CN103208104A

CN103208104A - 一种基于非局部理论的图像去噪方法

Info

Publication number: CN103208104A
Application number: CN2013101322436A
Authority: CN
Inventors: 金燕; 何萍; 王晶
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2013-04-16
Filing date: 2013-04-16
Publication date: 2013-07-17
Anticipated expiration: 2033-04-16
Also published as: CN103208104B

Abstract

基于非局部理论的图像去噪方法，包括如下步骤：输入含高斯白噪声图像u；设置算法中的参数；初步滤波得到u₁；计算差图像u_c1=u-u₁;调用梯度算子（Candy算子、Roberts算子及Prewitt算子均可），检测出u_c1的边缘u_b1，并把它的位置当作所要提取的细节的位置信息，即检测出的边缘位置，也就是细节丢失的位置；利用步骤5中得到的细节的位置信息将u中丢失的细节u_x1提取出来，包括位置信息所在像素点及其邻域的像素值，其他位置的像素值置零；将已经提取出的细节按比例叠加回图像u₁；依据步骤2中的迭代参数ξ，ξ为一常数，然后利用步骤5中所调用的梯度算子所检测出的边缘图像矩阵u_b1，计算矩阵u_b1内所有像素的和θ，如θ≤ξ，则迭代停止，如θ≥ξ，则重复4～7步骤；迭代完成后，得到输出图像u_n。本发明的图像去噪新方法可以在滤除噪声的同时有效地保持图像的边缘细节信息。

Description

一种基于非局部理论的图像去噪方法

(一)技术领域

本发明属于图像处理技术中的图像去噪领域，具体涉及一种基于非局部理论的图像去噪方法。

(二)背景技术

数字图像在采集、转换以及传输时都会受到噪声的污染，因此,图像去噪是图像处理中最基本、最重要的问题，图像噪声的去除也一直是图像处理领域一个重要的课题。而广泛存在于实际数字图像中的噪声可以近似为高斯白噪声，所以去除高斯白噪声也成为去噪领域的重要部分。

自2005年，Buades等人提出了非局部均值算法（Nonlocal Means Filter,常缩写为NLM,见参考文献:Areview of image denoising algorithms with a new one,[J]multiscale model.Simul,2005,4:490-530），在空间域得到了较好的去噪效果，是目前最好的去噪算法之一,尤其是对高斯白噪声，图像去噪领域进入了一个新的阶段，其中的非局部理论已应用到图像处理的其他领域.然而非局部均值方法在去噪的同时会有部分纹理及边缘细节的丢失。非局部均值算法的应用有一定的局限性。本发明以非局部均值算法为基础,提出一种新算法，和NLM方法相比,在信噪比和边缘细节保持方面有明显提升。

(三)发明内容

本发明旨在克服非局部均值算法的不足，提供一种基于非局部理论的图像去噪方法，提高去噪效果。

本发明所述的基于非局部理论的图像去噪方法，包括如下步骤：

1、输入含高斯白噪声图像u；

2、设置算法中的参数：包括第一部分中的基本非局部均值算法(NLM)中的相关参数（搜索窗口大小、邻域窗口大小、滤波参数h）以及第二部分的迭代参数ξ的选取；

3、初步滤波：使用步骤2中选择的参数对输入图像u进行非局部均值滤波，得到的输出图像为丢失了部分细节的图像u₁，作为下一步的基础；

4、计算差图像：u_c1=u-u₁；

5、调用梯度算子（Candy算子、Roberts算子及Prewitt算子均可），检测出u_c1的边缘u_b1，并把它的位置当作所要提取的边缘细节的位置信息，即检测出的边缘位置，也就是细节丢失的位置；

6、利用步骤5中得到的细节的位置信息将u中丢失的细节u_x1提取出来，包括细节位置信息所在像素点及其邻域的像素值，其他位置的像素值置零；

7、将已经提取出的细节按比例叠加回图像u₁：将细节u_x1的每个像素点赋一个权值w(i,j)，0≤w(i,j)≤1，(i,j为该像素点的横纵坐标)，像素值为零的像素点权值为零，即w(i,j)=0；权值赋值原则为中心像素权值大于边缘像素权值，得到图像u₂=w(i,j)u_x1+(1-w(i,j))u₁；

8、依据步骤2中的迭代参数ξ，ξ为一常数，然后利用步骤5中所调用的梯度算子所检测出的边缘图像矩阵u_b1，计算矩阵u_b1内所有像素的和θ，如θ≤ξ，则迭代停止，如θ≥ξ，则重复4～7步骤；

9、迭代完成后，得到输出图像u_n。

本发明的技术方案：本发明的算法结构分为两大部分，第一步是初步滤波部分，输入图像u，并选择合适的参数，应用非局部均值算法得到一个初步滤波后的图像，即丢失部分细节的图像u₁。第二步细节添加部分，是通过模式识别技术将图像u₁丢掉的细节逐步叠加融合回图像u₁：计算差图像u_c1=u-u₁，识别出u_c1中的边缘信息，用这些信息提取出图像u的细节u_x1，然后将细节u_x1叠加融合回图像u₁，得到图像u₂=u_x1+u₁，设置迭代参数ξ，当所提取的差图像边缘少于ξ时最后得到输出图像u_n。

本发明的优越性：将传统去噪方法的顺序逆转，用先得到初步滤波后的图像，然后添加回细节的思想来代替逐步迭代得到最优图像的方法。将图像丢掉的细节位置信息从差图像中识别出来并根据此信息得到图像的细节并融合回到初步滤波后的图像中去。可以在滤除噪声的同时有效地保持图像的边缘细节信息。

(四)附图说明

附图1为本发明的算法结构示意图；

附图2为本发明的迭代过程中细节提取的范围示意图；

附图3为本发明算法对lena图像进行仿真的结果。

附图4为本发明算法对onion图像进行仿真的结果。

附图5为本发明算法对cameraman图像进行仿真的结果。

(五)具体实施方式

本发明的算法实现步骤分为两大部分，第一部分是初步滤波部分；第二部分是迭代更新图像部分。具体步骤如下：

1、输入含高斯白噪声图像u；

2、设置算法中的一些参数：包括第一部分中的基本非局部均值算法中的相关参数（搜索窗口大小、邻域窗口大小、滤波参数h）以及第二部分的迭代参数ξ选取；

4、计算差图像：u_c1=u-u₁；

5、调用边缘检测算子（Candy算子、Roberts算子及Prewitt算子均可），检测出u_c1的边缘u_b1，并把它的位置当作所要提取的边缘细节的位置信息（即检测出的边缘位置，也就是细节丢失的位置）；

6、利用步骤5中得到的细节的位置信息将u中丢失的细节u_x1提取出来,包括细节位置信息所在像素点及其邻域的像素值，其他位置的像素值置零。详细见附图2所示；

7、将已经提取出的细节按比例叠加回图像u₁：将细节u_x1的每个像素点赋一个权值w(i,j)，0≤w(i,j)≤1，(i,j为该像素点的横纵坐标)，像素值为零的像素点权值为零，即w(i,j)=0。权值赋值原则为中心像素权值大于边缘像素权值，得到图像u₂=w(i,j)u_x1+(1-w(i,j))u₁；

9、迭代完成后，得到输出图像u_n。

本发明的效果通过以下实验证实：

一、实验条件：

使用matlab仿真软件对lena图像进行测试，输入图像所含高斯白噪声的标准差为σ=5，选取搜索窗口15×15，邻域窗口5×5，滤波参数h=1.35。未设置ξ，取4次迭代结果。

二、实验内容：

按照上面所述的实验步骤进行实验仿真，并将本发明算法与非局部均值算法进行比较。

三、实验结果：

实验结果见表1和附图3,附图4和附图5。实验结果表明本发明算法随着迭代次数的增多，信噪比

其中信号能量

P_{x} = Σ_{i = 1}^{M} Σ_{j = 1}^{N} {(u - mean (u))}^{2};

噪声能量

P_{n} = Σ_{i = 1}^{M} Σ_{j = 1}^{N} n^{2})

也逐渐提高,并有更好的边缘等细节保持性能。本发明算法比非局部均值算法有明显更好的去噪效果和更有效地保持图像的边缘细节信息。

表一去噪前后图像信噪比

以上所述，仅是本发明的较佳实施例而已，并不对本发明做形式上的限制，凡是依据本发明对以上实例所做的简单修改、等同变化与修饰，均仍属本发明技术方案的范围内。

Claims

1.基于非局部理论的图像去噪方法，包括如下步骤：

步骤1、输入含高斯白噪声图像u；

步骤2、设置算法中的参数：包括第一部分中的基本非局部均值算法(NLM)中的相关参数（搜索窗口大小、邻域窗口大小、滤波参数h）以及第二部分的迭代参数ξ的选取；

步骤3、初步滤波：使用步骤2中选择的参数对输入图像u进行非局部均值滤波，得到的输出图像为丢失了部分细节的图像u₁，作为下一步的基础；

步骤4、计算差图像：u_c1=u-u₁；

步骤5、调用梯度算子（Candy算子、Roberts算子及Prewitt算子均可），检测出u_c1的边缘u_b1，并把它的位置当作所要提取的边缘细节的位置信息，即检测出的边缘位置，也就是细节丢失的位置；

步骤6、利用步骤5中得到的细节的位置信息将u中丢失的细节u_x1提取出来,包括细节位置信息所在像素点及其邻域的像素值，其他位置的像素值置零；

步骤7、将已经提取出的细节按比例叠加回图像u₁：将细节u_x1的每个像素点赋一个权值w(i,j)，0≤w(i,j)≤1，(i,j为该像素点的横纵坐标)，像素值为零的像素点权值为零，即w(i,j)=0；权值赋值原则为中心像素权值大于边缘像素权值，得到图像u₂=w(i,j)u_x1+(1-w(i,j))u₁；

步骤8、依据步骤2中的迭代参数ξ，ξ为一常数，然后利用步骤5中所调用的梯度算子所检测出的边缘图像矩阵u_b1，计算矩阵u_b1内所有像素的和θ，如θ≤ξ，则迭代停止，如θ≥ξ，则重复4～7步骤；

步骤9、迭代完成后，得到输出图像u_n。