CN106780393B - 基于图像集的图像去噪方法 - Google Patents

基于图像集的图像去噪方法 Download PDF

Info

Publication number
CN106780393B
CN106780393B CN201611238308.5A CN201611238308A CN106780393B CN 106780393 B CN106780393 B CN 106780393B CN 201611238308 A CN201611238308 A CN 201611238308A CN 106780393 B CN106780393 B CN 106780393B
Authority
CN
China
Prior art keywords
image
patch
read
noise
coordinate
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.)
Expired - Fee Related
Application number
CN201611238308.5A
Other languages
English (en)
Other versions
CN106780393A (zh
Inventor
傅博
赵晓阳
宋传鸣
王相海
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.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
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 Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201611238308.5A priority Critical patent/CN106780393B/zh
Publication of CN106780393A publication Critical patent/CN106780393A/zh
Application granted granted Critical
Publication of CN106780393B publication Critical patent/CN106780393B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明公开一种基于图像集的图像去噪方法，增加了可修复图像的图像块数量，充分利用图像集中的多幅参考图像，通过聚类的方式将内容相同的参考块归为一类，可以有效提高去除高斯白噪声效果。

Description

基于图像集的图像去噪方法
技术领域
本发明涉及一种图像去噪方法，尤其是一种可有效提高去除高斯白噪声效果的基于图像集的图像去噪方法。
背景技术
图像在产生、传输、存储中的过程中经常遭遇各类噪声的污染，高斯白噪声是最常见的一类噪声。目前可以将图像去噪分为两大类：一类为基于变换域工具或者偏微分数学模型的方法，基于变换域的方法处理速度快，种类丰富，但是对于不同图像，参数需要大量调整，容易丢失边缘；基于偏微分等数学模型方法处理速度过慢，去噪效果不稳定；另一类是基于空间域的方法，基于空间域的非局部方法将修复的范围由传统的局部变为非局部范围，大大增大了修复过程可以参考的信息，从而提高了去噪的效果，但是仍存在一定的局限性，当图像受到高密度噪声污染时，在单幅图像的非局部范围内已不能搜索到足够有效的修复信息，因此去噪效果受到了抑制。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种可有效提高去除高斯白噪声效果的图像去噪方法。
本发明的技术解决方案是：一种基于图像集的图像去噪方法，按如下步骤进行：
a. 读取待处理的噪声图像，记为Imagenoise, 约定Imagenoise的尺寸为M*N，约定（i,j）为Imagenoise中像素的坐标；
b. 设图像集中共有s张参考图像，从图像集中依次读入参考图像，记为Image1，Image2，......Images，约定Images的尺寸为M1*N1，约定（i1,j1）为Images中像素的坐标；
c. 依次读入Imagenoise以及参考图像Image1，Image2，。。。Images，对读入图像进行图像块切割操作，具体步骤如下：
c.1读入待处理噪声图像Imagenoise，从坐标（2,2）开始，读取以坐标(i,j)为中心3*3像素范围的图像内容，放入一个3*3大小的图像块中并保存，记为Patchn, n为Patch的标记，按照从上到下从左到右的原则逐像素移动，直到坐标（M-1，N-1）结束；
c.2读入一幅参考图像Images，从该图像坐标(2,2)开始，读取以坐标(i1，j1)为中心3*3像素范围的图像内容，放入一个3*3大小的图像块中并保存，记为Patchn1，n1为Patch的标记，按照从上到下从左到右的原则逐像素移动，直到坐标（M1-1，N1-1）结束；
c.3 重复c.2操作，直到所有图像集中参考图像切割完毕，进入步骤d；
d. 对所有的图像块Patchn及Patchn1进行K-means聚类，聚类数设为50，将每一个Patchn分别打上所属的类标签k；
e. 依次对Patchn集合中标号n为1至（M-1）*（N-1）的图像块去噪，具体步骤如下：
e.1 从n=1开始，读入一个图像块Patchn，获取其对应的聚类标签k；
e.2 根据Patchn对应的聚类标签k，搜索所有属于k的图像块，记为Patchcorr，
设共有m个Patchcorr；
e.3 利用搜索到的m个Patchcorr，对Patchn进行非局部滤波去噪得到
，其中表示某一个Patchcorr修复Patchn的权值，，为Patchcorr与Patchn的相似性，，表示噪声的标准差；
f. 将所有修复后的依次拼接，组成修复后的图像Imagerepair。
本发明增加了可修复图像的图像块数量，充分利用图像集中的多幅参考图像，通过聚类的方式将内容相同的参考块归为一类，可以有效提高去除高斯白噪声效果。
附图说明
图1为本发明实施例的待处理图像。
图2为本发明实施例对图像块进行聚类后的示意图。
图3为本发明实施例去噪后图像。
具体实施方式
一种基于图像集的图像去噪方法，按如下步骤进行：
a. 读取如图1所示的待处理的噪声图像，记为Imagenoise, 约定Imagenoise的尺寸为M*N，约定（i,j）为Imagenoise中像素的坐标；
b. 设图像集中共有s张参考图像，从图像集中依次读入参考图像，记为Image1，Image2，......Images，约定Images的尺寸为M1*N1，约定（i1,j1）为Images中像素的坐标；
c. 依次读入Imagenoise以及参考图像Image1，Image2，。。。Images，对读入图像进行图像块切割操作，具体步骤如下：
c.1读入待处理噪声图像Imagenoise，从坐标（2,2）开始，读取以坐标(i,j)为中心3*3像素范围的图像内容，放入一个3*3大小的图像块中并保存，记为Patchn, n为Patch的标记，按照从上到下从左到右的原则逐像素移动，直到坐标（M-1，N-1）结束；
c.2读入一幅参考图像Images，从该图像坐标(2,2)开始，读取以坐标(i1，j1)为中心3*3像素范围的图像内容，放入一个3*3大小的图像块中并保存，记为Patchn1，n1为Patch的标记，按照从上到下从左到右的原则逐像素移动，直到坐标（M1-1，N1-1）结束；
c.3 重复c.2操作，直到所有图像集中参考图像切割完毕，进入步骤d；
d. 对所有的图像块Patchn及Patchn1进行K-means聚类，聚类数设为50，将每一个Patchn分别打上所属的类标签k，对图像块进行聚类后的示意图如图2所示；
e. 依次对Patchn集合中标号n为1至（M-1）*（N-1）的图像块去噪，具体步骤如下：
e.1 从n=1开始，读入一个图像块Patchn，获取其对应的聚类标签k；
e.2 根据Patchn对应的聚类标签k，搜索所有属于k的图像块，记为Patchcorr，
设共有m个Patchcorr；
e.3 利用搜索到的m个Patchcorr，对Patchn进行非局部滤波去噪得到
，其中表示某一个Patchcorr修复Patchn的权值，，为Patchcorr与Patchn的相似性，, 表示噪声的标准差；
f. 将所有修复后的依次拼接，组成如图3所示的修复后的图像
Imagerepair。
从图1、图3可以看出，本发明的基于图像集的图像去噪方法可有效提高去除高斯白噪声效果。

Claims (1)

1.一种基于图像集的图像去噪方法，其特征在于按如下步骤进行：
a. 读取待处理的噪声图像，记为Imagenoise, 约定Imagenoise的尺寸为M*N，约定（i,j）为Imagenoise中像素的坐标；
b. 设图像集中共有s张参考图像，从图像集中依次读入参考图像，记为Image1，Image2，……Images，约定Images的尺寸为M1*N1，约定（i1,j1）为Images中像素的坐标；
c. 依次读入Imagenoise以及参考图像Image1，Image2，……Images，对读入图像进行图像块切割操作，具体步骤如下：
c.1读入待处理噪声图像Imagenoise，从坐标（2,2）开始，读取以坐标(i,j)为中心3*3像素范围的图像内容，放入一个3*3大小的图像块中并保存，记为Patchn, n为Patch的标记，按照从上到下从左到右的原则逐像素移动，直到坐标（M-1，N-1）结束；
c.2读入一幅参考图像Images，从该图像坐标(2,2)开始，读取以坐标(i1，j1)为中心3*3像素范围的图像内容，放入一个3*3大小的图像块中并保存，记为Patchn1，n1为Patch的标记，按照从上到下从左到右的原则逐像素移动，直到坐标（M1-1，N1-1）结束；
c.3 重复c.2操作，直到所有图像集中参考图像切割完毕，进入步骤d；
d. 对所有的图像块Patchn及Patchn1进行K-means聚类，聚类数设为50，将每一个Patchn分别打上所属的类标签k；
e. 依次对Patchn集合中标号n为1至（M-1）*（N-1）的图像块去噪，具体步骤如下：
e.1 从n=1开始，读入一个图像块Patchn，获取其对应的聚类标签k；
e.2 根据Patchn对应的聚类标签k，搜索所有属于k的图像块，记为Patchcorr，
设共有m个Patchcorr；
e.3 利用搜索到的m个Patchcorr，对Patchn进行非局部滤波去噪得到
，其中表示某一个Patchcorr修复Patchn的权值，，为Patchcorr与Patchn的相似性，，表示噪声的标准差；
f. 将所有修复后的依次拼接，组成修复后的图像Imagerepair。
CN201611238308.5A 2016-12-28 2016-12-28 基于图像集的图像去噪方法 Expired - Fee Related CN106780393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611238308.5A CN106780393B (zh) 2016-12-28 2016-12-28 基于图像集的图像去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611238308.5A CN106780393B (zh) 2016-12-28 2016-12-28 基于图像集的图像去噪方法

Publications (2)

Publication Number Publication Date
CN106780393A CN106780393A (zh) 2017-05-31
CN106780393B true CN106780393B (zh) 2019-12-03

Family

ID=58925195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611238308.5A Expired - Fee Related CN106780393B (zh) 2016-12-28 2016-12-28 基于图像集的图像去噪方法

Country Status (1)

Country Link
CN (1) CN106780393B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133472A (zh) * 2017-11-28 2018-06-08 长乐万达纺织机械有限公司 纺织物缺陷检测方法及纺织物缺陷检测装置
CN108416738A (zh) * 2018-01-16 2018-08-17 辽宁师范大学 基于非下采样小波变换和改进四阶偏微分方程的图像去噪方法
CN110097518B (zh) * 2019-04-28 2022-12-27 东软医疗系统股份有限公司 图像去噪方法、装置及终端设备
CN110189278B (zh) * 2019-06-06 2020-03-03 上海大学 一种基于生成对抗网络的双目场景图像修复方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105144232A (zh) * 2014-03-25 2015-12-09 展讯通信（上海）有限公司 图像去噪方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8494305B2 (en) * 2011-12-20 2013-07-23 Mitsubishi Electric Research Laboratories, Inc. Image filtering by sparse reconstruction on affinity net

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105144232A (zh) * 2014-03-25 2015-12-09 展讯通信（上海）有限公司 图像去噪方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《智能监控系统中的若干个关键问题研究》;傅博;《中国博士学位论文全文数据库 信息科技辑》;20140415(第04期);第4.3节，图4.6-4.7 *

Also Published As

Publication number Publication date
CN106780393A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106780393B (zh) 基于图像集的图像去噪方法
CN111199531B (zh) 基于泊松图像融合及图像风格化的交互式数据扩展方法
CN102930277B (zh) 一种基于识别反馈的字符图像验证码识别方法
CN107358636B (zh) 一种基于纹理合成的疏松缺陷图像生成方法
US9449253B2 (en) Learning painting styles for painterly rendering
CN111079685A (zh) 一种3d目标检测方法
CN104134234A (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN106709964B (zh) 基于梯度修正和多向纹理提取的素描画生成方法及装置
CN110880176B (zh) 一种基于对抗生成网络的半监督工业图像缺陷分割方法
CN103971338A (zh) 一种基于显著图的可变块图像修复方法
CN101923721B (zh) 无光照人脸图像重建方法和系统
JP2023542054A (ja) 電子設計向け形状データを生成する方法及びシステム
Xiao et al. Vismantic: Meaning-making with Images.
CN105139342A (zh) 一种图片缩放的方法和装置
CN114359269A (zh) 基于神经网络的虚拟食品盒缺陷生成方法及系统
CN109543525B (zh) 一种通用表格图像的表格提取方法
CN114355467A (zh) 一种建立探测模型和基于多图像的轨道异物探测方法
CN107564045B (zh) 基于梯度域引导滤波的立体匹配方法
CN103914825A (zh) 一种基于图像分割的三维模型纹理着色方法
CN113506305A (zh) 三维点云数据的图像增强方法、语义分割方法及装置
US8942491B2 (en) Topology-preserving downsampling of binary images
CN108038835B (zh) 显著性驱动的图像重要区域马赛克自动生成方法
CN116012393A (zh) 一种纸箱点云分割方法、装置以及处理设备
CN111080512B (zh) 动漫图像生成方法、装置、电子设备及存储介质
CN104079915B (zh) 一种并行虚拟视点合成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191203

Termination date: 20201228

CF01 Termination of patent right due to non-payment of annual fee