪声估计准确性要求较高，噪声偏差会导致秩的判断不准确，秩过低会造成细节丢失，秩过高会使噪声残留；并且该方法忽略了较大的奇异值上也存在噪声这一事实，采用硬阈值法将小数值奇异值全部舍去，导致一些分布在大奇异值向量空间的噪声信息残留，同时导致分布在较小奇异值向量空间的细节信息被舍弃，从而导致降噪后的图像丢失细节信息。
[0004]并且现有算法在迭代正则化降噪过程中由于采用与原始图像相同的噪声估计方法，导致对新组合含噪图像的噪声估计不准确，从而降低了迭代降噪结果的准确率，增加了算法的时间复杂度。
[0005]因此，如何提供一种能够克服上述缺陷的亚表面缺陷图像自适应细节保留降噪算法是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法，可以克服传统LRA
‑
SVD算法由于依靠噪声先验，对噪声估计准确性要求较高，噪声偏差会导致秩的判断不准确，秩过低会造成细节丢失，秩过高会使噪声残留的问题；并且可以克服由于LRA
‑
SVD方法忽略了较大的奇异值上也存在噪声这一事实，采用硬阈值法将小数值奇异值全部舍去，导致一些分布在大奇异值向量空间的噪声信息残留，同时导致分布在较小奇异值向量空间的细节信息被舍弃，从而导致降噪后的图像丢失细节信息的问题。本专利技术降低了对噪声估计算法的高精度要求，在实现自适应降噪减少噪声残留的同时可以最大程度地保留图像的细节信息，通过改进迭代降噪过程中的噪声估计算法，大幅度提高了计算效率，大大减少了计算开销，本专利技术用于暗场共焦亚表面缺陷图像降噪。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法，包括：
[0009]S1：获取原始亚表面缺陷图像，通过噪声估计算法对原始亚表面缺陷图像进行噪声估计；
[0010]S2：通过噪声估计值以及LRA
‑
SVD算法对原始亚表面缺陷图像进行降噪，获得初始去噪图像；
[0011]S3：将原始亚表面缺陷图像与初始去噪图像作差获取初始方法噪声图像；
[0012]S4：计算初始去噪图像与初始方法噪声图像之间的相关系数，判断相关系数是否大于预设阈值，若大于则进行S5迭代正则化降噪过程，若不大于则获得降噪后的亚表面缺陷图像；
[0013]S5：将初始方法噪声图像乘以比例系数加入至初始去噪图像中获取新含噪图像；利用噪声估计模型对新含噪图像进行噪声估计，利用噪声估计值和LRA
‑
SVD算法对新含噪图像进行降噪，获得新去噪图像；将新含噪图像与新去噪图像作差获取新方法噪声图像；计算新去噪图像与新方法噪声图像之间的相关系数，判断相关系数是否大于预设阈值，若大于则进行新一轮S5迭代正则化降噪过程，若不大于则获得降噪后的亚表面缺陷图像；
[0014]噪声估计模型为
[0015]其中，为第k+1次迭代的噪声估计值，为使用基于图像块聚类的噪声估计方法获得的第k+1次迭代的噪声估计值，为使用基于图像块聚类的噪声估计方法获得的原始含噪图像的噪声估计值，c为常数。
[0016]优选地，相关系数corrcoef计算公式为：
[0017][0018][0019]式中，Y表示原始亚表面缺陷图像，表示初始去噪图像。
[0020]优选地，新含噪图像获取方法为：
[0021][0022]式中，δ为比例系数，设置为0
‑
1之间的值，Y表示原始亚表面缺陷图像，k表示迭代次数，表示初始去噪图像。
[0023]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法，该算法首先利用噪声估计算法对需要降噪的图像进行噪声估计以减少盲目选择噪声方差带来的噪声残留或者细节丢失以及由于降噪结果不准确带来的高计算代价；通过计算方法噪声，并将方法噪声乘以一定的系数加入到去噪图像中形成新含噪图像，通过对新含噪图像进行迭代正则化降噪，可以进一步去除残留在大奇异值向量空间的噪声信息，并且可以将方法噪声中的细节信息恢复到降噪图像中避免图像细节丢失，从而提高算法的细节保留能力；通过在迭代正则化降噪步骤中利用改进的噪声估计算法对新含噪图像进行噪声估计，使每一次迭代降噪结果更加准确，从而减
少迭代次数，提高计算效率；通过将去噪图像与方法噪声之间的相关系数作为迭代停止准则，可以避免固定迭代次数引起的降噪效果下降，用以保证不同的含噪图像经过不同的迭代次数后可以获得最佳降噪效果。基于以上特征，本算法降低了对噪声估计算法的高精度要求，在实现自适应降噪减少噪声残留的同时可以最大程度地保留图像的细节信息，大幅度提高了计算效率，大大减少了计算开销。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0025]图1附图为本专利技术提供的一种基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法流程图。
[0026]图2、图3为使用在迭代正则化降噪过程中采用与原始图像相同噪声估计LRA
‑
SVD的自适应细节保留降噪算法和本专利技术算法所得到的降噪结果对比。
[0027]图4、5为使用在迭代正则化降噪过程中采用与原始图像相同噪声估计LRA
‑
SVD的自适应细节保留降噪算法和本专利技术算法所得到的方法噪声图像对比。
具体实施方式
[0028]下面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进噪声估计的LRA
‑
SVD自适应细节保留降噪算法，其特征在于，包括：S1：获取原始亚表面缺陷图像，通过基于图像块聚类的噪声估计算法对原始亚表面缺陷图像进行噪声估计；S2：通过噪声估计值以及LRA
‑
SVD算法对原始亚表面缺陷图像进行降噪，获得初始去噪图像；S3：将原始亚表面缺陷图像与初始去噪图像作差获取初始方法噪声图像；S4：计算初始去噪图像与初始方法噪声图像之间的相关系数，判断相关系数是否大于预设阈值，若大于则进行S5迭代正则化降噪过程，若不大于则获得降噪后的亚表面缺陷图像；S5：将初始方法噪声图像乘以比例系数加入至初始去噪图像中获取新含噪图像；利用噪声估计模型对新含噪图像进行噪声估计，利用噪声估计值和LRA
‑
SVD算法对新含噪图像进行降噪，获得新去噪图像；将新含噪图像与新去噪图像作差获取新方法噪声图像；计算新去噪图像与新方法噪声图像之间的相...

【专利技术属性】
技术研发人员：刘俭，刘婧，刘辰光，陈刚，
申请(专利权)人：江苏锐精光电研究院有限公司，
类型：发明
国别省市：