CN100481114C - 基于盲源分离技术的扫描图像去噪方法 - Google Patents

Abstract

本发明公开了一种基于盲源分离技术的扫描图像去噪方法，该方法的步骤包括将原始图像线性化得到的矩阵、将得到的矩阵预白化、设定迭代次数、方阵的迭代处理、归一化处理、获得分离矩阵、获得分离的图像、校正图像。该方法在对印刷品的扫描图像去噪时，能够在未知噪声特征时，利用图像噪声的相关性及盲源分离理论，将印刷品正反两面的扫描图像作为盲源问题中的两个源信号的混合信号，采用扩展Infomax方法进行分离，简化了计算量，提高了运算的速度和准确度，从而达到扫描图像去噪的目的。本发明所述方法可以应用于扫描图像去噪、图像识别、OCR等技术领域，具有非常广阔的应用前景。

Description

基于盲源分离技术的扫描图像去噪方法

技术领域

本发明属于数字图像处理技术领域，涉及一种扫描图像的去噪方法，具体涉及一种基于盲源分离技术的扫描图像去噪方法。

背景技术

随着计算机在图像处理技术领域的快速扩展，文字识别、图像识别、图像复原等处理成为非常重要的技术手段，而它们处理的对象大多是通过扫描文档得到的数字化图像。在扫描某些印刷品时，由于纸张质量等客观因素，扫描图像往往带有反面图像所带来的噪声干扰。这种带有明显噪声的扫描图像对于后续的文本识别、图像识别等工作会带来不利的影响。因此必须对此类扫描图像进行有效的去噪，从而提高对这类图像识别的精度。

目前对此类问题的图像去噪较多的是简单采用传统的数字图像去噪算法，比如中值滤波或均值滤波算法来进行处理。而这些常用的方法对高斯、椒盐等已知噪声特征的噪声能够很好的滤除，但对印刷品正反两面的图像互相的噪声特征无法准确的获得，因此这些常用的算法不能取得很好的去噪效果，同时印刷品正反两面的图像具有相关性，正面的图像构成了反面图像的噪声，反面图像又构成了正面图像的噪声，如果充分的利用相关性条件，可以有效的提高去噪的效率和效果。因此必须寻找一种针对未知图像噪声特征，并且可以利用图像噪声相关性的扫描图像去噪方法，提高图像去噪和图像识别的效果。

发明内容

本发明的目的是提供一种基于盲源分离技术的扫描图像去噪方法，解决了现有技术存在的对印刷品正反两面的图像相互性的噪声特征无法准确的获得，不能很好去噪的问题。

本发明所采用的技术方案是，一种基于盲源分离技术的扫描图像去噪方法，该方法按以下步骤实施，

a、对原始采集的图像进行线性化处理；将扫描得到的两幅二维噪声图像分别转换成行向量L₁、L₂，再将该行向量L₁、L₂组成一个2行的矩阵X；

b、将上步得到的矩阵X进行预白化处理：即将矩阵X变为均值为0、方差为1的矩阵Z，并且使信号的各分量互不相关；

c、设定待提取的独立分量数目为m，迭代次数为k，p表示已提取混合信号的个数，并令迭代变量p＝1；

d、任意取估计的方阵的初值u(0)，但要求‖u(0)‖₂＝1；

e、进行分离矩阵U的迭代：迭代规则如下，其中μ_k为加权因子，

$u(k+1)=u\left(k\right)+{\mathrm{\μ}}_k[I+\tanh \left(y_k\right)y_k^T-y_k{y}_k^T]u\left(k\right);$

f、对步骤e的结果进行归一化处理：

$\frac{u_i(k+1)}{\left|\right|u_i(k+1)\left|\right|}\→u_i(k+1);$

g、如果步骤f的结果未收敛，回到步骤e；如果步骤f的结果收敛，进入下一步；

h、再令p加1，如p≤m，则回到步骤e；否则获得分离矩阵U；

i、新图像的生成：将上步得到的分离矩阵U和原混合信号矩阵相乘，就可得到分离的信号矩阵Y，再将矩阵Y的两个行向量还原成两个二维无噪图像矩阵，获得两个单独的二维无噪图像；

j、图像的优化处理：对步骤i得到的两个二维无噪图像的亮度进行适当的校正，得到两个去噪后的最佳图像即成。

本发明的有益效果在于，可以在不需要知道图像噪声数学特征的前提下，利用噪声的相关性和盲源分离的基本原理，将印刷品正反面扫描图像的噪声有效的去除，并有很强的抗干扰能力。

附图说明

图1是盲源分离技术的原理示意图；

图2是Infomax算法处理流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

确定解决扫描图像去噪的盲源分离问题的数学模型。一个系统的输入信号、输出信号和系统特征这三者之间有着固定的相互联系。如果己知其中任意两者，就能求出第三者。但在很多实际情况中，输入信号和系统特征的信息是事先未知的。盲源分离(Blind Source Separation，BSS)是指在不知道源信号和传输信道的先验信息的情况下，根据输入源信号的统计特性，仅从观测到的混合信号来恢复或分离出源信号。典型的被观测的混合信号是一系列传感器的输出，而每一传感器接收到的是源信号的不同组合。盲源分离的主要任务是从观测数据中恢复出源信号，感兴趣的是真实的源信号。例如，用多个麦克风采集同时说话的多个人的语音信号，从而获得多路语音，从这多路语音中恢复出每个人的语音就是语音信号盲分离。此外，雷达和声纳等阵列信号的处理，以及医学上多个生物传感器信号的处理，也都涉及到此类问题。

盲信源分离是指在完全不知道任何先验知识或者知其少量先验知识(如非高斯性、统计独立性、循环平稳性等)的情况下，只利用传感器输出的观测信号提取或分离出各个源信号的方法。它的任务是由多通道系统的输出数据X来判断其输入5和系统的传递函数A。

如图1所示，盲信源分离方法的基本原理就是使观测信号x(t)经过一个分离系统后，能恢复或分离出源信号S(t)。N个相互统计独立的未知信号源S经过未知混合系统H的传输后，由M个传感器获得M个观测信号x(t)。盲信源分离的任务就是将观测信号通过信号分离器，寻找方阵U使输出y(t)＝Ux(t)是源信号S(t)的拷贝或者估计。

本发明将印刷品的正反面扫描图像作为观测信号x₁(t)和x₂(t)，用盲源分离的理论去分离观测信号，使分离的结果y₁(t)和y₂(t)是源信号s₁(t)和s₂(t)的最佳估计。

确定合适的盲源分离算法对观测信号进行分离。本发明采用解决盲源分离问题的Infomax(Information Maximization)法。1988年Linsker提出了Infomax原则，即信息传输极大原则，可描述为：网络的输入端和输出端的互信息达到最大时，等价于输出端各分量间的冗余信息得到去除从而完成分离。

如图2所示，为Infomax算法框图的基本思路，u＝[u₁，u₂，...，u_n]^T为盲源分离结果，用来逼近真实源s。g(u)为单调可逆的非线性函数。由于源信号的概率密度分布函数未知，所以互信息也无法直接计算，于是就取合适的非线性函数来逼近它，这里的g(u)就是所选取的非线性函数；y为非线性输出。

从图2可以看出，Infomax算法的特点是：在输出端逐分量地引进一个合适的非线性函数g(u)，把u_i转变为y_i。可以证明当没有输入噪声时，I(x，y)的最大化可以通过输出熵H(y)的最大化来实现，即最大化信息传输等价于最大化输出熵。因此，基于信息极大判椐的Infomax算法可描述为：调整分离矩阵W，使非线性输出y_i＝g_i(u_i)，i＝1，2，...，n的联合信息熵H(y)达到最大。

对分离后的结果进行适当的处理。由于盲源问题求解的特点，所分离出的结果和真实信号的增益和顺序会有差异，因此应对分离的图像亮度进行适当的处理以接近真实的图像。

本发明所述的基于盲源分离技术的扫描图像去噪方法，在对印刷品的扫描图像去噪时，能够在未知噪声特征时，利用图像噪声的相关性及盲源分离理论，将印刷品正反两面的扫描图像作为盲源问题中的两个源信号的混合信号，采用扩展Infomax方法进行分离，从而达到扫描图像去噪的目的。

基于上述的盲源分离技术原理对扫描图像进行去噪，本发明所述的方法实施时按以下步骤进行，

a、将原始采集的图像进行线性化处理。将扫描得到的两幅二维图像，分别转换成行向量L₁、L₂，再将两个向量组成一个2行的矩阵X；

b、将上步得到的矩阵X进行预白化处理。即变为均值为0、方差为1的矩阵Z，并且使信号的各分量互不相关；

c、设定迭代次数m，m为待提取独立分量的数目，迭代次数为k；在本问题中，m取2。p表示已提取混合信号的个数，p取1和2。首先令迭代变量p＝1；

d、任意取估计的方阵的初值u(0)，但要求‖u(O)‖₂＝1；

e、进行分离矩阵U的迭代。迭代规则如下，其中μ_k为加权因子：

$u(k+1)=u\left(k\right)+{\mathrm{\μ}}_k[I+\tanh \left(y_k\right)y_k^T-y_k{y}_k^T]u\left(k\right)$

通过调节加权因子，可以改变算法的收敛性能；其中k是迭代变量，u(k)是前一次迭代出来的分离矩阵，u(k+1)表示当前迭代所要计算的分离矩阵；y是要分离混合信号，下标k表示其在第k次迭代计算；

f、对步骤e的结果进行归一化处理，

$\frac{u_i(k+1)}{\left|\right|u_i(k+1)\left|\right|}\→u_i(k+1);$

下标i表示分离矩阵中的第i行；

g、如果步骤f结果未收敛，回到步骤e；如果步骤f的结果收敛，进入下一步，

h、再令p加1，如p≤m，则回到步骤e；否则得到分离矩阵U；

i、新图像的生成：用上步得到的分离矩阵U和原混合信号矩阵相乘，就可得到分离后的信号矩阵Y，再将矩阵Y的两个行向量还原成两个二维无噪图像矩阵，获得两个单独的二维无噪图像；

j、图像的优化处理：对步骤i得到的两个二维无噪图像的亮度进行校正，得到两个去噪后的最佳图像，即成。

本发明涉及对扫描正反两面印刷品的数字图像进行去噪的方法，简化了计算量，提高了运算的速度和准确度。本发明所述方法可以应用于扫描图像去噪、图像识别、OCR等技术领域，具有非常广阔的应用前景。

Claims (1)

1、一种基于盲源分离技术的扫描图像去噪方法，其特征在于：该方法按以下步骤实施，

a、对原始采集的图像进行线性化处理：将扫描得到的两幅二维噪声图像分别转换成行向量L₁、L₂，再将该行向量L₁、L₂组成一个2行的矩阵X；

b、将上步得到的矩阵X进行预白化处理：即将矩阵X变为均值为0、方差为1的矩阵Z，并且使矩阵X信号的各分量互不相关；

c、设定待提取的独立分量数目为m，迭代次数为k，p表示已提取矩阵X的维数，并令迭代变量p＝1；

d、任意取估计的方阵的初值u(0)，但要求‖u(0)‖₂＝1；

e、进行分离矩阵U的迭代：

迭代规则如下，其中μ_k为加权因子，

$u(k+1)=u\left(k\right)+{\mathrm{\μ}}_k[I+\tanh \left(y_k\right)y_k^T-y_k{y}_k^T]u\left(k\right);$

f、对步骤e的结果进行归一化处理：

令 $\frac{u_i(k+1)}{\left|\right|u_i(k+1)\left|\right|}\→u_i(k+1);$

g、如果步骤f的结果未收敛，回到步骤e；如果步骤f的结果收敛，进入下一步；

h、再令p加1，如p≤m，则回到步骤e；否则获得分离矩阵U；

i、新图像的生成：将上步得到的分离矩阵U和矩阵X相乘，就可得到分离的信号矩阵Y，再将矩阵Y的两个行向量还原成两个二维无噪图像矩阵，获得两个单独的二维无噪图像；

j、图像的优化处理：对步骤i得到的两个二维无噪图像的亮度进行增益校正，得到两个去噪后的最佳图像，即完成了扫描图像的去噪。

Images