CN101957984A - 基于非局部萎缩因子参数估计的图像去噪方法 - Google Patents
基于非局部萎缩因子参数估计的图像去噪方法 Download PDFInfo
- Publication number
- CN101957984A CN101957984A CN 201010267501 CN201010267501A CN101957984A CN 101957984 A CN101957984 A CN 101957984A CN 201010267501 CN201010267501 CN 201010267501 CN 201010267501 A CN201010267501 A CN 201010267501A CN 101957984 A CN101957984 A CN 101957984A
- Authority
- CN
- China
- Prior art keywords
- sub
- band coefficients
- band
- image
- non local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于非局部萎缩因子参数估计的图像去噪方法,主要克服自然图像原始自适应萎缩去噪中的边缘吉布斯效应明显、视觉质量不理想的问题。其实现过程是:(1)对输入的自然图像进行多尺度变换,得到需处理的子带系数;(2)对子带系数进行初始掩码估计;(3)依次计算子带系数的似然比、先验比和初始萎缩因子;(4)根据子带系数计算非局部滤波子带权重;(5)根据非局部滤波子带权重更新初始萎缩因子;(6)根据非局部权重萎缩因子更新子带系数;(7)用更新的子带系数进行多尺度反变换得到去噪结果。本发明能很好的减弱吉布斯效应,得到较高的PSNR值,可用于对自然图像的去噪处理中。
Description
技术领域
本发明属于图像处理技术领域,具体地说是一种参数估计方法,可用于对自然图像自适应萎缩去噪处理时更新萎缩因子以提高去噪效果。
背景技术
数字图像处理由于成像设备及成像条件的限制,使得图像在采集,转换,以及运输过程中不可避免受到噪声的污染。因此图像去噪在图像处理领域占据着举足轻重的地位,成为该领域最基本技术之一。图像处理中许多实际的噪声可以近似的认为是高斯白噪声,因此去除图像中的高斯白噪声成为图像去噪领域中一个重要的方向。
传统的去噪方法大致可以分为两类,一类是基于空域的方法,一类是基于变换域的方法。
空域去噪方法中比较经典的方法包括高斯滤波,中值滤波,双边滤波等。它们的共同特点就是利用局部窗口内像素灰度值的连续性来对当前像素进行灰度调整。这些方法的缺点是在去除噪声的同时模糊了图像的细节信息,例如图像的边缘,纹理等。在空域去噪方法中,非局部均值去噪方法以当前像素为中心取大小一定的窗口,在整幅图像内寻找与其具有相似结构的窗口,以窗口之间的相似度为权值对当前像素的灰度值进行调整。这一思想有效的结合了图像系数间的相关性。
基于变换域的去噪方法比较成熟的是小波域的各种去噪方法,但由于它缺少方向选择性,不适宜表示图像边缘、轮廓等线性奇异性的结构特征,为此,一些新的具有多尺度多方向特性的变换应运而生,如:Brushlet变换、Curvelet变换、Contourlet变换和非下采样Contourlet变换等。
自适应去噪算法是一种基于变换域的图像去噪方法。这种方法是利用图像在变换域产生的系数进行先验知识——似然比和先验比的计算来更新萎缩系数,从而在变换域对系数进行重新估计,最后进行重构来完成图像去噪。这类自适应去 噪方法能够有效的去除噪声,但它对于萎缩因子的计算方法较为简单,并没有考虑到变换域系数之间的有效相关性,因此去噪结果往往造成平滑效果较差。
发明内容
本发明的目的在于克服自适应图像去噪的不足,提出了一种基于非局部萎缩因子参数估计的图像去噪方法,以有效地改善平滑力度,提高去噪效果。
为实现上述目的,本发明包括如下步骤:
1)对输入的含噪图像c进行多尺度变换,将其分解为K=4层子带,每层子带分解为L=4个方向,子带系数为:
其中,γ是似然比控制参数,取值为0.5; 为四个方向各项异性模型;
其中W是搜索窗Δ的尺度,W=21; 是子带系数 与 的权重,Λu,Λv分别表示Δ内以子带系数 为中心的大小为M×M的块,M取7;d(Λu,Λv)是Λu与Λv的相似性,通过高斯加权的欧氏距离来衡量,h是平滑参数,h=0.5σ,其中σ是搜索窗Δ的标准差;
k=1,…K;l=1,…L;j=1,2…512·512,
本发明与现有的技术相比具有以下优点:
1.本发明由于用非局部萎缩因子参数对初始萎缩因子进行更新,增加了萎缩因子的局部相关性,进而提高了萎缩因子的有效度;
2.本发明由于用非局部萎缩因子参数对多尺度变换子带系数进行修正,不仅能最大程度的减弱吉布斯现象,而且能够较好抑制噪声,同时保持自然图像的边缘和纹理细节。
附图说明
图1是本发明的流程图;
图2是现有非下采样contourlet变换4方向各项异性模型图;
图3本发明使用的第一幅测试图像;
图4本发明使用的第二幅测试图像;
图5是本发明使用的第一幅含噪图像;
图6是本发明对图5进行去噪的结果图;
图7是分别用本发明与三种现有方法对图5进行去噪的局部结果图;
图8是本发明使用的第二幅含噪图像;
图9是本发明对图8进行去噪的结果图;
图10是分别用本发明与三种现有方法对图8进行去噪的局部结果图。
图11是lena图像去噪结果PSNR曲线对比图。
具体实施方式
参照附图1,本发明基于非局部萎缩因子参数估计的图像去噪方法,包括如下步骤:
步骤1,对含噪图像进行多尺度变换。
输入尺度为512×512的含噪自然图像,对该含噪自然图像进行多尺度变换:变换将其分解为K层子带,K=4;每层子带分解为L个方向,L=4;分解子带记为:
子带系数记为:
步骤2,初始掩码估计。
初始掩码估计的公式如下:
其中δl为Donoho提出的鲁棒中值阈值:
步骤3,似然比计算。
3.2)计算似然比
步骤4,先验比计算。
为图2的四个方向各项异性模板,且大小都延拓为9×9,γ是似然比控制参数,取值为0.5。
步骤5,初始萎缩因子计算。
步骤6,非局部子带权重计算。
6.1)定义Δ是尺度为W×W的搜索窗,W取21;
6.2)定义子带 内待估计的子带系数是 ,定义搜索窗Δ中的异于 的子带系数是 ;Λu是以待估计子带系数 为中心的系数值矩阵,Λv是搜索窗Δ中以子带系数 为中心的系数值矩阵,且Λu和Λv的尺度均为M×M,取M=7;
6.3)通过高斯加权的欧氏距离计算Λu与Λv的相似性:
Λu,r表示矩阵Λu的第r个元素,Λv,r表示矩阵Λv的第r个元素;
其中,h是一个平滑参数,h=0.5σ,σ是搜索窗Δ的标准差。
步骤7,更新非局部权重萎缩因子。
步骤8,子带系数更新。
用非局部权重萎缩因子对多尺度分解的子带系数 进行更新,得到更新的多尺度变换子带:
步骤9,多尺度反变换得到去噪图像。
本发明效果可以通过以下实验进一步证实:
一.实验条件和内容
实验条件:实验所使用的输入图像如图3和4所示,其中,图3是测试图像lena,图4是测试图像peppers,图5是图3加入噪声标准差为20的含噪图像,图8是图4加入噪声标准差为20的含噪图像,实验过程中,具体实施方式以现有的NSCT多尺度变换为例;
实验内容:在上述实验条件下,选用当前去噪领域内几种典型的算法和本发明方法进行实验,它们是:(1)NSCT域自适应萎缩去噪算法NSCT-Shrink;(2)SWT域BayesShrink去噪算法,简称为SWT-BayesShrink;(3)非局部均值滤波原始方法NLM;(4)本发明简称为NLM-Shrink,去噪结果的客观评价指标用峰值信噪比PSNR衡量。
二.实验结果
用NSCT-Shrink算法对图5做四层分解的条件下得到的去噪结果,如图7(b)所示。从图7(b)可以看出,lena的头顶部和眼部明显的表现出图像褶皱对去噪结果的影响,说明该方法有一定的噪声抑制能力,但在抑制噪声的同时欠平滑,造成去噪图像有一定褶皱,影响去噪结果。
用SWT-BayesShrink算法对图5做五层分解的条件下,得到的去噪结果如图7(c)所示。从图7(c)可以看出,,该方法对噪声抑制能力有限,主观效果不好,整幅图像存在小型条状干扰严重。
用NLM算法对图5进行去噪,其中搜寻窗大小为21×21,相似窗大小为7×7,平滑参数h=15σ,σ为图像所含噪声标准差,得到的去噪结果如图7(d)所示。从图7(d)可以看出,此方法具备一定噪声抑制能力,但如lena帽子上的纹路明显减少,说明该方法造成图像细节信息丢失的状况严重,不能很好的保持图像的边缘和纹理信息。
本发明方法对图5的去噪结果如图7(a)所示。从图7(a)可以看出,它的去噪效果要优于上面所提到的所有现有方法,同质区域较平滑,图像的亮度保 持效果较好,而且图像的边缘和细节也得到了很好的保持。
将本发明和现有三种方法进行去噪的结果用PSNR作为去噪效果的评价指标,做曲线图对比得到图11。从图11可直观的看出本发明得到的PSNR值明显高于现有三种方法得到PSNR值。
同时,为了更好的说明本发明的有效性,实验中分别用本发明和三种现有方法对图8进行了第二组实验,实验结果如图9和图10所示。
用NSCT-Shrink算法对图8做四层分解的条件下得到的去噪结果,如图10(b)所示。从图10(b)可以看出,pepper的轮廓出现褶皱,说明该去噪结果产生褶皱,影响了去噪效果。
用SWT-BayesShrink算法对图8做五层分解的条件下,得到的去噪结果如图10(c)所示。从图10(c)可以看出,该方法对噪声抑制能力有限,整幅图像存在小型条状干扰严重。
用NLM算法对图8进行去噪,其中搜寻窗大小为21×21,相似窗大小为7×7,平滑参数h=15σ,σ为图像所含噪声标准差,得到的去噪结果如图10(d)所示。从图10(d)可以看出,此方法具备一定噪声抑制能力,但不能很好的保持图像的边缘和纹理信息。
本发明方法对图8的去噪结果如图10(a)所示。从图10(a)可以看出,它的去噪效果要优于上面所提到的所有现有方法,图像边缘和细节得到了很好的保持。
对图3和图4中的测试图像分别加入噪声标准差为10,20,30,40的高斯加性白噪声,用PSNR作为去噪效果的评价指标,将上述三种现有的去噪方和本发明的方法进行比较,各种方法的去噪效果PSNR值列在表1中。
表1各种去噪算法的PSNR(dB)比较
表1中的结果均为10次平均后的结果,从表1中可以看出,本发明方法的去噪效果比NSCT-Shrink算法,SWT-BayesShrink算法,NLM算法在PSNR值上都有很大的提高。
表2是本发明与NSCT域自适应萎缩去噪算法NSCT-Shrink对比:
表2本发明改进PSNR(dB)提高
从表2看出,本发明与NSCT-Shrink相比,当噪声标准差σn越大,本发明的PSNR值提高越多。说明本发明适用在噪声含量较高的图像去噪应用中。
综合以上,本发明无论在客观指标还是主观效果上,都表现出了较好的性能,更好地平滑噪声的同时保持自然图像的边缘和纹理等细节,同时消除了吉布斯现象。
Claims (2)
1.一种基于非局部萎缩因子参数估计的图像去噪方法,包括如下步骤:
1)对输入的含噪图像c进行多尺度变换,将其分解为K=4层子带,每层子带分解为L=4个方向,子带系数为:
其中,γ是似然比控制参数,取值为0.5;为四个方向各项异性模型;
其中W是搜索窗Δ的尺度,W=21;是子带系数与的权重,Λu,Λv分别表示Δ内以子带系数为中心的大小为M×M的块,M取7;d(Λu,Λv)是Λu与Λv的相似性,通过高斯加权的欧氏距离来衡量,h是平滑参数,h=0.5σ,其中σ是搜索窗Δ的标准差;
2.根据权利要求1所述的基于非局部萎缩因子参数估计的图像去噪方法,其特征在于对步骤(5)得到的萎缩系数加入非局部权重进行修正,按如下步骤进行:
其中,h为平滑控制参数,h=0.5σ,σ是搜索窗Δ的标准差;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102675018A CN101957984B (zh) | 2010-08-30 | 2010-08-30 | 基于非局部萎缩因子参数估计的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102675018A CN101957984B (zh) | 2010-08-30 | 2010-08-30 | 基于非局部萎缩因子参数估计的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101957984A true CN101957984A (zh) | 2011-01-26 |
CN101957984B CN101957984B (zh) | 2012-03-28 |
Family
ID=43485301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102675018A Expired - Fee Related CN101957984B (zh) | 2010-08-30 | 2010-08-30 | 基于非局部萎缩因子参数估计的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101957984B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156964A (zh) * | 2011-03-31 | 2011-08-17 | 杭州海康威视软件有限公司 | 彩色图像去噪声的方法及其系统 |
CN103404148A (zh) * | 2011-03-09 | 2013-11-20 | 日本电信电话株式会社 | 图像处理方法、图像处理装置、视频编码化/解码方法、视频编码化/解码装置以及它们的程序 |
CN104166971A (zh) * | 2013-05-17 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种ct图像重建的方法 |
CN107194896A (zh) * | 2017-06-05 | 2017-09-22 | 华中科技大学 | 一种基于邻域结构的背景抑制方法和系统 |
CN107403416A (zh) * | 2017-07-26 | 2017-11-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN108665419A (zh) * | 2017-03-30 | 2018-10-16 | 展讯通信(上海)有限公司 | 一种图像去噪的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101094312A (zh) * | 2006-06-20 | 2007-12-26 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
CN101425176A (zh) * | 2008-12-09 | 2009-05-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于中值滤波的图像小波去噪方法 |
CN101477681A (zh) * | 2009-01-16 | 2009-07-08 | 天津大学 | 基于自适应滑窗邻域阈值的小波图像降噪方法 |
-
2010
- 2010-08-30 CN CN2010102675018A patent/CN101957984B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101094312A (zh) * | 2006-06-20 | 2007-12-26 | 西北工业大学 | 一种保持边缘的自适应图像滤波方法 |
CN101425176A (zh) * | 2008-12-09 | 2009-05-06 | 中国科学院长春光学精密机械与物理研究所 | 一种基于中值滤波的图像小波去噪方法 |
CN101477681A (zh) * | 2009-01-16 | 2009-07-08 | 天津大学 | 基于自适应滑窗邻域阈值的小波图像降噪方法 |
Non-Patent Citations (2)
Title |
---|
《IEEE TRANSACTIONS ON IMAGE PROCESSING》 20000930 S. Grace Chang et al Adaptive Wavelet Thresholding for Image Denoising and Compression 1532-1546 1-2 第9卷, 第9期 2 * |
《计算机应用》 20100131 李柯材,张曦煌 基于邻域阈值萎缩法的图像去噪方法的优化 78-81 1-2 第30卷, 第1期 2 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103404148A (zh) * | 2011-03-09 | 2013-11-20 | 日本电信电话株式会社 | 图像处理方法、图像处理装置、视频编码化/解码方法、视频编码化/解码装置以及它们的程序 |
CN103404148B (zh) * | 2011-03-09 | 2016-10-26 | 日本电信电话株式会社 | 图像处理方法、图像处理装置、视频编码化/解码方法、以及使用环路滤波器对视频进行滤波的装置 |
CN102156964A (zh) * | 2011-03-31 | 2011-08-17 | 杭州海康威视软件有限公司 | 彩色图像去噪声的方法及其系统 |
CN102156964B (zh) * | 2011-03-31 | 2013-10-30 | 杭州海康威视数字技术股份有限公司 | 彩色图像去噪声的方法及其系统 |
CN104166971A (zh) * | 2013-05-17 | 2014-11-26 | 上海联影医疗科技有限公司 | 一种ct图像重建的方法 |
CN104166971B (zh) * | 2013-05-17 | 2015-07-22 | 上海联影医疗科技有限公司 | 一种ct图像重建的方法 |
CN108665419A (zh) * | 2017-03-30 | 2018-10-16 | 展讯通信(上海)有限公司 | 一种图像去噪的方法及装置 |
CN108665419B (zh) * | 2017-03-30 | 2020-07-03 | 展讯通信(上海)有限公司 | 一种图像去噪的方法及装置 |
CN107194896A (zh) * | 2017-06-05 | 2017-09-22 | 华中科技大学 | 一种基于邻域结构的背景抑制方法和系统 |
CN107194896B (zh) * | 2017-06-05 | 2019-12-17 | 华中科技大学 | 一种基于邻域结构的背景抑制方法和系统 |
CN107403416A (zh) * | 2017-07-26 | 2017-11-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
CN107403416B (zh) * | 2017-07-26 | 2020-07-28 | 温州大学 | 基于nsct的改进滤波与阈值函数的医学超声图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101957984B (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101950414B (zh) | 自然图像非局部均值去噪方法 | |
Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
CN101882304B (zh) | 一种sar图像自适应去噪和特征增强方法 | |
Zhang et al. | Joint image denoising using adaptive principal component analysis and self-similarity | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN101957984B (zh) | 基于非局部萎缩因子参数估计的图像去噪方法 | |
CN109242799B (zh) | 一种变阈值的小波去噪方法 | |
CN105096280A (zh) | 处理图像噪声的方法及装置 | |
CN111612741B (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
CN102542542A (zh) | 基于非局部稀疏模型的图像去噪方法 | |
CN102509269A (zh) | 一种结合曲线波的基于图像子块相似性的图像去噪方法 | |
CN103020918A (zh) | 基于形状自适应邻域均值的非局部均值去噪方法 | |
CN104881847A (zh) | 一种基于小波分析和伪彩色处理的比赛视频图像增强方法 | |
CN104616259B (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
CN111311508A (zh) | 一种带噪路面裂缝图像的降噪方法 | |
CN108629740B (zh) | 一种图像去噪的处理方法及装置 | |
CN102938138A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
CN101984461A (zh) | 基于可操纵金字塔的统计模型图像去噪方法 | |
Thai et al. | Performance evaluation of high dynamic range image tone mapping operators based on separable non-linear multiresolution families | |
Zhang et al. | Diffusion scheme using mean filter and wavelet coefficient magnitude for image denoising | |
CN115082296B (zh) | 一种基于小波域图像生成框架的图像生成方法 | |
Thai et al. | Image tone mapping approach using essentially non-oscillatory bi-quadratic interpolations combined with a weighting coefficients strategy | |
CN115937302A (zh) | 结合边缘保持的高光谱图像亚像元定位方法 | |
CN102622731B (zh) | 基于二维Otsu的轮廓波域维纳滤波图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120328 Termination date: 20170830 |