发明内容
本发明是针对现在图像降噪方法存在的不足的问题,提出了一种基于非局部均值与多级定向图像的图像降噪方法,将改进的非局部均值算法和非下采样Contourlet变换(NSCT)结合起来对图像进行去噪,以提高图像质量。
本发明的技术方案为:一种基于非局部均值与多级定向图像的图像降噪方法,假设观测到的噪声图为I=f+n(1),其中f为原始图像,n为独立同分步的高斯白噪声信号N(0,σ2),具体包括如下步骤:
1)对输入的噪声图像v={v(i)|i∈I},采用非局部均值去噪后图像为NL[v](i)。对每个像素i的值通过下式加权得到:
w(i,j)为依赖于像素i与像素j相似程度(高斯加权欧氏距离)的权值。满足
和
2)对第1)步骤中去噪图像NL[v](i)进行多尺度、多方向的NSCT分解,同时设定NSCT变换中非下采样的塔式分解层数K和每层中非下采样的方向滤波分解数L
K;即分解后得到:
其中T(·)为NSCT变换;从而得到一副低频子图ylf和一系列具有不同分辨率的高频图像其中k∈(1,K)和l∈(1,Lk)标明子图像位于第k层非下采样的塔式分解(NSP)的第l方向;
3)对NSCT变换后的高频子图像
进行局部维纳滤波,得到降噪子图像
4)对第3)步骤中得到的所有降噪高频率子图像和第2)步骤中得到的低频子图像ylf实施NSCT逆变换,得到最终的降噪图像:
所述步骤1)的具体实现步骤如下:
①定义N
i和N
j分别表示像素i和j周围MXM矩形邻域,为了提高算法的速度,把N
i和N
j邻域通过PCA映射到低维子空间,对图像I中像素的每个邻域中,每行像素的值看作M维行向量x
i,则有M个行向量组成大小为MXM的矩阵X,其协方差矩阵为:
其中
由Sμ=λμ,求出协方差矩阵S的M个特征值按从大到小的顺序排列λ
1≥λ
2≥…≥λ
M,其对应的特征向量μ
1,μ
2,…μ
M构成了特征空间的一组基。其中前d(≤M)个基向量U
d=[μ
1,μ
2,…μ
d]可以表征x
i的主要特征,这样N
i和N
j降到d维空间;
②定义v(Ni)和v(Nj)分别表示i和j周围的局部子块像素集合,||v(Ni)-v(Nj)||2表示像素i和j之间以它们中心的子块内像素之间高斯加权距离的平方,通过PCA映射,用d维空间距离||v[d](Ni)-v[d](Nj)||2代替|v(Ni)-v(Nj)||2以减少计算量,
③计算w(i,j):
所述步骤3)的具体实现步骤如下:
②在NSCT中,同一尺度内各方向的噪声方差基本相等。不同尺度的噪声方差沿着分解层次近似为指数分布。对于NSCT中第k层的噪声方差
先求最小尺度图像的噪声方差
②对于NSCT中第k层第l方向的子带,根据最大似然估计,得到子带内信号的方差
其中,M和N分别为图像长度和宽度,
本发明的有益效果在于:本发明基于非局部均值与多级定向图像的图像降噪方法,提高降噪图像的质量、提供更加全面、准确的目标和背景信息,达到较理想的降噪效果。在军事领域和非军事领域如光学成像、目标检测、安全监控等系统中均有广泛应用前景。
具体实施方式
基于非局部均值与多级定向图像的图像降噪方法首先利用图像局部结构的相似性,在空域中运用小窗口的非局部均值算法对加噪图像进行预处理去除高频噪声,并用主成份分析法(PCA)把局部窗口映射到低维空间来提高算法的速度。然后通过NSCT对预处理的图像进行多尺度多方向的稀疏分解。在NSCT变换域中,利用系数的邻域统计特性,采用维纳滤波消除低频噪声。并通过NSCT反变换得到降噪图像,达到图像降噪目的。
假设观测到的噪声图为I=f+n(1),其中f为原始图像,n为独立同分步的高斯白噪声信号N(0,σ2)。
上述降噪方法的具体步骤如下:
1)对输入的噪声图像v={v(i)|i∈I},采用非局部均值去噪后图像为NL[v](i)。对每个像素i的值通过下式加权得到:
w(i,j)为依赖于像素i与像素j相似程度(高斯加权欧氏距离)的权值。满足
和
2)对1)步骤处理后的图像NL[v](i)进行多尺度、多方向的NSCT分解。同时设定NSCT变换中非下采样的塔式分解层数为K和每层中非下采样的方向滤波分解数为LK;即分解后得到:
其中T(·)为NSCT变换;从而得到一副低频子图y
lf和一系列具有不同分辨率的高频图像
其中k∈(1,K)和l∈(1,L
k)标明子图像位于第k层非下采样的塔式分解(NSP)的第l方向。
3)对NSCT变换后的高频子图像
进行局部维纳滤波,得到降噪子图像
4)对第3)步骤中得到的所有降噪高频率子图像
和第2)步骤中得到的低频子图像y
lf实施NSCT逆变换,得到最终的降噪图像
上述第1)步骤中w(i,j)具体估计步骤如下:
①定义N
i和N
j分别表示像素i和j周围MXM矩形邻域(一般取5x5,7x7)。为了提高算法的速度,把N
i和N
j邻域通过PCA映射到低维子空间:对图像I中像素的每个邻域中,每行像素的值看作M维行向量x
i,则有M个行向量组成大小为MXM的矩阵X,其协方差矩阵为:
其中
由Sμ=λμ(7),求出协方差矩阵S的M个特征值按从大到小的顺序排列λ
1≥λ
2≥…≥λ
M,其对应的特征向量μ
1,μ
2,…μ
M构成了特征空间的一组基。其中前d(≤M)个基向量U
d=[μ
1,μ
2,…μ
d]可以表征x
i的主要特征。这样N
i和N
j降到d维空间;
②定义v(Ni)和v(Nj)分别表示i和j周围的局部子块像素集合。||v(Ni)-v(Nj)||2表示像素i和j之间以它们中心的子块内像素之间高斯加权距离的平方。通过PCA映射,用d维空间距离||v[d](Ni)-v[d](Nj)||2代替||v(Ni)-v(Nj)||2以减少计算量。
③计算w(i,j):
上述的第3)步骤中维纳滤波:
中参数的具体估计步骤如下:
③在NSCT中,同一尺度内各方向的噪声方差基本相等。不同尺度的噪声方差沿着分解层次近似为指数分布。对于NSCT中第k层的噪声方差
先求最小尺度图像的噪声方差
②对于NSCT中第k层第l方向的子带,根据最大似然估计,得到子带内信号的方差
其中,M和N分别为图像长度和宽度。
本发明方法与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
该发明旨在提供一种图像组合降噪方法,首先利用图像局部结构的相似性,在空域中运用小窗口的非局部均值算法对加噪图像进行预处理去除高频噪声,并用主成份分析法(PCA)把局部窗口映射到低维空间来提高算法的速度。然后通过NSCT对预处理的图像进行多尺度多方向的稀疏分解。在NSCT变换域中,利用系数的邻域统计特性,采用维纳滤波消除低频噪声。并通过NSCT反变换得到降噪图像,达到图像降噪目的。具体特点和优点为:
(1)针对NL-Means算法的不足,即该算法的去噪结果与局域窗口的大小有密切的关系,采用小窗口的非局部均值算法对加噪图像进行预处理去除高频噪声,然后在NSCT变换域中对预处理的图像高频子图维纳滤波消除低频噪声。
(2)采用主成份分析法(PCA)把局部窗口映射到低维空间来提高NL-Means算法的速度。
(3)针对现有最具代表性的小波域阈值降噪方法中小波变换的缺点----不能有效地表示图像中的二维或高维奇异性,将Contourlet变换应用到图像降噪中,由于Contourlet缺乏平移不变性,降噪过程中会产生伪Gibbs现象,采用NSCT算法对图像进行多尺度、多方向分解同时避免了伪Gibbs现象
(4)对NSCT变换的高频子图采用维纳滤波,信号和噪声的方差选择非常重要。本发明提供的参数具有自适应性,能有效地跟踪信号和噪声的变化,从而有效去除噪声分量。
如图2所示各种降噪方法下的降噪结果局部放大照片图,图中第一幅(a)为受噪声污染的输入图像的局部放大图,第二幅(b)图为采用改进的No-means算法的图像降噪图像,第三幅图(c)为采用本发明方法降噪后的降噪图像。去噪结果可以看出,本图像降噪方法更好地降低图像中的噪声信号,保护了图像中的重要细节信息,提高了图像的质量。从视觉效果上看,本发明方法显优于非局部均值去噪算法。在降噪的过程中,后者运用小窗口的非局部均值算法对加噪图像进行预处理去除高频噪声。故降噪后的图像仍然残留少量噪声。而本发明在NSCT变化域中,利用系数的邻域统计特性,采用维纳滤波消除低频噪声,从而在保护图像细节信息的同时,进一步提高了降噪图像的PSNR,降低了降噪图像的MSE.
表1给出了本发明降噪方法降噪结果的客观评价指标。表中采用了峰值信噪比(PSNR)和最小均分误差(MSE)来衡量降噪图像的质量,进行评价噪声方法的优劣。从表中可以看出,本图像降噪方法无论是在PSNR方面,还是在MSE方面,均能取得很好的降噪效果,有效地降低图像中的噪声信号,提高图像质量。
总之,无论是从人眼视觉效果,还是从客观评价指标,均表明本发明方法更好地降低图像中的噪声信号,保护了图像中的重要细节信息,提高了图像的质量。
表1