CN107169932A - 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 - Google Patents
一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 Download PDFInfo
- Publication number
- CN107169932A CN107169932A CN201710168951.3A CN201710168951A CN107169932A CN 107169932 A CN107169932 A CN 107169932A CN 201710168951 A CN201710168951 A CN 201710168951A CN 107169932 A CN107169932 A CN 107169932A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- gauss
- bm3d
- algorithms
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003384 imaging method Methods 0.000 title claims abstract description 17
- 238000010586 diagram Methods 0.000 title claims abstract description 10
- 238000011084 recovery Methods 0.000 title claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000000844 transformation Methods 0.000 claims abstract description 6
- 238000012804 iterative process Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法,通过GAT变换将带有高斯‑泊松混合噪声的图像变换为高斯白噪声图像,对变换后图像使用区域限制BM3D算法进行处理,再对所得图像进行无偏GAT逆变换得到最终降噪后图像。本发明通过使用Lloyd算法对图像进行区域划分,将BM3D Stage2的相似块匹配限制在同一区域内,解决了传统BM3D方法在高斯噪声方差较高时,物体边缘信息在滤波过程中损失严重,降噪后图像中物体边缘模糊问题。本发明降噪方法相对于传统BM3D算法,对受到强高斯泊松混合噪声干扰的图像可得到视觉效果更好的复原图像,物体边缘信息保留更完整,并且拥有更高的PSNR值。
Description
技术领域
本发明属于信息处理技术领域,涉及一种图像降噪方法。
背景技术
中子成像技术是用于非破坏性测试及其他许多基础研究领域的一种有效工具。在可移动中子成像系统中,由于高达109n/s的中子发生器,小于15m的校直系统,慢中子流和受限的长度/直径比值,所得图像通常伴有严重的高斯泊松混合噪声。图像噪声会造成:①图像主观视觉效果差;②图像特征被掩盖,降低图像质量和精度,影响对图像进行特征提取和分析等后期工作。故对于中子成像系统,图像降噪是一个至关重要的后期处理过程。
图像的信息主要分为高频和低频两个部分,高频部分是图像中像素亮度值变换较快的部分,主要包含图像中的轮廓信息,表现图像的主体特征。低频部分是图像中较为平滑的部分,表现了图像的细节特征。对于噪声而言,也属于图像中高频的部分。由于图像边缘特征反映图像主题内容,直接冲击人的视觉感受,所以图像降噪处理过程中应尽量保持图像的边缘特征。而在传统的BM3D降噪方法中,由于使用全局相似块匹配,相似块匹配效果较差,在较高方差的高斯噪声干扰下,滤波过程常造成图像中物体边缘和噪声一起作为高频信息被削减或去除,造成物体边缘模糊严重,导致最终降噪效果不良。
发明内容
本发明的目的是提出一种适用于中子成像系统图像的基于高斯-泊松混合噪声模型的图像复原方法。
本发明是通过以下技术方案实现的。
本发明所述的一种适用于中子成像系统图像的基于高斯-泊松混合噪声模型的图像复原方法,其特征是包括以下步骤:
对中子成像图像的降噪问题进行数学建模,设中子成像系统直接得到的图像为zi=pi(yi)+ni,其中ni为加性的方差为σ2的高斯白噪声,pi(yi)为乘性的参数为yi的泊松噪声项。其中泊松噪声项的参数yi即为无噪图像i位置的像素亮度值。中子成像图像的降噪问题就是从zi中尽可能恢复出yi。降噪质量可使用降噪后图像与无噪图像的PSNR值进行评估,此值越高则降噪效果越优秀。
S1:对要处理的原始图像进行GAT变换;
S2:对变换后的图像使用BM3D算法Stage1处理,得到基本估计图像;
S3:对S2所得基本估计图像使用k-均值聚类算法划分区域;
S4:在各区域内使用BM3D算法Stage2处理(即将Stage2的相似块匹配限制在同一图像区域内),得到最终估计图像;
S5:对最终估计图像做无偏GAT逆变换得到复原后的图像。
本发明步骤S3所述的区域划分,有多种方法,本发明优选以下方法:
一种用于BM3D Stage1与Stage2阶段之间的,基于物体边缘特征的图像区域划分方法,也即一种k-均值聚类算法。k-均值聚类算法使用图像中的随机像素点作为初始值进行迭代。迭代过程使用Lloyd算法进行:
①在图像中选取随机分布的k个像素作为聚类中心点初始值;
②计算每个聚类中心点周围N/k×N/k范围内的像素亮度中位值,以这些中位值作为新的聚类中心点;
③检查迭代过程中心点移动距离是否小于给定阈值,若不小于则回到步骤②,否则认为迭代过程收敛,进入下一步;
④以收敛后得到的中心点对图像进行聚类,对某个图像中的像素,计算其与每个中心点的亮度差异值,将此像素归入与之亮度最接近的中心点。
如此将图像划分为以物体边缘划分的k个区域。通常k值与画面中物体数量成正相关。
本发明主要目的是解决传统BM3D算法在强噪声下边缘信息丢失严重的技术问题,提出一种改进的中子成像图像降噪算法,有效降低图像噪声,提高中子成像系统的图像质量。
更具体地说,本发明通过以下技术方案来实现。
本发明所述的一种适用于中子成像系统图像的基于高斯-泊松混合噪声模型的图像复原方法,利用GAT变换将高斯泊松混合噪声稳定化为高斯噪声,并利用区域限制BM3D方法减少变换后图像的噪声和模糊,最后使用GAT的无偏逆变换得到最终的图像。具体实施方法包括如下步骤:
S1:对要处理的原始图像z进行GAT变换
其中σ2为高斯噪声方差,以将高斯泊松混合噪声变换化为高斯白噪声,便于后续BM3D算法处理。
S2:对变换后的图像使用BM3D算法Stage1处理,包含以下步骤:
①对给定的图像块,找出图像中的相似的块,将它们组合进一个相似块分组;
②对所得相似块分组进行三维线性变换,三维线性变换算法为Bior3D;
③使用硬阈值滤波对分组进行滤波,滤波公式为
④进行步骤②所做三维线性变换的逆变换;
⑤将每个图块对应的三维图像数据组进行加权平均,并恢复至原图像中对应位置。
如此得到基本估计图像。
S3:对基本估计图像使用k-均值聚类算法(本发明使用Lloyd算法进行迭代)划分区域,具体步骤如下:
①在图像中选取随机分布的k个像素作为聚类中心点初始值;
②计算每个聚类中心点周围N/k×N/k范围内的像素亮度中位值,以这些中位值作为新的聚类中心点;
③检查迭代过程中心点移动距离是否小于给定阈值ε,若不小于则回到步骤②,否则认为迭代过程收敛,进入下一步;
④以收敛后得到的中心点对图像进行聚类,对某个图像中的像素,计算其与每个中心点的亮度差异值,将此像素归入与之亮度最接近的中心点。
如此对图像中所有像素进行聚类,即可得到基于物体边缘特征的k个区域划分。
S4:在各个区域内的使用BM3D算法Stage2阶段进行处理(基于不规则形状的相似块匹配)。在进行相似块匹配时,对S2所得基本估计图像进行方形图块分块,对于跨越两个或两个以上区域的图块,在进行相似块匹配时,对此图块内的像素与一个相同大小的掩码块取交集后,以图块距离公式
为基础进行相似块匹配。当某个图块跨越两个或两个以上图像区域时,使用的掩码m(Si)如图4所示。
Stage2在匹配后进行的处理算法与Stage1相似,但是在进行3D变换时使用DCT-3D变换,并且在滤波时使用维纳滤波公式
得到最终估计图像。
S5:对最终估计图像做无偏GAT逆变换得到复原后的图像。
本发明通过在BM3D算法的Stage2阶段引入在不规则形状区域内限制匹配的相似块匹配算法,解决了传统BM3D算法中不良匹配的问题,更加有效地在高方差噪声条件下保留了图像中物体边缘特征,提升了最终降噪图像的PSNR值。
附图说明
图1为本发明所述的图像降噪方法的流程示意图。
图2为本发明所述降噪方法中区域限制BM3D算法的流程示意图。
图3为本发明所述降噪方法中k-均值聚类算法的流程示意图。
图4为本发明所述降噪方法中区域限制BM3DStage2相似块匹配掩码示意图。
具体实施方式
本发明将结合附图,通过以下实施例作进一步说明。
本发明所述的一种适用于中子成像系统图像的基于高斯-泊松混合噪声模型的图像复原方法,包括以下步骤:
步骤(1):高斯泊松混合噪声是一种乘性噪声和加性噪声叠加的噪声,对于含有乘性噪声的图像而言,要降低图像噪声通常有两种方式,一种是直接考虑噪声模型并据此使用特定的降噪算法,另一种降噪处理思想是使用方差稳定化将带有乘性噪声的图像转化为加性噪声图像(即VST变换)。对带有高斯泊松混和噪声的图像而言,通常使用的变换算法是GAT算法。设中子成像系统直接得到的图像为zi=pi(yi)+ni,其中ni为加性的方差为σ2的高斯白噪声,pi(yi)为乘性的参数为yi的泊松噪声项,则变换
将带有高斯泊松混合噪声的图像变换为被方差为σ2的高斯白噪声污染的加性噪声图像。
步骤(2):对上一步所得含噪图像使用BM3D算法Stage1计算基本估计图像。
首先进行图像相似块搜索,对给定N/k×N/k像素大小的图像块P,搜索方式为:定义相似块集合P(P)={Q:d(P,Q)≤τhard},其中
τhard为给定硬阈值,定义相似块组P(P)为距离图块P最近的Nhard个图块。
对P(P)进行3D变换及硬阈值滤波其中为三维线性变换(由块内2DBior算法及块间1D变换构成),其中
对滤波后的相似块分组进行加权平均,还原至原图像位置,Stage1所得基本估计图像为:
步骤(3):对基本估计图像使用k-均值聚类方法划分区域。k-均值聚类使用权重Lloyd算法:在图像中选取随机分布的k个像素作为聚类中心点初始值,计算每个聚类中心点周围N/k范围内的像素亮度中位值,以这些中位值作为新的聚类中心点。重复进行迭代过程。当迭代过程中心点移动距离小于给定阈值时,则认为迭代过程停止,以此中心点对图像进行聚类,将某个像素归入亮度最接近的中心点。
步骤(4):在区域内部进行BM3D Stage2操作。Stage2与Stage1基本相同,在Stage1所得的基本估计图像基础上,仅在同一区域内部进行相似块,但Stage2与Stage1不同,Stage2对相似块组使用的滤波算法为维纳滤波算法,公式为:
其中
步骤(4)所得维纳估计图像为:
步骤(5):对BM3D处理后的图像进行GAT逆变换得到最后的降噪图像。但若将BM3D算法处理后的图象若使用代数GA逆变换则引入均值偏差。故本专利使用的算法是无偏GAT逆变换,其近似表达式为
Claims (2)
1.一种适用于中子成像系统图像的基于高斯-泊松混合噪声模型的图像复原方法,其特征是包括如下步骤:
S1:对要处理的原始图像进行GAT变换;
S2:对变换后的图像使用BM3D算法Stage1处理,得到基本估计图像;
S3:对S2所得基本估计图像使用k-均值聚类算法划分区域;
S4:在各区域内使用BM3D算法Stage2处理,得到最终估计图像;
S5:对最终估计图像做无偏GAT逆变换得到复原后的图像。
2.根据权利要求1所述的一种适用于中子成像系统图像的基于高斯-泊松混合噪声模型的图像复原方法,其特征是步骤S3所述的区域划分是按照图像中物体边缘特征划分区域,图像区域划分使用k-均值聚类算法,k-均值聚类算法的迭代过程使用Lloyd算法进行:
①在图像中选取随机分布的k个像素作为聚类中心点初始值;
②计算每个聚类中心点周围N/k×N/k范围内的像素亮度中位值,以这些中位值作为新的聚类中心点;
③检查迭代过程中心点移动距离是否小于给定阈值,若不小于则回到步骤②,否则认为迭代过程收敛,进入下一步;
④以收敛后得到的中心点对图像进行聚类,对某个图像中的像素,计算其与每个中心点的亮度差异值,将此像素归入与之亮度最接近的中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168951.3A CN107169932A (zh) | 2017-03-21 | 2017-03-21 | 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168951.3A CN107169932A (zh) | 2017-03-21 | 2017-03-21 | 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169932A true CN107169932A (zh) | 2017-09-15 |
Family
ID=59849339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710168951.3A Pending CN107169932A (zh) | 2017-03-21 | 2017-03-21 | 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169932A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047523A (zh) * | 2019-11-11 | 2020-04-21 | 苏州锐一仪器科技有限公司 | 一种处理pet图像的方法、装置以及计算机存储介质 |
CN111626948A (zh) * | 2020-04-30 | 2020-09-04 | 南京理工大学 | 一种基于图像补的低光子泊松图像复原方法 |
CN112215865A (zh) * | 2019-07-11 | 2021-01-12 | 上海交通大学 | 一种荧光显微图像下的微液滴自动检测方法 |
CN112950501A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于噪声场的图像降噪方法、装置、设备及存储介质 |
CN117422713A (zh) * | 2023-12-18 | 2024-01-19 | 武汉光谷航天三江激光产业技术研究院有限公司 | 一种根据oct点云提取激光焊接熔深曲线的方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101231212B1 (ko) * | 2011-03-11 | 2013-02-07 | 이화여자대학교 산학협력단 | 영상에서의 잡음 제거 방법 |
-
2017
- 2017-03-21 CN CN201710168951.3A patent/CN107169932A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101231212B1 (ko) * | 2011-03-11 | 2013-02-07 | 이화여자대학교 산학협력단 | 영상에서의 잡음 제거 방법 |
Non-Patent Citations (4)
Title |
---|
(美)霍普克罗夫特 等: "《信息时代的计算机科学理论》", 30 June 2014, 上海交通大学出版社 * |
乔双 等: "基于BM3D frames和方差稳定化变换的中子图像复原方法", 《原子能科学技术》 * |
徐磊 等: "基于核密度估计和 K均值聚类算法的骨扫描图像分割", 《南京医科大学学报(自然科学版)》 * |
王旭: "直线提取算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215865A (zh) * | 2019-07-11 | 2021-01-12 | 上海交通大学 | 一种荧光显微图像下的微液滴自动检测方法 |
CN111047523A (zh) * | 2019-11-11 | 2020-04-21 | 苏州锐一仪器科技有限公司 | 一种处理pet图像的方法、装置以及计算机存储介质 |
CN111626948A (zh) * | 2020-04-30 | 2020-09-04 | 南京理工大学 | 一种基于图像补的低光子泊松图像复原方法 |
CN111626948B (zh) * | 2020-04-30 | 2022-10-14 | 南京理工大学 | 一种基于图像补的低光子泊松图像复原方法 |
CN112950501A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于噪声场的图像降噪方法、装置、设备及存储介质 |
CN112950501B (zh) * | 2021-02-26 | 2023-10-13 | 平安科技(深圳)有限公司 | 基于噪声场的图像降噪方法、装置、设备及存储介质 |
CN117422713A (zh) * | 2023-12-18 | 2024-01-19 | 武汉光谷航天三江激光产业技术研究院有限公司 | 一种根据oct点云提取激光焊接熔深曲线的方法及系统 |
CN117422713B (zh) * | 2023-12-18 | 2024-05-14 | 武汉光谷航天三江激光产业技术研究院有限公司 | 一种根据oct点云提取激光焊接熔深曲线的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169932A (zh) | 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 | |
CN107016642B (zh) | 用于对有噪输入图像进行分辨率上调的方法和装置 | |
CN107492070B (zh) | 一种双通道卷积神经网络的单图像超分辨率计算方法 | |
CN104574324B (zh) | 对地面建筑群遥感图像频谱特性约束的去噪方法和系统 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN106530237A (zh) | 一种图像增强方法 | |
CN104200437B (zh) | 一种图像去雾处理方法 | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN107730536B (zh) | 一种基于深度特征的高速相关滤波物体追踪方法 | |
Yan et al. | Method to Enhance Degraded Image in Dust Environment. | |
CN104463814A (zh) | 基于局部纹理方向性的图像增强方法 | |
CN105913383B (zh) | 基于图像块先验估计混合框架的图像降噪方法 | |
CN106097274A (zh) | 一种自适应分数阶微分图像增强算法 | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
CN108492268A (zh) | 基于小波系数融合的低照度图像增强算法 | |
CN105719254B (zh) | 一种图像降噪方法及系统 | |
CN106023097B (zh) | 一种基于迭代法的流场图像预处理方法 | |
CN103493482A (zh) | 一种提取及优化图像深度图的方法与装置 | |
CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
CN104754183B (zh) | 一种实时监控视频自适应滤波方法及其系统 | |
CN106169180A (zh) | 一种基于组的非局部稀疏表示加性噪声去除方法 | |
CN108805845A (zh) | 小波包与偏微分方程相结合的图像去噪方法 | |
CN104504659A (zh) | 一种基于提升小波变换的快速iso去噪方法及系统 | |
CN106296591A (zh) | 基于马氏距离的非局部均匀数字图像去噪方法 | |
CN108550119B (zh) | 一种结合边缘信息的图像去噪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170915 |