CN102663702B - 基于区域划分的自然图像去噪方法 - Google Patents
基于区域划分的自然图像去噪方法 Download PDFInfo
- Publication number
- CN102663702B CN102663702B CN201210118169.8A CN201210118169A CN102663702B CN 102663702 B CN102663702 B CN 102663702B CN 201210118169 A CN201210118169 A CN 201210118169A CN 102663702 B CN102663702 B CN 102663702B
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- region
- smooth domain
- smooth
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于区域划分的图像去噪方法,主要解决现有三维块匹配去噪算法去噪后的图像存在斑块现象。其去噪步骤为:(1)对输入的待去噪图像进行二维平稳小波变换,将高频系数值置零后反变换,得到重构图像;(2)提取重构图像的结构信息,得到图像结构草图;(3)利用图像块的统计特征和图像结构草图,将含噪原图像分为结构区域、光滑区域和非光滑区域;(4)对光滑区域用改进的非局部均值方法进行去噪,对非光滑区用BM3D方法去噪,对结构区域用基于方向特征的BM3D方法进行去噪;(5)将结构区域、光滑区域和非光滑区域的估计结果合并,得到最终去噪图像。本发明可用于对自然图像的预处理。
Description
技术领域
本发明属于图像处理技术领域,涉及图像去噪方法,可用于对自然图像的预处理。
背景技术
图像去噪一直是图像处理领域的一个重要问题。由于图像采集设备的不完善、采集传输过程中存在的问题以及一些无法避免的自然现象的干扰,都会使图像数据受到噪声的污染。因此,为了改善图像质量,提高图像的可识别性,图像去噪就成了一种常用的图像预处理方法。
图像去噪指的是利用各种滤波模型,通过传统滤波,小波等多种方法从已知的含有噪声的图中去掉噪声部分。图像去噪从数字图像处理的技术角度来说属于图像恢复的技术范畴,它存在着非常重要的意义。
在对有噪图像和模糊图像恢复时,除了去除噪声外,一个很重要的目标是保护图像的重要细节,包括几何形状细节如纹理、细线、边缘和对比度细节。但是噪声的去除和细节的保护是一对矛盾关系,因为噪声和细节都属于图像信号中的高频部分,很难区分出它们,所以在滤除图像噪声时,也会对图像的特征造成破坏,致使图像模糊。
为了抑制图像中的噪声,更好地复原噪声污染引起的图像质量退化,有必要寻找更好的去噪方法,保证在去除噪声的同时,还能保持边缘和纹理信息。近年来,为了解决这一问题,研究者们提出了很多模型和方法。有基于概率论的,有基于偏微分方程的,也有基于多分辨分析的等等许多。
2007年Dabov等人提出的三维块匹配去噪算法BM3D是图像去噪领域非常出色的方法之一。它对边缘与纹理的保持都取得非常好的效果。其基本思想是首先把图像分成一定大小的块,根据图像块之间的相似性,把相似结构的二维图像组合在一起形成三维数组,然后用联合滤波的方法对这些三维数组进行处理,最后通过逆变换,把处理后的结果返回到原图像中,从而得到去噪后的图像。该方法不仅有较高的信噪比,而且很好地保持了原图像的纹理和边缘,特别是对变化比较缓慢的边缘的保持取得了很好的效果,但是这种方法的最大缺陷是,在平滑区域会出现一些斑块效应,导致块内图像不清晰。
发明内容
本发明的目的在于克服上述已有问题的缺陷,提出一种基于区域划分的图像去噪方法,以消除BM3D去噪方法引起的图像油漆块现象,提高边缘保持度,改善图像去噪的视觉效果。
实现本发明的技术思路是:利用primal sketch方法得到图像的边缘结构信息,将图像区分为结构区和非结构区,将非结构区分为光滑区域和非光滑区域,对这三个区域采用不同的去噪方法,以消除图像平滑区域油漆块现象,保持图像的纹理和边缘。其具体实现步骤包括如下:
(1)输入测试图像,对其添加高斯白噪声,得到噪声图像;
(2)对噪声图像进行二维平稳小波变换,得到一个低频子带和三个高频子带,将高频子带系数全部置零,低频系数不变,然后对低频系数和置零后的高频系数进行逆二维平稳小波变换,得到重构后的图像;
(3)利用primal sketch模型提取重构后图像的primal sketch草图,得到反映噪声图像边缘的结构信息,利用反映图像边缘的结构信息,将噪声图像分为结构区域和非结构区域;
(4)用块方差统计的方法将噪声图像区分为光滑区域和非光滑区域;
(5)对结构区域、光滑区域和非光滑区域分别进行去噪:
(5a)对结构区域,沿着primal sketch线段的方向在含噪图像中选取方向基本相同的相似块,组成三维数据,再用三维块匹配BM3D方法对结构区域进行去噪;
(5b)对光滑区域,任取区域内的一个像素点p,取以p为中心做一个大小为5×5的邻域均值,得到一幅均值图v,再采用下面的公式去噪:
其中,pi+k,j+l为第i+k行第j+l列的待去噪的像素点,k,l=-f,...,0,...,+f,f为控制窗口大小的参数,为待去噪点pi+k,j+l的估计值,Sp′为以像素p′为中心的搜索窗,q′为Sp′中的像素点,v(Np′)表示以p′为中心点的矩阵,v(Nq′)表示以q′为中心点的矩阵,β为衰减参数,v(q′i+k,j+l)为q′i+k,j+l的像素值,Z(p′)为归一化系数,
(5c)对非光滑区域,采用三维块匹配BM3D方法进行去噪;
(6)将结构区域、光滑区域和非光滑区域这三部分的去噪结果进行合并,得到最终的去噪图像。
本发明由于将图像分成结构区域、光滑区域和非光滑区域,对光滑区域先做均值滤波再用按块估计的非局部均值方法进行去噪,较好地去除了噪声,保持了平滑的效果;同时由于本发明对结构区域采用按结构方向取块的BM3D方法,提高了边缘保持度,对非光滑区域用原有的BM3D方法进行去噪,很好的保持了纹理等信息。实验表明,将三个区域分开处理不仅在平滑区域得到了较好的效果,同时边缘和纹理也更加清晰。
附图说明
图1是本发明的总流程图;
图2是本发明中采用primal sketch模型提取出的重构图像的primal sketch草图;
图3是本发明中barbara图像结构区域的示意图;
图4用本发明将barbara图像划分为光滑区域和非光滑区域的结果图;
图5是用本发明将barbara图像分为结构区域、光滑区域和非光滑区域的结果图;
图6是用本发明与现有方法对加噪后的barbara图像去噪的结果对比图;
图7是用本发明与现有方法对加噪后的lena图像的去噪结果的对比图。
具体实施方式
参照图1,本发明的具体实施步骤如下:
步骤1,输入测试图,对其添加标准差为30的高斯白噪声,得到噪声图像。
步骤2,将噪声图像分为结构区域和非结构区域。
(2a)对噪声图像进行二维平稳小波变换,得到一个低频子带和三个高频子带,将高频子带系数全部置零,低频系数不变,然后对高频系数与置零后的低频系数进行逆二维平稳小波变换,得到重构后的图像;
(2b)对重构后的图像利用primal sketch提取primal sketch图,如图2所示,图2中反映了噪声图像边缘的结构信息,用结构区域提取的方法将噪声图像分为结构区域和非结构区域,即对primal sketch线段上的每一点做一个7*7的窗口,窗口的方向与primal sketch线段的方向平行,将所有窗口合并起来,得到结构区域,如图3,图3中的黑色标示了结构区域,其余为非结构区域;
步骤3,将噪声图像分为光滑区域与非光滑区域。
(3a)对噪声图像,用图像块方差统计的方法将噪声图像划分为光滑区域和非光滑区域,以噪声图像上的像素点为中心,取一个16*16的窗口,将窗口所在的区域像素点的灰度方差与窗口扫描全图得到最小方差相减,得到相减结果;
(3b)将上步得到的相减结果与设定的判断参数进行比较,从而判断窗口所在的区域是否为光滑区域,取判断参数为6,若相减结果小于判断参数,则该窗口所在的区域为光滑区域,反之则为非光滑区域,划分结果如图4,图4中的黑色标示出了光滑区域,其余为非光滑区域。
步骤4,对结构区域与光滑区域或非光滑区域重合的部分进行定义。
对一幅含噪图像,本发明用基于图像块方差统计特征的方法把图像分成了光滑区域和非光滑区域,用基于primal sketch结构区域提取的方法将图像分为结构区域和非结构区域。由于结构区域有可能与光滑区域或非光滑区域重合,故将结构区域与光滑或非光滑区域重合的部分定义为结构区域,不重合的部分按区域原来的标记定义,从而将图像分为结构区域,光滑区域和非光滑区发域,如图5,图5中的白色标示了结构区域,黑色标示了光滑区域,其余为非光滑区域;
步骤5,分别对结构区域、光滑区域和非光滑区域进行去噪。
(5a)对结构区域,沿着primal sketch线段的方向在含噪图像中选取方向基本相同的相似块,组成三维数据,再用三维块匹配BM3D方法对结构区域进行去噪;
(5b)对光滑区域内的每一个像素点p,取以p为中心做一个大小为5×5的邻域均值,得到一幅均值图v,再采用下面的公式去噪:
其中,pi+k,j+l为第i+k行第j+l列的待去噪的像素点,k,l=-f,...,0,...,+f,f为控制窗口大小的参数,这里f取3,为待去噪点pi+k,j+l的估计值,Sp′为以像素p′为中心的搜索窗,搜索窗的大小为11*11,q′为Sp′中的像素点,v(Np′)表示以p′为中心点的矩阵,v(Nq′)表示以q′为中心点的矩阵,β为衰减参数,v(q′i+k,j+l)为q′i+k,j+l的像素值,Z(p′)为归一化系数,
(5c)对非光滑区域,用三维块匹配BM3D方法进行去噪,即把非光滑区域分成8*8的图像块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起,形成三维数据,用联合滤波的方式对三维数据进行滤波,并对滤波的结果进行逆变换,把逆变换之后的结果返回到原图像中,得到非光滑区域的去噪结果;
步骤6,将结构区域、光滑区域和非光滑区域的去噪结果合并,即将每个区域去噪后的结果拼接在一起,得到最终去噪图像。
本发明的效果可通过以下仿真实验进一步说明:
为了具体说明本发明的优势和特点,下面对该发明的实现过程进行详细介绍,并应用到自然图像去噪过程中去,得到的去噪结果。
(1)实验目的
本实验的目的是测试并比较本发明提出的方法、非局部均值方法和三维块匹配BM3D方法的图像去噪效果。
(2)实验环境
我们对lena,和barbara图像进行了仿真实验,大小均为512×512,灰度级为256。本实验的硬件测试平台是:Pentium 4CPU,主频2.9Ghz,内存1.0GB;软件平台为:Windows XP操作系统和Matlab 7.8.0。
(3)实验内容
实验一对barbara图像的仿真实验
对barbara图像进行仿真实验,图像大小为512×512,灰度级为256。分别使用本发明方法、非局部均值方法和三维块匹配BM3D方法对加噪后的barbara图像进行去噪,结果如图6所示,其中图6(a)是原barbara图像,图6(b)是噪声图像,图6(c)是非局部均值方法的去噪图像,图6(d)是非局部均值方法去噪图像的局部放大图,图6(e)是BM3D方法的去噪图像,图6(f)是BM3D方法去噪图像的局部放大图,图6(g)是本发明的去噪图像,图6(h)是本发明去噪图像的局部放大图。
从图6(d)、图6(f)和图6(h)光滑区域和左胳膊处可以看到本方法去噪结果明显消除了斑块现象。
实验二对lena图像的仿真实验
对lena图像进行仿真实验,图像大小为512×512,灰度级为256。分别使用本发明方法、非局部均值方法和三维块匹配BM3D方法对加噪后的lena图像进行去噪,结果如图7所示,其中图7(a)是原图像,图7(b)是噪声图像,图7(c)是非局部均值方法的去噪图像,图7(d)是非局部均值方法去噪图像的局部放大图,图7(e)是BM3D方法的去噪图像,图7(f)是BM3D方法去噪图像的局部放大图,图7(g)是本发明的去噪图像,图7(h)是本发明去噪图像的局部放大图。
从图7(d)、图7(f)和图7(h)可以看到本发明在lena脸部的去噪效果明显优于原BM3D方法。
表1展示了本发明与非局部均值方法和三维块匹配BM3D方法的去噪结果的峰值信噪比PSNR与结构相似度SSIM指标。
表1本方法与非局部均值和BM3D方法PSNR与SSIM指标的比较
从表1中可以看出,本发明去噪结果的峰值信噪比(PSNR)明显优于非局部均值方法,但是与三维块匹配BM3D方法相比,峰值信噪比却有略微的降低。总体来看,本发明的结构相似度SSIM指标比非局部均值方法和BM3D方法要好。
综上,本发明不仅很好保持了噪声图像边缘和纹理信息,同时也平滑了光滑区域,取得了良好的视觉效果。
Claims (4)
1.一种基于区域划分的图像去噪方法,包括如下步骤:
(1)输入测试图像,对其添加高斯白噪声,得到噪声图像;
(2)对噪声图像进行二维平稳小波变换,得到一个低频子带和三个高频子带,将高频子带系数全部置零,低频系数不变,然后对低频系数和置零后的高频系数进行逆二维平稳小波变换,得到重构后的图像;
(3)利用primal sketch模型提取重构后图像的primal sketch草图,得到反映噪声图像边缘的结构信息,利用反映图像边缘的结构信息,将噪声图像分为结构区域和非结构区域;
(4)用块方差统计的方法将非结构区分为光滑区域和非光滑区域;
(5)对结构区域、光滑区域和非光滑区域分别进行去噪:
(5a)对结构区域,沿着primal sketch线段的方向在含噪图像中选取方向基本相同的相似块,组成三维数据,再用三维块匹配BM3D方法对结构区域进行去噪;
(5b)对光滑区域,任取区域内的一个像素点p,取以p为中心做一个大小为5×5的邻域均值,得到一幅均值图v,再采用下面的公式去噪:
其中,pi+k,j+l为第i+k行第j+l列的待去噪的像素点,k,l=-f,...,0,...,+f,f为控制窗口大小的参数,为待去噪点pi+k,j+l的估计值,Sp'为以像素p'为中心的搜索窗,q'为Sp'中的像素点,v(Np')表示以p'为中心点的矩阵,v(Nq')表示以q'为中心点的矩阵,β为衰减参数,v(q'i+k,j+l)为q'i+k,j+l的像素值,Z(p')为归一化系数,
(5c)对非光滑区域,采用三维块匹配BM3D方法进行去噪;
(6)将结构区域、光滑区域和非光滑区域这三部分的去噪结果进行合并,得到最终的去噪图像。
2.根据权利要求1所述的方法,其中步骤(3)所述的利用反映图像边缘的结构信息,将噪声图像分为结构区域和非结构区域,是以primal sketch线段上的每个点为中心,沿着primal sketch线段的方向做7*7窗口,窗口覆盖的区域即为结构区域,噪声图像中剩下的区域为非结构区域。
4.根据权利要求1中所述的方法,其中步骤(5c)所述的对非光滑区域采用三维块匹配BM3D方法进行去噪,按如下步骤进行:
(5c1)把非光滑区域分成8*8的图像块,根据图像块之间的相似性,把具有相似结构的二维图像块组合在一起,形成三维数据;
(5c2)用联合滤波的方式对上步得到的三维数据进行滤波,并对滤波的结果进行步骤(5c1)的逆变换;
(5c3)把逆变换的结果返回到原图像中,得到非光滑区域的去噪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210118169.8A CN102663702B (zh) | 2012-04-20 | 2012-04-20 | 基于区域划分的自然图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210118169.8A CN102663702B (zh) | 2012-04-20 | 2012-04-20 | 基于区域划分的自然图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663702A CN102663702A (zh) | 2012-09-12 |
CN102663702B true CN102663702B (zh) | 2014-07-09 |
Family
ID=46773181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210118169.8A Active CN102663702B (zh) | 2012-04-20 | 2012-04-20 | 基于区域划分的自然图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663702B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093433B (zh) * | 2013-01-25 | 2015-04-08 | 西安电子科技大学 | 基于区域划分和字典学习的自然图像去噪方法 |
CN103049892B (zh) * | 2013-01-27 | 2015-05-27 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
CN103295233A (zh) * | 2013-05-16 | 2013-09-11 | 长安大学 | 合成孔径雷达影像配准中最优匹配窗口的选择方法 |
CN103927730B (zh) * | 2014-01-22 | 2017-05-24 | 西安电子科技大学 | 基于Primal Sketch修正及矩阵填充的图像降噪方法 |
CN104091160B (zh) * | 2014-07-14 | 2017-12-08 | 成都万维图新信息技术有限公司 | 一种人脸检测方法 |
CN104657954B (zh) * | 2015-03-04 | 2017-08-04 | 广东迅通科技股份有限公司 | 基于人眼视觉相似性约束的图像去雾方法、系统及设备 |
CN105550997A (zh) * | 2015-12-08 | 2016-05-04 | 天津津航计算技术研究所 | 一种基于多个变换域的三维匹配图像去噪方法 |
CN106023109B (zh) * | 2016-05-19 | 2019-06-07 | 西华大学 | 一种基于区域相似样例学习的稀疏去噪方法 |
CN111031313B (zh) * | 2017-03-02 | 2021-09-24 | 北方工业大学 | 基于次级参考块和次级估计组的滤波方法和装置 |
CN107292851B (zh) * | 2017-07-14 | 2019-09-27 | 重庆理工大学 | 一种基于伪3d变换的bm3d图像降噪方法 |
CN107798663B (zh) * | 2017-10-24 | 2019-12-24 | 哈尔滨工业大学 | 一种基于偏微分方程和bm3d的无参数化图像恢复方法 |
CN107818551A (zh) * | 2017-10-31 | 2018-03-20 | 努比亚技术有限公司 | 一种图像处理方法、终端设备及存储介质 |
CN108133466B (zh) * | 2018-01-15 | 2020-07-07 | 集美大学 | 一种改进型自适应小波太赫兹图像去噪方法 |
CN110097511B (zh) * | 2019-04-11 | 2021-06-15 | 成都微光集电科技有限公司 | 一种图像降噪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101272503A (zh) * | 2008-04-30 | 2008-09-24 | 北京中星微电子有限公司 | 一种保持图像清晰度的网格噪声消除方法及其装置 |
CN102117482A (zh) * | 2011-04-13 | 2011-07-06 | 西安电子科技大学 | 结合结构信息的非局部均值图像去噪方法 |
CN102184526A (zh) * | 2011-04-22 | 2011-09-14 | 西安电子科技大学 | 基于字典学习和块匹配的自然图像去噪方法 |
-
2012
- 2012-04-20 CN CN201210118169.8A patent/CN102663702B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101272503A (zh) * | 2008-04-30 | 2008-09-24 | 北京中星微电子有限公司 | 一种保持图像清晰度的网格噪声消除方法及其装置 |
CN102117482A (zh) * | 2011-04-13 | 2011-07-06 | 西安电子科技大学 | 结合结构信息的非局部均值图像去噪方法 |
CN102184526A (zh) * | 2011-04-22 | 2011-09-14 | 西安电子科技大学 | 基于字典学习和块匹配的自然图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering;Kostadin Dabov;《IEEE Transactions on Image Processing》;20070831;第16卷(第8期);2080-2095 * |
Kostadin Dabov.Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering.《IEEE Transactions on Image Processing》.2007,第16卷(第8期),2080-2095. |
Also Published As
Publication number | Publication date |
---|---|
CN102663702A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663702B (zh) | 基于区域划分的自然图像去噪方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN100550978C (zh) | 一种保持边缘的自适应图像滤波方法 | |
CN102117482B (zh) | 结合结构信息的非局部均值图像去噪方法 | |
Chen et al. | Image denoising by bounded block matching and 3D filtering | |
CN109636766B (zh) | 基于边缘信息增强的偏振差分与光强图像多尺度融合方法 | |
CN103049892A (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
CN101950414A (zh) | 自然图像非局部均值去噪方法 | |
CN101847257A (zh) | 基于非局部均值与多级定向图像的图像降噪方法 | |
CN108564597A (zh) | 一种融合高斯混合模型和h-s光流法的视频前景目标提取方法 | |
CN101944230A (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN113724164B (zh) | 一种基于融合重构制导滤波的可见光图像噪声去除方法 | |
CN104616249A (zh) | 一种基于曲率变分的小波变换图像去噪算法 | |
CN107301662A (zh) | 深度图像的压缩恢复方法、装置、设备及存储介质 | |
CN102722879A (zh) | 基于目标提取和三维块匹配去噪的sar图像去斑方法 | |
CN113793278A (zh) | 一种改进的加权核范数最小化和Laplace算子选择性增强的遥感影像去噪方法 | |
Zhang et al. | Multiple-step local Wiener filter with proper stopping in wavelet domain | |
Wang et al. | A wavelet-based image denoising using least squares support vector machine | |
Gupta et al. | A novel approach for image denoising and performance analysis using SGO and APSO | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN103077507A (zh) | 基于Beta算法的多尺度SAR图像降噪方法 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
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 | |
Wu et al. | Non-uniform low-light image enhancement via non-local similarity decomposition model | |
CN105023257B (zh) | 基于N‑Smoothlets的图像去噪方法 |
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 |