基于ｓｈｅａｒｌｅｔ域非局部均值的自然图像去噪方法技术

本发明专利技术公开了一种基于ｓｈｅａｒｌｅｔ域非局部均值的图像去噪方法，主要解决现有的非局部均值方法对被高噪声腐蚀的自然图像去噪效果不佳的问题。其实现步骤为：输入一幅测试图像，加入噪声标准差为５０的高斯白噪声；利用拉普拉斯金字塔方法将图像分解为３层，第一层采用非局部均值方法进行去噪处理，第二、第三层先利用ｓｈｅａｒｌｅｔ方向滤波器组分别分解成四组ｓｈｅａｒｌｅｔ系数，再对每组ｓｈｅａｒｌｅｔ系数进行β值的估计，之后，对各组ｓｈｅａｒｌｅｔ系数进行广义高斯模型下的非局部均值方法的去噪处理；对去噪结果进行重构，得到最终去噪结果。本发明专利技术具有对高噪声腐蚀的自然图像去噪效果好的优点，能恢复出图像原有的特征，可用于变化检测，目标识别时对图像的预处理。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及高噪声情况下自然图像的去噪，可用于开展 森林资源调查、土地利用、覆盖变化研究、环境灾害评估、城市规划、国防军情监控、医学影 像和天文学影像等领域图像处理中经常会用到的预处理技术。
技术介绍
计算机科学技术的迅猛发展对数字图像处理领域产生了巨大的影响，图像去噪 作为图像处理领域的一个重要分支，处理时最基本的方法就是将噪声图像估计成v(i)= u(i)+n(i),v(i)表示噪声图像，u (i)表示原始图像，而η (i)表示噪声，处理图像的目的就 是去除n(i)，尽可能准确的估计出u(i)，图像去噪，无外乎于空域和频域两个大的方向，但 无论是在空域，还是在频域进行去噪，在各种方法中，都是基于“局部平滑”这种思想，但是 这种思想无论是在频域，还是在空域，最后都会使图像丢失很多细节信息，为了克服这种思 想的缺点，有人提出了非局部均值的思想，非局部均值的方法能够尽可能充分的利用整幅 图像中的相似信息，从而估计出待估计的点的信息，但是非局部均值方法在提出时只是应 用于空域；而且随着图像噪声的增加，整幅图像的相关信息遭到了噪声的破坏，使得非局部 均值方法很难有效地利用图像中的相似信息。Shearlet变换，作为第三代小波变换中的一种，已经广泛的应用于图像去噪，它克 服了小波变换在对图像进行处理时，因为方向性的缺失，不能很好的逼近图像的很多细节 特征，使得图像的去噪结果在视觉上比较模糊，有比较严重的划痕现象，造成图像去噪效果差。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于shearlet域非局部 均值的自然图像去噪方法，以克服现有方法在高噪声情况下对自然图像在视觉上比较模 糊，有比较严重的划痕现象的问题，提高去噪效果。为实现上述目的，本专利技术包括以下步骤(1)选取测试图像，对其加入标准差为50的高斯白噪声；(2)对加入标准差为50的高斯白噪声的测试图像进行拉普拉斯金字塔分解，将测 试图像分解为三层，其中对第二层与第三层再分别应用shearlet基函数产生的shearlet 滤波器组进行方向滤波，即将shearlet滤波器组的滤波器个数指定为四个，分别得到四组 shearlet系数；对第一层执行步骤(5)；(3)对第二层得到的四组shearlet系数与第三层得到的四组shearlet系数按如 下步骤进行方向参数β的估计cr3a)将β的取值范围取为0到4，递增幅度a取为0.001，将c定义为^jj’其中s为shearlet系数的标准差，^ 为shearlet系数的绝对值的期望，将d定义为 其中ρ ( ·)表示伽马函数，将c与d的误差参数b取为0. 001 ； 3b)对β从0开始进行递增幅度为a的递增处理，当c与d的差小于误差参数b 时，结束迭代过程，得到递增幅度a的迭代次数11，3与η的乘积即为β的参数结果；(4)方向参数β确定后，采用基于广义高斯模型的非局部均值方法对第二层与第 三层得到的各组shearlet系数进行去噪处理；(5)对第一层得到的图像分量采用非局部均值方法进行去噪处理；(6)对步骤(4)与步骤(5)得到的去噪结果进行shearlet逆变换，得到测试图像 的重构结果图。本专利技术与现有的技术相比具有以下优点a、本专利技术由于将自然图像进行了 shearlet三层分解，对分解得到的各组系数进 行了非局部均值方法的去噪，克服了现有的非局部均值方法不能应用于变换域的不足。b、本专利技术由于将β取值范围确定为0到4，再从0开始进行迭代搜索β值，克服 了现有技术对于β的求解效率过低的不足。仿真实验结果表明，本专利技术提出的基于shearlet域的非局部均值方法能有效地 应用于被噪声标准差为50的噪声腐蚀的自然图像的去噪处理。附图说明图1是本专利技术的实现流程图；图2是本专利技术的实验测试图；图3是本专利技术与现有的非局部均值自然图像去噪方法在噪声标准差为50时的实 验对比结果。具体实施例方式参照图1，本专利技术的实现步骤如下步骤1，选取测试图像，对其加入标准差为50的高斯白噪声。步骤2，对加入标准差为50的高斯白噪声的测试图像进行拉普拉斯金字塔分 解，将测试图像分解为三层，其中对第二层与第三层再分别应用shearlet基函数产生的 shearlet滤波器组进行方向滤波，即将shearlet滤波器组的滤波器个数指定为四个，分别 得到四组shearlet系数；对第一层执行步骤5。步骤2中所述的shearlet基函数，具体公式如下 如果 ωΕ为shearlet系数的绝对值的期望，将d定义为 ，其中Γ (·)表示伽马函数，将c与d的误差参数b取为0. OOL3b)对β从0开始进行递增幅度为a的递增处理，当c与d的差小于误差参数b 时，结束迭代过程，得到递增幅度a的迭代次数11，3与η的乘积即为β的参数结果。步骤4，参数β确定后，采用基于广义高斯模型的非局部均值方法对第二层与第 三层得到的各组shearlet系数进行去噪处理。4a)计算尺度函数α 4)其中L表示一组shearlet系数中的系数个数，Xi表示各个shearlet系数的值； 4b)将α、β值代入下式 在公式5)、6)中，OJlGl, Jl)表示两个shearlet系数之间的相似度，Z1 (Z1)是对相似度的归一化处理，h表示控制幂函数衰减的参数，在对第二层shearlet系数进行去噪 时，h取I. 5，在对第三层shearlet进行去噪时，h取噪声标准差取值的十分之一，Il^ Jl表示shearIet系数点，ν )表示以i！为中心的7 X 7的滑窗，ν)表示以ji为中心的7 X 7的滑窗；4c)将ω丨(“，Jl)代入到下式7) 在公式7)中，NL(V)1G1)表示采用广义高斯模型非局部均值方法估计出的 shearlet系数的值，V1(J1)表示待去噪的shearlet系数的值，I1表示shearlet系数的搜 索窗，大小为21X21。步骤5，对第一层得到的图像分量采用非局部均值方法进行去噪处理。5a)计算第一层图像分量之间的相似度《2(i2，j2) 其中 在公式8)、9)中，Z2(i2)是对相似度的归一化处理，h表示控制幂函数衰减的参数， 在对第一层图像分量进行去噪时，h取噪声标准差的取值大小，i2、j2表示第一层图像分量的像素点，—义)表示以i2为中心的7X7的滑窗，“ 2)表示以j2为中心的7X7的滑窗；5b)将 ω2( 2, j2)代入到下式 10)在公式10)中，NL(V)2(I2)表示非局部均值方法估计出的图像分量的像素值， u2(j2)表示待去噪的图像分量的像素值，I2表示第一层图像分量中的搜索窗，大小为 21X21。步骤6，对步骤(4)与步骤(5)得到的去噪结果进行shearlet逆变换，得到测试图 像的重构结果图。6a)将第三层的四组shearlet系数去噪结果进行叠加，得到第三层图像分量的去 噪结果；6b)将第二层的四组shearlet系数去噪结果进行叠加，得到第二层图像分量的去 噪结果；6c)利用拉普拉斯金字塔的重构方法对第一层、第二层、第三层图像分量的去噪结 果进行重构，得到重构结果图。本专利技术的效果可以通过以下两张测试图像的测试结果进一步说明1、实验条件本专利技术采用如图2所述的原始无噪声图像，作为实验结本文档来自技高网...

【技术保护点】
一种基于ｓｈｅａｒｌｅｔ域非局部均值的自然图像去噪方法，包括如下步骤：（１）选取测试图像，对其加入标准差为５０的高斯白噪声；（２）对加入标准差为５０的高斯白噪声的测试图像进行拉普拉斯金字塔分解，将测试图像分解为三层，其中对第二层与第三层再分别应用ｓｈｅａｒｌｅｔ基函数产生的ｓｈｅａｒｌｅｔ滤波器组进行方向滤波，即将ｓｈｅａｒｌｅｔ滤波器组的滤波器个数指定为四个，分别得到四组ｓｈｅａｒｌｅｔ系数；对第一层执行步骤（５）；（３）对第二层得到的四组ｓｈｅａｒｌｅｔ系数与第三层得到的四组ｓｈｅａｒｌｅｔ系数按如下步骤进行方向参数β的估计：３ａ）将β的取值范围取为０到４，递增幅度ａ取为０．００１，将ｃ定义为σ／Ｅ［｜ｘ｜］，其中ｓ为ｓｈｅａｒｌｅｔ系数的标准差，Ｅ［｜ｘ｜］为ｓｈｅａｒｌｅｔ系数的绝对值的期望，将ｄ定义为＊＊＊，其中Γ（.）表示伽马函数，将ｃ与ｄ的误差参数ｂ取为０．００１；３ｂ）对β从０开始进行递增幅度为ａ的递增处理，当ｃ与ｄ的差小于误差参数ｂ时，结束迭代过程，得到递增幅度ａ的迭代次数ｎ，ａ与ｎ的乘积即为β的参数结果；（４）参数β确定后，采用基于广义高斯模型的非局部均值方法对第二层与第三层得到的各组ｓｈｅａｒｌｅｔ系数进行去噪处理；（５）对第一层得到的图像分量采用非局部均值方法进行去噪处理；（６）对步骤（４）与步骤（５）得到的去噪结果进行ｓｈｅａｒｌｅｔ逆变换，得到测试图像的重构结果图。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张小华，焦李成，张强，王爽，王然，侯彪，钟桦，尚荣华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]