CN102810202A - 基于分数阶差分加权的图像多步残差反馈迭代滤波方法 - Google Patents

基于分数阶差分加权的图像多步残差反馈迭代滤波方法 Download PDF

Info

Publication number
CN102810202A
CN102810202A CN2012101454036A CN201210145403A CN102810202A CN 102810202 A CN102810202 A CN 102810202A CN 2012101454036 A CN2012101454036 A CN 2012101454036A CN 201210145403 A CN201210145403 A CN 201210145403A CN 102810202 A CN102810202 A CN 102810202A
Authority
CN
China
Prior art keywords
image
fractional order
residual
multistep
iteration
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
Application number
CN2012101454036A
Other languages
English (en)
Other versions
CN102810202B (zh
Inventor
张军
肖亮
韦志辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201210145403.6A priority Critical patent/CN102810202B/zh
Publication of CN102810202A publication Critical patent/CN102810202A/zh
Application granted granted Critical
Publication of CN102810202B publication Critical patent/CN102810202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种基于分数阶差分加权的图像多步残差反馈迭代滤波方法，该滤波方法包括分数阶奇异性指标计算单元、分数阶权重矩阵计算单元以及多步残差反馈滤波单元。本方法首先估计每个像素点对应的分数阶奇异性指标；然后依据分数阶差分格式的系数计算方式生成分数阶加权系数矩阵；最后，执行多步残差反馈滤波迭代，利用多个去噪残差图像的分数阶加权组合更新生成中间待去噪图像，并对其进行全变差滤波生成迭代去噪图像序列，迭代收敛图像为最终去噪图像。本方法得到的迭代序列可以快速收敛于具有较高峰值信噪比的去噪图像，迭代结果对于迭代终止条件敏感性及依赖程度小，可以在有效抑制图像噪声的同时，较好保持图像的纹理等细节信息。

Description

基于分数阶差分加权的图像多步残差反馈迭代滤波方法
技术领域
    本发明涉及图像处理领域中图像噪声抑制的滤波技术，特别是一种基于分数阶差分加权的图像多步残差反馈迭代滤波方法。 
背景技术
图像在采集、传输和显示过程中，不可避免地会产生噪声污染，噪声抑制是图像分割、识别与目标检测等许多图像后续过程的预处理过程。而在一些应用领域，例如在医学和遥感图像处理中，图像强、弱边缘的检测以及纹理分析都是重要的图像分析手段，因此在抑制噪声的同时有效保持图像的边缘、纹理等结构非常重要。 
   目前,国际上关于抑制噪声过程中的图像细节保持问题已有许多研究。2004年, Chamolle提出的全变差滤波的快速投影迭代算法（Chambolle A. An algorithm for total variation minimization and applications. Journal of Mathematical Imaging and Vision, 2004，20(1)：89-97）计算量小，收敛速度快，能够较好地保持图像的边缘, 但是容易出现边缘阶梯效应, 纹理等细节信息丢失严重。虽然非局部TV正则化方法（Bresson, X. A short note for nonlocal-TV minimization. June 2009, technical report）可以较好地保持图像纹理细节，但这种方法计算量较大。Osher等人提出的迭代正则化方法（S. Osher, M. Burger et al. An Iterative Regularization Method for Total Variation Based Image Restoration. Multiscale Modeling and Simulation, 2005,4(2): 460-489)可以较好地保持图像的细节，并且计算量较小，因此受到了很大的关注。该方法实际上是一种单步残差反馈迭代滤波方法，在迭代过程中，残差图像（即在滤波过程中被去掉的部分）中的图像纹理等细节信息包括噪声都被逐步加回到去噪图像中去，最终所得到的迭代序列收敛到原含噪声图像，因此可以较好地保持图像的纹理细节信息。然而，为了防止过多的噪声被加回到去噪图像中，该迭代方法必须算法收敛之前在适当的时候终止。然而，由于该方法收敛速度非常快，因此迭代结果对于迭代终止步的选择非常敏感，这大大影响了该方法在实际应用中的稳定性。 
发明内容
本发明目的是提供一种基于分数阶差分加权的图像多步残差反馈迭代滤波方法。该滤波方法基于分数阶差分格式，对迭代过程中所产生的多幅残差图像进行加权组合，并反馈到原始待去噪图像中生成新的待去噪图像进行去噪，通过选择合适的参数，所得到的迭代序列的峰值信噪比可以很稳定地保持在一个较高的水平，可以通过经典的迭代序列相对误差就可以很方便地控制迭代终止条件，有利于实际应用。该方法算法计算量小，收敛速度快，可以在去除图像噪声的同时，有效保持图像的纹理等细节成分，得到具有高峰值信噪比和良好视觉效果的去噪图像。 
实现本发明目的的技术解决方案为：本发明基于分数阶差分加权的图像多步残差反馈迭代滤波方法包括分数阶奇异性指标计算单元、分数阶权重矩阵计算单元以及多步残差反馈滤波单元。本方法首先在分数阶奇异性指标计算单元中估计每个像素点对应的分数阶奇异性指标；然后在分数阶权重计算单元中，依据分数阶差分格式的系数计算方式生成分数阶加权系数矩阵；最后，执行多步残差反馈滤波单元，利用多个去噪残差图像的分数阶加权组合更新生成中间待去噪图像，并对其进行全变差滤波生成迭代去噪图像序列，迭代收敛图像为最终去噪图像。 
1.1 所述的分数阶奇异性指标计算单元, 包括如下步骤: 
Figure RE-DEST_PATH_IMAGE002
 全变差滤波预处理。输入一幅大小为
Figure RE-DEST_PATH_IMAGE004
的待去噪图像
Figure RE-DEST_PATH_IMAGE006
，应用全变差滤波方法得到初始滤波图像
Figure RE-DEST_PATH_IMAGE008
; 
 计算残差图像的局部方差。计算初始残差图像
Figure RE-DEST_PATH_IMAGE012
, 逐个计算残差图像中像素
Figure RE-DEST_PATH_IMAGE014
所在局部大小为
Figure RE-DEST_PATH_IMAGE016
(, 
Figure RE-DEST_PATH_IMAGE020
为奇数)窗口内的局部方差，其计算关系为:
            
Figure RE-DEST_PATH_IMAGE024
， 
Figure RE-DEST_PATH_IMAGE026
其中
Figure RE-DEST_PATH_IMAGE028
是残差图像中以
Figure 145520DEST_PATH_IMAGE014
为中心, 大小为
Figure 917167DEST_PATH_IMAGE016
的窗口。
    确定分数阶奇异性指标分布区间。计算局部方差（
Figure 563360DEST_PATH_IMAGE026
）的平均值
Figure RE-DEST_PATH_IMAGE032
，将分数阶奇异性指标分布区间记为
Figure RE-DEST_PATH_IMAGE034
，其中
Figure RE-DEST_PATH_IMAGE036
的取值规则为: 
(i)   当
Figure RE-DEST_PATH_IMAGE038
，取
Figure RE-DEST_PATH_IMAGE040
；
(ii) 当
Figure RE-DEST_PATH_IMAGE042
，取
Figure RE-DEST_PATH_IMAGE044
；
(iii)   当
Figure RE-DEST_PATH_IMAGE046
，取
Figure RE-DEST_PATH_IMAGE048
；
其中: 
Figure RE-DEST_PATH_IMAGE050
 为噪声标准差，由下面的经验估计公式进行估计
式中为残差图像在Db4小波小波分解的最高频的HH子带小波系数的幅度中值。
   
Figure RE-DEST_PATH_IMAGE058
 计算分数阶奇异性指标。利用Sigmoid函数，将局部方差
Figure 414379DEST_PATH_IMAGE022
的值限定到在分数阶奇异性指标分布区间
Figure 356927DEST_PATH_IMAGE034
上，并作为对图像内各点分数阶奇异性指标
Figure RE-DEST_PATH_IMAGE060
的估计，其具体计算关系为 
        ，  
其中
Figure RE-DEST_PATH_IMAGE064
分别为局部方差
Figure 168763DEST_PATH_IMAGE022
（
Figure 651697DEST_PATH_IMAGE026
）的标准差。
    1.2 所述的分数阶权重矩阵计算单元 
    本发明中的残差反馈是利用离散分数阶微分来实现的, 在本发明中, 图像中每一点
Figure 124267DEST_PATH_IMAGE014
处的分数阶差分阶数, 即1.1中所述的分数阶奇异性指标
Figure 50765DEST_PATH_IMAGE060
可以不同，图像中的每一点对应的分数阶微分组合权重系数也不一样，因此本发明图像中各点的分数阶权重系数构成了若干个空间变化的分数阶权重矩阵，本计算单元主要用于计算和存储这些分数阶权重矩阵。
    设立
Figure RE-DEST_PATH_IMAGE066
(
Figure RE-DEST_PATH_IMAGE068
)个大小为
Figure 367476DEST_PATH_IMAGE004
的矩阵存储装置, 存储
Figure 654100DEST_PATH_IMAGE066
个分数阶权重矩阵
Figure RE-DEST_PATH_IMAGE070
。权重矩阵
Figure 2012101454036100002DEST_PATH_IMAGE072
中每个元素
Figure 2012101454036100002DEST_PATH_IMAGE074
的计算公式为： 
                                 
Figure 2012101454036100002DEST_PATH_IMAGE076
,       
其中
Figure 2012101454036100002DEST_PATH_IMAGE078
, 
Figure 2012101454036100002DEST_PATH_IMAGE080
为Gamma函数，且当
Figure 2012101454036100002DEST_PATH_IMAGE082
时，
Figure 2012101454036100002DEST_PATH_IMAGE084
.
     1.3 所述的多步残差反馈迭代滤波单元, 包括如下步骤：
步骤1：设立
Figure 777914DEST_PATH_IMAGE066
(
Figure 124582DEST_PATH_IMAGE068
)个大小为
Figure 848693DEST_PATH_IMAGE004
的矩阵存储装置, 存储当前第
Figure 2012101454036100002DEST_PATH_IMAGE086
步前面的
Figure 939009DEST_PATH_IMAGE066
个残差图像
Figure 2012101454036100002DEST_PATH_IMAGE088
, 其中为迭代次数; 
Figure 2012101454036100002DEST_PATH_IMAGE092
时
Figure 2012101454036100002DEST_PATH_IMAGE094
步骤2:  执行迭代, 对
Figure 369859DEST_PATH_IMAGE066
个残差图像
Figure 434898DEST_PATH_IMAGE088
进行线性组合，并从原含噪声图像
Figure 652165DEST_PATH_IMAGE006
中减去该残差线性组合，得到第
Figure 2012101454036100002DEST_PATH_IMAGE096
步(
Figure 2012101454036100002DEST_PATH_IMAGE098
)中间待去噪图像
Figure 2012101454036100002DEST_PATH_IMAGE100
, 其计算关系为: 
Figure 2012101454036100002DEST_PATH_IMAGE102
其中每一个
Figure 2012101454036100002DEST_PATH_IMAGE104
的运算都是矩阵中对应元素的点对点的乘法。
步骤3：对第步(
Figure 395310DEST_PATH_IMAGE098
)中间图像 
Figure 818201DEST_PATH_IMAGE100
，利用全变差滤波方法进行快速去噪，得到新的中间去噪图像
Figure 2012101454036100002DEST_PATH_IMAGE106
及其残差图像
Figure 2012101454036100002DEST_PATH_IMAGE108
； 
    步骤4：判断迭代终止条件
Figure 2012101454036100002DEST_PATH_IMAGE110
，如果满足迭代终止条件，则输出最终的去噪结果
Figure 516905DEST_PATH_IMAGE106
；否则，令
Figure DEST_PATH_IMAGE112
，更新残差图像存储装置中的数据,即
Figure DEST_PATH_IMAGE114
, 转到迭代计算过程中的步骤2继续计算；
本发明与现有技术相比，其显著优点：本发明方法能够实现高视觉质量的快速去噪。本发明方法得到的迭代序列可以快速收敛并稳定地保持在较高峰值信噪比水平上，从而大大降低了迭代结果对于迭代终止条件敏感性及依赖程度。本方明方法计算量小，收敛速度快，可以在有效抑制图像噪声的同时，较好保持图像的纹理等细节信息，得到具有良好视觉效果的去噪图像。本发明在遥感图像处理、医学影像处理等都有广泛的应用前景。
附图说明
图1是本发明方法整体算法结构流程图。 
图2是分数阶奇异性指标计算单元算法及数据流程图。 
图3是多步残差反馈迭代滤波单元算法及数据流程图。 
图4是本发明的实验测试图像，(a) 纯卡通含噪声图像， (b) 纯纹理含噪声图像， (c) 含噪声的自然图像。 
图5是本发明方法在不同分数阶阶数下的去噪图像峰值信噪比比较，(a) 纯卡通图像去噪峰值信噪比，(b)纯纹理图像去噪峰值信噪比。 
图6是本发明方法不同分数阶阶数下与与传统方法的纯卡通图像的去噪比较，(a) Bregman迭代，(b) 
Figure DEST_PATH_IMAGE116
，(c) 
Figure DEST_PATH_IMAGE118
，(d) 
Figure DEST_PATH_IMAGE120
，(e)  ROF。 
图7是本发明方法不同分数阶阶数下与与传统方法的纯纹理图像的去噪比较，  (a) Bregman迭代，(b) ，(c) 
Figure 714985DEST_PATH_IMAGE118
， (d) 
Figure 512040DEST_PATH_IMAGE120
，(e) ROF。 
图8是本发明方法与传统方法的自然图像去噪比较，(a) 传统迭代正则化方法 (这里的去噪图像是迭代中具有最高峰值信噪比的去噪图像
Figure DEST_PATH_IMAGE122
)，(b) 非局部TV正则化方法，(c) 本文自适应方法。 
具体实施方式
下面结合附图对本发明做进一步说明。 
首先，结合附图1至图3 给的本发明方法的整体算法结构以及具体单元算法流程, 详细介绍本发明的使用方法。图1中给出了本发明的基本流程及功能模块，依次为分数阶奇异性指标计算单元、分数阶权重矩阵计算单元以及多步残差反馈滤波单元。 
1.1 所述的分数阶奇异性指标计算单元, 如图2所示, 按照下面的具体方法进行计算: 
Figure 432460DEST_PATH_IMAGE002
 全变差滤波预处理。输入一幅大小为
Figure 605952DEST_PATH_IMAGE004
的待去噪图像
Figure 616634DEST_PATH_IMAGE006
，应用全变差滤波方法得到初始滤波图像。在这一步，所采用的，在该快速投影迭代算法中，设定前后相邻两次迭代相对误差小于给定的精度（一般设定相对误差精度为）时，迭代终止，并将此时的迭代结果作为全变差滤波得到的去噪图像。在本发明中所有述的全变差滤波方法都采用Chamolle的快速投影迭代算法。
Figure 743038DEST_PATH_IMAGE010
 计算残差图像的局部方差。残差图像每个像素
Figure 267692DEST_PATH_IMAGE014
局部方差
Figure 132880DEST_PATH_IMAGE022
的计算关系为: 
            
Figure 271737DEST_PATH_IMAGE024
， 
Figure 917482DEST_PATH_IMAGE026
其中是一个以
Figure 152471DEST_PATH_IMAGE014
为中心, 大小为
Figure 773814DEST_PATH_IMAGE016
的窗口。
   
Figure 844539DEST_PATH_IMAGE030
 确定分数阶奇异性指标分布区间。其具体实现过程是： 
    步骤1，利用Db4小波对残差图像
Figure 960262DEST_PATH_IMAGE056
进行一次小波分解，得到最高频的HH子带小波系数，对该子带小波系数幅度进行排序后取中值记为
Figure 800042DEST_PATH_IMAGE054
，然后估计图像的噪声标准差
Figure 280702DEST_PATH_IMAGE050
，其估计公式为
Figure 386192DEST_PATH_IMAGE052
步骤2，计算局部方差的平均值；
步骤3，确定分数阶奇异性指标分布区间
Figure 243290DEST_PATH_IMAGE034
，其中
Figure 999893DEST_PATH_IMAGE036
的取值规则为:
(i)             当
Figure 651455DEST_PATH_IMAGE038
，取
Figure 696771DEST_PATH_IMAGE040
；
(ii)           当
Figure 397705DEST_PATH_IMAGE042
，取
Figure 946498DEST_PATH_IMAGE044
；
(iii)         当
Figure 34540DEST_PATH_IMAGE046
，取
Figure 363890DEST_PATH_IMAGE048
；
   
Figure 562790DEST_PATH_IMAGE058
 计算分数阶奇异性指标。利用所得到的残差图像的局部方差及分数阶奇异性指标分布区间，计算图像内各点分数阶奇异性指标
Figure 38082DEST_PATH_IMAGE060
，其具体计算关系为
        
Figure 792412DEST_PATH_IMAGE062
，  
其中
Figure 529423DEST_PATH_IMAGE064
分别为局部方差
Figure 115126DEST_PATH_IMAGE022
（
Figure 544970DEST_PATH_IMAGE026
）的标准差。
1.2 所述的分数阶权重矩阵计算单元，按照下面的具体方法进行计算： 
    设立
Figure 521016DEST_PATH_IMAGE066
(
Figure 373303DEST_PATH_IMAGE068
)个大小为
Figure 79091DEST_PATH_IMAGE004
的矩阵存储装置, 存储
Figure 414258DEST_PATH_IMAGE066
个分数阶权重矩阵。权重矩阵
Figure 35043DEST_PATH_IMAGE072
中每个元素
Figure 533020DEST_PATH_IMAGE074
的计算公式为：
                                 
Figure 39088DEST_PATH_IMAGE076
,       
其中
Figure 317623DEST_PATH_IMAGE078
, 为Gamma函数，且当时，
Figure 806745DEST_PATH_IMAGE084
.
    1.3 所述的多步残差反馈迭代滤波单元, 其算法即数据流程如图3所示，具体计算按照下面的方法进行：
步骤1：设立
Figure 244679DEST_PATH_IMAGE066
(
Figure 665296DEST_PATH_IMAGE068
)个大小为
Figure 200183DEST_PATH_IMAGE004
的矩阵存储装置, 存储当前第
Figure 48053DEST_PATH_IMAGE086
步前面的
Figure 973284DEST_PATH_IMAGE066
个残差图像
Figure 10641DEST_PATH_IMAGE088
, 其中为迭代次数; 时
Figure 96912DEST_PATH_IMAGE094
步骤2:  计算中间待去噪图像得到中间待去噪图像
Figure 859331DEST_PATH_IMAGE100
, 其计算关系为: 
Figure 352498DEST_PATH_IMAGE102
其具体计算过程是：首先，对存贮装置中的对应数据进行点乘运算，具体为
Figure 807751DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE128
，这里的每一个
Figure 769890DEST_PATH_IMAGE104
的运算都是矩阵中对应元素的点对点的乘法；然后从原含噪声图像矩阵
Figure 336001DEST_PATH_IMAGE006
中减去将点乘运算之后得到的
Figure 185139DEST_PATH_IMAGE066
个矩阵，得到中间待去噪图像
Figure 811293DEST_PATH_IMAGE100
。
步骤3：对中间图像 
Figure 198412DEST_PATH_IMAGE100
，利用Chambolle快速投影迭代算法进行全变差滤波，得到新的中间去噪图像
Figure 364951DEST_PATH_IMAGE106
及其残差图像
Figure 521126DEST_PATH_IMAGE108
； 
步骤4：判断迭代终止条件
Figure DEST_PATH_IMAGE130
（本发明中预设
Figure DEST_PATH_IMAGE132
），如果满足迭代终止条件，则输出最终的去噪结果
Figure 635624DEST_PATH_IMAGE106
；否则，令，更新残差图像存储装置中的数据,即
Figure 480269DEST_PATH_IMAGE114
, 转到迭代计算过程中的步骤2继续计算；
 在本次实例中，我们考虑3种图像(图4)：纯卡通图像（256×256）、纯纹理图像（256×256）以及既有卡通部分也有纹理部分的一般自然图像（256×256）。本发明方法中的正则化参数
Figure DEST_PATH_IMAGE134
，本发明方法的整体迭代的迭代误差限
Figure 304000DEST_PATH_IMAGE132
。作为衡量去噪效果，本实验中采用峰值信噪比（PSNR）作为客观标准，这里PSNR定义为：
Figure DEST_PATH_IMAGE136
  图5 给出了在不同固定分数阶奇异性指标下（即对图像中所有的点都取相同的分数阶奇异性指标），本发明方法对于纯卡通图像和纯纹理图像的峰值信噪比的改善。从峰值信噪比的变化图可以看到，传统的单步残差反馈迭代正则化方法的去噪图像的峰值信噪比开始上升非常快，在达到最大值之后，迅速衰减到很低的程度，而且这个过程只需要很少的迭代步骤，这就说明想要得到具有较高峰值信噪比的图像，迭代终止条件选择非常重要。而本发明方法可以明显改善这一状况。对于纯卡通图像，当
Figure DEST_PATH_IMAGE138
位于0.5 附近时，峰值信噪比上升之后，随着迭代进行经过非常缓慢的下降之后，很快趋于稳定保持在较高的水平，在后面的迭代过程中变化非常小。而对于纯纹理图像，当比1.0略小的时候，峰值信噪比上升时候，也很快稳定在较高的水平。这说明选择合适的参数时，我们可以很方便地得到具有较高峰值信噪比的去噪图像。图6-图7给出了不同参数下的去噪图像的比较。对于纯卡通图像，当
Figure 430405DEST_PATH_IMAGE138
位于1.0 附近时，过多的噪声被加回到去噪图像中；当
Figure 188014DEST_PATH_IMAGE138
更加靠近0.0时，噪声被很好地抑制，但从残差图像中可以看到图像边缘损失也是比较严重的；而当
Figure 318781DEST_PATH_IMAGE138
位于0.5 附近时，既可以较好抑制噪声，也可以较好保持图像的边缘结构。对于纯纹理图像，相对于
Figure DEST_PATH_IMAGE140
，即传统的迭代正则化方法，在当
Figure 519956DEST_PATH_IMAGE138
位于1.0 附近且比1.0时，已经可以去除大部分噪声，虽然在图像中仍然保留了一些噪声，但由于纹理对于噪声有视觉上的掩盖效应，因此这部分噪声对于视觉效果影响并不是太大；但当
Figure 103384DEST_PATH_IMAGE138
较小时，会损失过多的纹理细节。
对于试验一般自然图像（图4（c））, 我们根据1.1所述方法计算分数阶奇异性指标，这样各象素点对应的分数阶奇异性指标是自适应的。实验结果表明，本发明能在抑制图像非纹理区域中的噪声的同时，可以较好地保持图像纹理区域中的纹理信息。 

Claims (5)

1.一种基于分数阶差分加权的图像多步残差反馈迭代滤波方法，包括分数阶奇异性指标计算单元、分数阶权重系数矩阵计算单元以及多步残差反馈迭代滤波单元；
1.1 所述的分数阶奇异性指标计算单元，包括如下步骤：
步骤1：全变差滤波预处理：输入一幅大小为                                               
Figure DEST_PATH_IMAGE002
的待去噪图像，应用全变差滤波方法得到初始滤波图像
Figure DEST_PATH_IMAGE006
；
步骤2：计算初始滤波残差图像的每个像素点的局部方差
Figure DEST_PATH_IMAGE010
；
    步骤3：确定分数阶奇异性指标分布区间
Figure DEST_PATH_IMAGE012
；
    步骤4：计算图像每个像素点对应的分数阶奇异性指标
Figure DEST_PATH_IMAGE014
；
    1.2 所述的分数阶权重系数矩阵计算单元，通过设立
Figure DEST_PATH_IMAGE016
(
Figure DEST_PATH_IMAGE018
)个大小为的矩阵存储装置, 存储计算得到的
Figure 960670DEST_PATH_IMAGE016
个分数阶权重系数矩阵
Figure DEST_PATH_IMAGE020
；
    1.3 所述的多步残差反馈迭代滤波单元, 包括如下步骤：
步骤1：设立
Figure 819036DEST_PATH_IMAGE016
(
Figure 10983DEST_PATH_IMAGE018
)个大小为
Figure 825355DEST_PATH_IMAGE002
的矩阵存储装置, 在第
Figure DEST_PATH_IMAGE022
步计算开始时，存储前一步即第
Figure DEST_PATH_IMAGE024
步到第
Figure DEST_PATH_IMAGE026
步迭代中产生的个相邻的残差图像
Figure DEST_PATH_IMAGE028
, 其中
Figure 294612DEST_PATH_IMAGE024
为迭代次数; 时
Figure DEST_PATH_IMAGE032
步骤2:  按照分数阶差分格式，对得到的
Figure 634457DEST_PATH_IMAGE016
个残差图像
Figure 303336DEST_PATH_IMAGE028
利用分数阶权重系数矩阵
Figure 296700DEST_PATH_IMAGE020
进行线性组合，并从原含噪声图像中减去该残差线性组合，得到中间待去噪图像
Figure DEST_PATH_IMAGE034
, 其计算关系为: 
Figure DEST_PATH_IMAGE036
其中每一个
Figure DEST_PATH_IMAGE038
的运算都是矩阵中对应元素的点对点的乘法；
步骤3：对中间待去噪图像
Figure 896363DEST_PATH_IMAGE034
，利用全变差滤波方法进行快速去噪，得到新的中间滤波图像
Figure DEST_PATH_IMAGE040
及其残差图像
Figure DEST_PATH_IMAGE042
；
    步骤4：判断迭代终止条件
Figure DEST_PATH_IMAGE044
，其中
Figure DEST_PATH_IMAGE046
为人工设定的相对误差精度要求，如果满足迭代终止条件，则输出最终的去噪图像
Figure 872278DEST_PATH_IMAGE040
；否则，令，更新残差图像存储装置中的数据,即, 转到步骤2继续计算。
2.根据权利1所述的基于分数阶差分加权的图像多步残差反馈迭代滤波方法，其特征在于分数阶奇异性指标计算单元步骤2中残差图像的每个像素点的局部方差
Figure 98860DEST_PATH_IMAGE010
满足如下关系：
            
Figure DEST_PATH_IMAGE052
， 
Figure DEST_PATH_IMAGE054
其中：
Figure DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE058
是一个以
Figure DEST_PATH_IMAGE060
为中心, 大小为
Figure DEST_PATH_IMAGE062
(
Figure DEST_PATH_IMAGE064
,
Figure DEST_PATH_IMAGE066
为奇数)的窗口。
3.    根据权利1所述的基于分数阶差分加权的图像多步残差反馈迭代滤波方法，其特征在于分数阶奇异性指标计算单元步骤3中确定分数阶奇异性指标分布区间按照如下方法进行确定：计算局部方差
Figure 864877DEST_PATH_IMAGE010
（
Figure 508348DEST_PATH_IMAGE054
）的平均值
Figure DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE070
的取值规则为:
当
Figure DEST_PATH_IMAGE072
，取
Figure DEST_PATH_IMAGE074
；
当
Figure DEST_PATH_IMAGE076
，取
Figure DEST_PATH_IMAGE078
；
当，取
Figure DEST_PATH_IMAGE082
；
其中: 
Figure DEST_PATH_IMAGE084
 为噪声标准差，由下面的经验估计公式估计
Figure DEST_PATH_IMAGE086
式中
Figure DEST_PATH_IMAGE088
为残差图像
Figure DEST_PATH_IMAGE090
在Db4小波小波分解的最高频的HH子带小波系数的幅度中间值。
4.     根据权利1所述的基于分数阶差分加权的图像多步残差反馈迭代滤波方法，其特征在于分数阶奇异性指标计算单元步骤4中的分数阶奇异性指标
Figure 899972DEST_PATH_IMAGE014
的具体计算关系为
        
Figure DEST_PATH_IMAGE092
，  
其中
Figure DEST_PATH_IMAGE094
分别为局部方差
Figure 691210DEST_PATH_IMAGE010
（
Figure 81609DEST_PATH_IMAGE054
）的标准差。
5.根据权利1所述的基于分数阶差分加权的图像多步残差反馈迭代滤波方法，其特征在于1.2 所述的分数阶权重矩阵计算单元中权重系数矩阵
Figure DEST_PATH_IMAGE096
(
Figure DEST_PATH_IMAGE098
)中每个元素
Figure DEST_PATH_IMAGE100
都是按照分数阶差分格式中的系数计算方式计算, 其的计算公式为：
Figure DEST_PATH_IMAGE102
,
其中
Figure DEST_PATH_IMAGE104
, 
Figure DEST_PATH_IMAGE106
为Gamma函数，且当
Figure DEST_PATH_IMAGE108
时，
Figure DEST_PATH_IMAGE110
。
CN201210145403.6A 2012-05-10 2012-05-10 基于分数阶差分加权的图像多步残差反馈迭代滤波方法 Active CN102810202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210145403.6A CN102810202B (zh) 2012-05-10 2012-05-10 基于分数阶差分加权的图像多步残差反馈迭代滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210145403.6A CN102810202B (zh) 2012-05-10 2012-05-10 基于分数阶差分加权的图像多步残差反馈迭代滤波方法

Publications (2)

Publication Number Publication Date
CN102810202A true CN102810202A (zh) 2012-12-05
CN102810202B CN102810202B (zh) 2016-03-09

Family

ID=47233904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210145403.6A Active CN102810202B (zh) 2012-05-10 2012-05-10 基于分数阶差分加权的图像多步残差反馈迭代滤波方法

Country Status (1)

Country Link
CN (1) CN102810202B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236046A (zh) * 2013-04-28 2013-08-07 南京理工大学 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法
CN107481221A (zh) * 2017-07-19 2017-12-15 天津大学 基于纹理与卡通稀疏表示的全参考混合失真图像质量评价方法
CN108830238A (zh) * 2018-06-21 2018-11-16 刘月平 唇膏颜色自适应选择系统
CN112419264A (zh) * 2020-11-20 2021-02-26 中国直升机设计研究所 一种航电系统高压线目标的检测方法
CN112927159A (zh) * 2021-03-11 2021-06-08 清华大学深圳国际研究生院 基于多尺度选择反馈网络的真实图像去噪方法
CN114565523A (zh) * 2022-02-18 2022-05-31 成都飞机工业（集团）有限责任公司 一种基于分数阶导数的航拍图像数据增强方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101815165A (zh) * 2010-04-14 2010-08-25 蒲亦非 实时高效的数字图像分数阶积分滤波器
CN102184533A (zh) * 2011-06-10 2011-09-14 西安电子科技大学 基于非局部约束的全变分图像去模糊方法
US20110243472A1 (en) * 2010-03-30 2011-10-06 Chang Wei-Na Image processing device and spatial noise reducing method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110243472A1 (en) * 2010-03-30 2011-10-06 Chang Wei-Na Image processing device and spatial noise reducing method
CN101815165A (zh) * 2010-04-14 2010-08-25 蒲亦非 实时高效的数字图像分数阶积分滤波器
CN102184533A (zh) * 2011-06-10 2011-09-14 西安电子科技大学 基于非局部约束的全变分图像去模糊方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANTONINO CHAMBOLLE: "An Algorithm for Total Variation Minimization and Applications", 《JOURNAL OF MATHEMATICAL IMAGING AND VISION》 *
JUN ZHANG等: "Fractional Variational Model and Algorithm for Image Denoising", 《NATURAL COMPUTATION, 2008. ICNC’08. FOURTH INTERNATIONAL CONFERENCE ON》 *
张军等: "SAR图像去噪的分数阶多尺度变分PDE模型及其自适应算法", 《电子与信息学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103236046A (zh) * 2013-04-28 2013-08-07 南京理工大学 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法
CN103236046B (zh) * 2013-04-28 2016-01-20 南京理工大学 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法
CN107481221A (zh) * 2017-07-19 2017-12-15 天津大学 基于纹理与卡通稀疏表示的全参考混合失真图像质量评价方法
CN107481221B (zh) * 2017-07-19 2020-11-20 天津大学 基于纹理与卡通稀疏表示的全参考混合失真图像质量评价方法
CN108830238A (zh) * 2018-06-21 2018-11-16 刘月平 唇膏颜色自适应选择系统
CN112419264A (zh) * 2020-11-20 2021-02-26 中国直升机设计研究所 一种航电系统高压线目标的检测方法
CN112419264B (zh) * 2020-11-20 2023-09-01 中国直升机设计研究所 一种航电系统高压线目标的检测方法
CN112927159A (zh) * 2021-03-11 2021-06-08 清华大学深圳国际研究生院 基于多尺度选择反馈网络的真实图像去噪方法
CN112927159B (zh) * 2021-03-11 2022-08-02 清华大学深圳国际研究生院 基于多尺度选择反馈网络的真实图像去噪方法
CN114565523A (zh) * 2022-02-18 2022-05-31 成都飞机工业（集团）有限责任公司 一种基于分数阶导数的航拍图像数据增强方法
CN114565523B (zh) * 2022-02-18 2024-06-14 成都飞机工业（集团）有限责任公司 一种基于分数阶导数的航拍图像数据增强方法

Also Published As

Publication number Publication date
CN102810202B (zh) 2016-03-09

Similar Documents

Publication Publication Date Title
Yahya et al. BM3D image denoising algorithm based on an adaptive filtering
Liu et al. Single image dehazing with depth-aware non-local total variation regularization
Van De Ville et al. Nonlocal means with dimensionality reduction and SURE-based parameter selection
Tsiotsios et al. On the choice of the parameters for anisotropic diffusion in image processing
EP3132418B1 (en) Non local image denoising
Chen et al. Spatially adapted total variation model to remove multiplicative noise
CN103236046B (zh) 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法
CN102810202A (zh) 基于分数阶差分加权的图像多步残差反馈迭代滤波方法
US20070217566A1 (en) System and Method For Image Reconstruction
CN108765330B (zh) 基于全局和局部先验联合约束的图像去噪方法和装置
CN111047544B (zh) 一种基于非线性退化模型的饱和图像去模糊方法
CN105787892A (zh) 一种基于机器学习的蒙特卡洛噪声去除方法
Lim et al. Robust contrast enhancement of noisy low-light images: Denoising-enhancement-completion
Zhang et al. Image restoration method based on fractional variable order differential
Zhang et al. Underwater image enhancement via multi-scale fusion and adaptive color-gamma correction in low-light conditions
Liu et al. Image super-resolution based on adaptive joint distribution modeling
Gao et al. A novel fractional‐order reaction diffusion system for the multiplicative noise removal
Juneja et al. Denoising techniques for cephalometric x-ray images: A comprehensive review
CN113506212A (zh) 一种改进的基于pocs的高光谱图像超分辨率重建方法
Smitha et al. A nonlocal deep image prior model to restore optical coherence tomographic images from gamma distributed speckle noise
Nercessian et al. A multi-scale non-local means algorithm for image de-noising
Hamzah et al. Improvement of stereo corresponding algorithm based on sum of absolute differences and edge preserving filter
CN116109520A (zh) 一种基于光线追踪算法的深度图像优化方法
Hesabi et al. A modified patch propagation-based image inpainting using patch sparsity
Ke et al. Underwater image enhancement via color correction and multi-feature image fusion

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