CN108230280A - 基于张量模型与压缩感知理论的图像斑点噪声去除方法 - Google Patents
基于张量模型与压缩感知理论的图像斑点噪声去除方法 Download PDFInfo
- Publication number
- CN108230280A CN108230280A CN201810322284.4A CN201810322284A CN108230280A CN 108230280 A CN108230280 A CN 108230280A CN 201810322284 A CN201810322284 A CN 201810322284A CN 108230280 A CN108230280 A CN 108230280A
- Authority
- CN
- China
- Prior art keywords
- image
- dictionary
- tensor
- model
- noise
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000000523 sample Substances 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 83
- 230000008569 process Effects 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 239000013256 coordination polymer Substances 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 13
- 238000002604 ultrasonography Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于张量模型与压缩感知理论的图像斑点噪声去除方法,本发明涉及图像斑点噪声去除方法。本发明为了解决现有斑点噪声去除算法去噪效果不明显以及噪声残留度高的问题。本发明包括:步骤一:根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性,建立斑点噪声模型;步骤二:针对步骤一建立的斑点噪声模型,引入压缩感知理论,分别建立单帧图像去噪模型与多帧图像张量去噪模型;步骤三:对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的单帧图像;步骤四:对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的多帧图像。本发明用于图像处理领域。
Description
技术领域
本发明涉及图像处理领域,具体涉及图像斑点噪声去除方法。
背景技术
在图像的获取与处理过程中,噪声对图像信号的影响无可避免,因此图像去噪是图像处理领域经久不衰的研究热点之一。对于利用声波/电磁波反射形成的超声与雷达图像,由于回波的干涉以及散波束之间的干扰,当目标反射源反射而出的两束回波互相重叠时,便会在图像中产生明暗不同的颗粒,也就是斑点噪声。
目前,有关斑点噪声去除的研究有很多,其中滤波去噪应用最为广泛,例如Lee滤波与Kuan滤波。然而,大尺寸滤波窗虽然去噪效果良好,却损失了过多的高频信息;而小尺寸滤波窗可以较好地保留细节信息,但在去噪的能力上却不如大尺寸滤波窗。
为了解决这一矛盾,一些各向异性扩散的方法被提出,例如PMAD(Perona-MalikAnisotropic Diffusion),NCDF(Nonlinear Complex Diffusion Filter),SRAD(SpeckleReducing Anisotropic Diffusion)。然而,这些方法在进行边缘检测时不能很好地区分图像边缘和斑点噪声。近几年,一些新的去除斑点噪声的方法被提出,如NMWD(NonlinearMulti-scale Wavelet Diffusion)与SRBF(Speckle Reduction Bilateral Filter)等,这些方法在处理斑点噪声时效果很好,但是没有挖掘图像本身的稀疏性。
压缩感知理论是近年来热门的研究前沿,在图像处理领域也引起了瞩目。将压缩感知理论与去噪模型相结合,经过稀疏编码过程得到的稀疏系数矩阵,每个纯净信号只需要字典中很少的几个原子的线性组合就可以几乎完全地表示。另外,字典中每一个原子都是经过训练而得,代表的是原图像中一些最基本的结构信息,因此具有很好的特征保留性。同时,纯净信号由于含有图像中典型的结构信息而能够在训练字典上具有稀疏表示,而噪声部分在字典上却得不到稀疏表示,因此可以将图像有用部分和噪声部分有效地分开,实现去噪目的。
针对超声视频,即多帧超声图像信号,采用三阶张量表示图像序列块,不仅将空间维中的更多信息得以保留,而且充分挖掘了时间维上的信息。在训练张量稀疏字典的过程中,有效地利用了视频信号在时间维上的冗余性。当利用训练好的张量稀疏字典对图像进行稀疏表示时,更多有用的信息可以在输出结果中得以展示,而噪声也能在此过程中更大程度地分离。
发明内容
本发明的目的是为了解决现有斑点噪声去除算法去噪效果不明显以及噪声残留度高的问题,而提出基于张量模型与压缩感知理论的图像斑点噪声去除方法。
针对图像信号空间与时间上的稀疏性,分离图像的有用信息与噪声,提高去噪效果。
本发明的目的是为了解决现在大多数研究学者都是假设图像含有加性的高斯白噪声,而实际的超声图像却与之完全不同,含有的是乘性散斑噪声。如果直接将处理加性高斯噪声的去噪方法应用于含有特殊噪声模型的超声图像,那么不仅不能发挥压缩感知理论自身的处理优势,又使得处理效果非常不理想。再考虑到利用视频信号在时间维上的冗余性,从而提出基于张量模型与压缩感知理论的超声图像斑点噪声去除方法。
基于张量模型与压缩感知理论的图像斑点噪声去除方法包括以下步骤:
步骤一:根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性,建立斑点噪声模型;
步骤二:针对步骤一建立的斑点噪声模型,引入压缩感知理论,分别建立单帧图像去噪模型与多帧图像张量去噪模型;
步骤三:对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的单帧图像;
步骤四:对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的多帧图像。
本发明的有益效果为:
由于本发明将张量模型与压缩感知理论应用于斑点噪声的抑制,通过对斑点噪声模型的分析,针对性地改进稀疏表示与字典更新方法,创新地将压缩感知的优势结合到去噪算法当中,相比于当前局限于对象为加性高斯白噪声的去噪方法,克服了不能对乘性噪声进行抑制的缺点,对于提高去噪效果有很大的帮助。
为了验证本发明所提出的算法的性能,分别为得到定性的直观效果与定量的结果进行了实验,实验结果验证了本发明提出的基于张量模型与压缩感知理论的超声图像斑点噪声去除方法的有效性。
仿真结果显示,相比传统去噪算法,改进后的算法得到去噪效果更佳的图像,并且在PSNR与噪声方差的比较上同样有优势。
附图说明
图1是本发明的实现流程示意图;
图2是初始的过完备DCT字典;
图3是Tucker张量分解和Kruskal张量分解示意图;
图4是初始的DCT秩1张量字典;
图5是原始图像1图;
图6是噪声图像1图;
图7是LEE方法处理后的1图;
图8是Kuan方法处理后的1图;
图9是NCDF方法处理后的1图;
图10是SRAD方法处理后的1图;
图11是NMWD方法处理后的1图;
图12是SRBF方法处理后的1图;
图13是本发明方法处理后的1图;
图14是原始图像;
图15是LEE方法处理后的图像;
图16是Kuan方法处理后的图像;
图17是NCDF方法处理后的图像;
图18是SRAD方法处理后的图像;
图19是NMWD方法处理后的图像;
图20是SRBF方法处理后的图像;
图21是本发明方法处理后的图像。
具体实施方式
具体实施方式一:如图1所示,基于张量模型与压缩感知理论的图像斑点噪声去除方法包括以下步骤:
步骤一:斑点噪声常见于利用声波/电磁波反射形成的超声与雷达图像中,具体表现为目标反射源反射而出的两束回波互相重叠导致的明暗不同的颗粒。根据超声探头中超声换能器阵元输出的信号呈近似乘性噪声的特性,建立斑点噪声模型;
步骤二:针对步骤一建立的斑点噪声模型,考虑到含噪图像的稀疏特性,引入压缩感知理论,分别建立单帧图像去噪模型与多帧图像张量去噪模型,并归纳成待求解的优化问题;
步骤三:对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的单帧图像;单帧图像优化问题利用改善的奇异值分解算法(K-SVD)与改进的正交匹配追踪算法(OMP)对优化问题求解;
步骤四:对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的多帧图像多帧图像优化问题利用基于Kruskal张量的正交匹配追踪方法(KTOMP)与CP分解对优化问题求解。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性,经过对数压缩、低通滤波与插值之后,建立的斑点噪声模型的具体过程为:
获取常见图像中的斑点噪声数学模型为:
y=xn+na (1)
其中,y为待处理的图像,即含有噪声的图像,x为无噪声的纯净图像,n为独立于x的均值为0的高斯噪声,na为加性的噪声,其中加性噪声na的能量比乘性噪声小,可以忽略不计;但是,最终输出的图像需要经过包括模数变换和时间补偿预处理后的图像噪声模型如以下公式所示:
y=x+xγn (2)
其中,n满足以0为均值,方差为的概率密度分布研究表明,当补偿系数γ=0.5时可以很好的还原图像的噪声,建立斑点噪声模型:
y=x+x1/2n (3)
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中建立单帧图像去噪模型的具体过程为:
以Elad提出的降噪问题为基础,建立单帧图像去噪模型为:
其中,Y表示待处理的含有噪声的图像信号,X表示无噪声的纯净信号,αij是稀疏系数矩阵A中的第i行第j列元素,D为过完备的字典,为纯净信号的估计,即处理后得到的结果,分别为此优化问题最优值情况下求解得到的稀疏系数矩阵和过完备字典;第一项的系数λ作为此优化问题的平衡因子而被引入;对于一个大小为的图像X,一共有个重叠的大小为的图像块,R为一个大小为n×N的矩阵,用来提取出图像中的第(ij)个图像块,Rij为R中的第i行第j列元素;μij是罚函数中的惩罚因子,Rij与μij均为与图像块位置相关的系数,它们的值只有0和1。
此优化问题第一项表示的是待处理图像Y与纯净信号X的关系。由于高斯噪声在二范数下最小,所以经过修改形式的噪声模型可以由第一项表示。此优化问题的第二项确保了整体优化过程的稀疏性,使纯净图像能够得到高质量的恢复。此优化问题的第三项为纯净信号的稀疏表示。经过训练后的字典D与相应的稀疏系数矩阵相乘即可得到对于纯净信号X的估计。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤二中多帧图像张量去噪模型的具体过程为:
将图像块的运动信息应用于图像去噪过程中,得到多帧图像张量去噪模型如以下公式所示:
其中,是一个三阶张量,表示无噪声的纯净图像序列,为图像序列中的第k帧图像,即待处理图像对应的无噪形式,表示含有噪声的图像序列;αijt是稀疏系数矩阵(K为字典原子个数,N表示图像序列中可提取的图像序列块个数)中的一个元素,其下标i、j为每帧图像空域Ω上的坐标,t表示图像序列中的第t帧图像;为过完备的张量字典,是一个四阶张量,m、n分别表示字典原子在空间上的两个维数,f表示每个字典原子在时间上的维数,K为字典原子个数;为对第k帧纯净图像的估计,即处理后得到的结果,分别为此优化问题最优值情况下求解得到的过完备字典和稀疏系数矩阵;第一项的系数λ作为此优化问题的平衡因子而被引入,μijt、Rijt分别代表局部图像块在全局图像中的位置关系,它们中的元素值只有0和1。
此优化问题中的第一项表示了待处理图像序列与纯净图像之间的关系,即超声心动图中的散斑噪声模型。此优化问题的第二项保证了整体优化过程的稀疏性,使纯净图像序列能够得以高质量的恢复。第三项是对纯净图像序列的稀疏表示。经过训练的张量字典与相对应的稀疏系数向量αijt相乘即可得到对于纯净图像序列块的估计。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤三中对步骤二的建立的单帧图像去噪模型依次进行稀疏编码的具体过程为:
假设X=DA,认为纯净信号可以无误差地被字典里的原子稀疏表示。则公式(4)表示为以下形式:
其中αj为第j列的列向量,yi为待处理图像第i行的行向量,μj为罚函数中的惩罚因子;
αj每次迭代开始需要将上一次迭代得到的学习字典固定,使公式(6)变为只有一个优化变量αj的公式(7),那么对于稀疏系数矩阵A的第j列变量的求解如公式(7)所示:
其中ε为错误率阈值。
为了解决此优化问题,用到最多就是的正交匹配追踪算法(OMP)、基跟踪算法(BP)、FOCUSS算法等。本方法结合斑点噪声模型,将分母部分看作是正交匹配追踪算法每次循环中得到新的稀疏系数αij的权重函数,得到最优化的稀疏系数矩阵。
和处理一般的加性高斯噪声的稀疏表示方法不同的是,处理图像斑点噪声时其优化问题更为复杂,式中yj-Dαj要与每一个分量对应相除,再对相除后的结果求二范数下的最值。而一般的加性高斯噪声处理的优化问题只需求解yj-Dαj在二范数下的最值问题。经过分析,多次优化迭代后,Dαj会逐渐趋近于yj,也就是说分母部分随着迭代次数的增多,会趋于稳定,而式中约束项的分子则是迭代中的重要处理部分。为了能够使OMP法应用于斑点噪声模型的处理中,本方法将分母部分看作是OMP法每次循环中得到新的稀疏系数αij的权重函数。经过这样筛选,利用改进的OMP法便可以得到基于此次迭代所给字典的最稀疏也是最优化的稀疏系数矩阵。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤三中字典更新的具体过程为:
在字典更新的过程中,每次迭代需要用到上一次迭代后得到的学习字典,故在第一次迭代开始时确定适合迭代的初始字典是非常有必要的。
关于初始字典的选择,Yang提到初始字典是简单地从含有噪声的待处理图像中随机采样得到的。每一个字典原子都是图像中的一个图像块按照顺序排列成的列向量。之所以进行随机采样,是认为迭代收敛速度很快,初始字典的选择不会使最终结果收到影响。Elad则指出,初始字典的选择在一定程度上影响着迭代速度,为了能够更好更快地完成迭代优化,宜采用过完备的DCT字典作为初始字典进行迭代;故本方法所用初始字典为过完备的DCT字典,如图2所示。
利用改进的K-SVD法进行字典更新的具体过程为:
K-SVD法是利用奇异值分解来进行字典更新的,但这种方法只适用于一般的加性高斯噪声,需要经过改进才能处理斑点噪声。式中的E代表误差函数,与逐一更新字典元素方法不同的是,此方法每次更新的是字典中的一列元素,即构成字典的一个原子,具体的求解过程如下:
经过多次优化迭代后,DA最终会逐渐趋近于Y,故只需对分母部分进行奇异值分解,得到最优的字典原子dk和最优的字典原子对应的稀疏系数而分母部分由于最后趋于稳定,与优化稀疏系数矩阵方法类似,故作为奇异值分解时的权重函数。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤三中图像重构的具体过程为:
经过稀疏编码与学习字典更新迭代后,得到待处理图像对应的自适应学习字典,公式(4)转化为以下公式所示:
由于此问题第一项非常复杂,对于纯净信号的估计也就无法简单地求出其显示解析式。但如果对此问题形式稍作改变,就可以轻松地得到估计值的显示解。第一项分母部分把分母部分从二范数中提取出来,与平衡因子λ相结合;结合后得到的新平衡因子变为从的表达式可以看出,对于不同的待处理信号yj有不同的平衡因子经过改进得到的纯净信号的估计值如以下公式所示:
公式(10)求解的方法是将该优化目标函数对变量X求导,并认为导数为零时,此目标函数达到极值。那么此时所对应的变量X即为重构后的图像。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述步骤四中对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码的具体过程为:
针对提出的多帧图像优化问题,为了解决此问题,需要将其分解进行处理。首先是稀疏编码,假设每一个纯净图像序列块都可以无误差地被张量字典中的原子稀疏表示,即公式(5)转化为以下公式:
在第一步稀疏编码之后,优化问题进行了转化,转化后优化问题的解决方法是进行字典更新。具体为限定对于待处理图像稀疏表示的错误率。当限定错误率在规定错误率阈值ε的前提下,使稀疏系数矩阵A更加稀疏;将公式(11)转化为以下公式:
为了解决此优化问题,采用基于Kruskal张量的正交匹配追踪算法(KTOMP)求解公式(12)。
近几年,关于张量的正交匹配追踪算法(TOMP)才被提出和应用。但是TOMP是基于Tucker张量的正交匹配追踪算法,而本发明中所用字典为Kruskal张量字典,即每个原子都是可以秩1分解的。
图3展示了Tucker张量分解和Kruskal张量分解之间的内在联系。图中是一个三阶张量,其秩为R,故可以对它进行如以下公式所述的描述:
其中,A、B、C分别为三个方向的秩1分量,表示为:
A=[a1,a2,...,aR]
B=[b1,b2,...,bR]
C=[c1,c2,...,cR]
三个DCT投影矩阵D1,D2,D3;
对于Tucker张量分解,当其核为超对角张量时,就转化为了Kruskal张量分解。这个核张量可以理解为原始张量在张量字典下的投影。张量投影的概念,可以按照一维向量OMP算法的思路,先求出待处理的图像序列块张量在各个张量字典原子上的投影值。即对于待稀疏表示的图像序列块利用三个DCT投影矩阵 得到张量字典。第k个字典原子可以表达为其中首先,计算投影张量P,如以下公式所示:
然后找出投影张量P的超对角线中最大值pmax和其对应的字典原子次序kmax。得到了最先用来表示图像序列块的张量字典原子和其对应的稀疏系数αijt(kmax)。接着计算经过此字典原子表示后的张量余量R,计算过程如以下公式所示:
R=R-(pmax·1)×1D1(:,kmax)×2D2(:,kmax)×3D3(:,kmax)
其中这样经过几次迭代后就可以得到利用张量字典原子稀疏表示后的稀疏系数向量αijt。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:所述步骤四中字典更新的具体过程为:
所述步骤三中在字典更新的过程中,每次迭代需要用到上一次迭代后得到的学习字典,故在第一次迭代开始时确定适合迭代的初始字典是非常有必要的,步骤四中所用的字典为张量字典,每个原子的秩为1;
故这里利用Tucker张量与Kruskal张量的转换关系,采用Tucker张量的组成方式来得到初始字典。假设实验中所用图像序列块和相应的字典原子都是空间上的张量,字典原子数量为K。那么需要先生成三个DCT矩阵,分别为 在设置初始字典时,先将三个DCT矩阵进行归一化处理,然后把每个矩阵相同的一列组成一个三阶张量,此张量即为字典中的一个原子。由于每一个原子都是用三个一维向量组成的,显然它们都是秩为1的。这样,就构成了用于迭代的初始DCT秩1张量字典,如图4所示。
述实施方式七中的K-SVD方法只是将二维矩阵转换为两个一维向量,不能满足本实施方法的需要。故应用CP分解方法(CANDECOMP/PARAFAC)进行字典更新,CP分解就是将张量表示成有限个秩1张量的和。这样在字典更新的过程中也不会破坏原张量字典原子的秩1性质。具体过程为:
首先定义一个误差函数E:
这里定义误差函数为误差张量的Frobenius范数,那么根据此误差函数的定义,就可以利用公式(14)对张量字典中的原子逐一更新:
最终多次优化迭代后,会逐渐趋近于故只需对分母部分进行CP分解,得到最优的张量字典原子和最优的张量字典原子对应的稀疏系数而分母部分由于最后趋于稳定,与优化稀疏系数矩阵方法类似,故作为奇异值分解时的权重函数。
值得注意的是,这里对分母部分Ep的分解过程是一个四阶张量CP分解,分别对应图像空间上的两维信息,时间维上的信息和采集的图像序列块个数。因为每次更新只针对于一个字典原子,故此Ep只分解为一个权重最大的秩1四阶张量,其中三阶表示新的字典原子另一阶与权重系数组合为稀疏系数完成了字典原子和其相对应的稀疏系数的更新。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是:所述步骤四中图像重构的具体过程为:
所述步骤三中的前两步完成之后,稀疏度已在稀疏表示和字典学习过程中得以保证,故基于张量模型与压缩感知理论将公式(5)转换为公式(15):
输出结果为去噪后的张量中的第k帧图像故在用稀疏表示后的图像序列块拼接时只需要考虑包含有此帧图像的序列块。此优化问题难以给出解析解,故这里依然将第一项的分母部分提取出来与前面的平衡系数λ相组合得到新的平衡系数将公式(15)转化为公式(16):
将公式(16)对变量求导,导数为零时,此目标函数达到极值。那么此时所对应的变量即为重构后的图像。
其它步骤及参数与具体实施方式一至九之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
首先本实施例采用峰值信噪比PSNR(Peak Signal-to-Noise-Ratio)作为定量降噪评价指标,它是使用最广泛的衡量图像降噪效果指标。PSNR的定义为:
其中,I表示无噪声的标准图像,表示对于纯净图像信号的估计。
实验所用参数如表1所示,字典的原子数的大小对于最后的处理效果影响不大,故为了处理方便,这里取字典冗余度ρ=4,即字典原子数K与每个原子所含元素数M比例为ρ=4。为了使字典以图像块的形式展示,故一般取M=8×8=64,即字典里每一列原子含有64个像素值,故字典原子数K=256。由于利用OMP法时,待降噪图像信号被稀疏表示的错误率下降很快,故更新字典和稀疏系数矩阵时也就不需过多步的迭代。一般认为,处理噪声均方差σn≤5时,只需进行5步迭代。而当σn>5时,10步迭代也足以满足错误率和稀疏度的要求,也就是最多10步迭代即可。本次实施例用于与本发明作对比的处理方法有Lee滤波、Kuan滤波、NCDF、SRAD、NMWD与SRBF,噪声均方差σn=7.9516。
表1
表2中展示了上述各种方法处理后图像对应的PSNR。图5-图13展示了上述各种方法处理后图像的直观降噪效果。
表2
结合表2中的数据和图5-图13中的仿真结果,可以看出:在相同的输入特征条件下,无论是定量的结果分析还是直观的结果对比,本发明提出的基于张量模型与压缩感知理论的超声图像斑点噪声去除方法可以得到最好的去噪效果。
实施例二:
首先本实施例采用噪声方差评价降噪效果。由于对于超声视频信号无法获得原始无噪图像,故用于模拟图像的评价指标不可以用于真实医学超声图像降噪结果的评价中。
本发明通过求解出降噪后图像的散斑噪声方差来直接对图像降噪效果进行评价。具体的噪声方差的求解如以下公式所示:
如果求解出的降噪后图像的散斑噪声越小,则说明降噪效果越明显。
由于本发明利用张量模型来描述图像序列块和学习字典,故需要设置好图像序列块与字典原子的尺寸大小,以得到的更好的结果。这里将图像序列块和字典原子设置为空间上的张量。也就将相邻3帧内同位置的大小为8×8的图像块组合为一个图像序列块。如果每一帧中的图像块尺寸过大会使稀疏编码过程非常耗时,如果图像块尺寸过小,又会造成图像块在每一帧中运动不连续,而达不到良好的去噪效果。这里取f=3帧的图像块组合在一起,不仅保留了图像块在每一帧中基本的运动信息,而且也在一定程度上减少了运算量。因为在图像复原的过程,经过稀疏表示的新图像序列块将会重叠地拼接在一起。这样每一帧内的图像块就需要f=3个经稀疏表示的图像序列块叠加拼接。经实验证明,f=3时已经足以满足图像去噪的要求。
表3中展示了上述各种方法处理后图像对应的噪声方差。图14-图21展示了上述各种方法处理后图像的直观降噪效果。
表3
结合表3中的数据和图14-图21中的仿真结果,可以看出:在相同的输入特征条件下,无论是定量的结果分析还是直观的结果对比,本发明提出的基于张量模型与压缩感知理论的超声图像斑点噪声去除方法可以得到最好的去噪效果。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述图像斑点噪声去除方法包括以下步骤:
步骤一:根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性,建立斑点噪声模型;
步骤二:针对步骤一建立的斑点噪声模型,引入压缩感知理论,分别建立单帧图像去噪模型与多帧图像张量去噪模型;
步骤三:对步骤二的建立的单帧图像去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的单帧图像;
步骤四:对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码、字典更新和图像重构,得到去噪后的多帧图像。
2.根据权利要求1所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤一中根据超声探头中超声换能器阵元输出的信号呈乘性噪声的特性,建立斑点噪声模型的具体过程为:
获取图像中的斑点噪声数学模型为:
y=xn+na (1)
其中,y为待处理的图像,即含有噪声的图像,x为无噪声的图像,n为独立于x的均值为0的高斯噪声,na为加性的噪声,输出的图像经过模数变换和时间补偿后的图像噪声模型如以下公式所示:
y=x+xγn (2)
当补偿系数γ=0.5时还原图像的噪声,建立斑点噪声模型:
y=x+x1/2n (3)。
3.根据权利要求2所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤二中建立单帧图像去噪模型的具体过程为:
建立单帧图像去噪模型为:
其中,Y表示待处理的含有噪声的图像信号,X表示无噪声的信号,αij是稀疏系数矩阵A中的第i行第j列元素,D为过完备的字典,为无噪声信号的估计,即处理后得到的结果,分别为最优值情况下求解得到的稀疏系数矩阵和过完备字典;系数λ为平衡因子;一个大小为的图像X,一共有个重叠的大小为的图像块,R为一个大小为n×N的矩阵,Rij为R中的第i行第j列元素;μij是罚函数中的惩罚因子。
4.根据权利要求3所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤二中多帧图像张量去噪模型的具体过程为:
将图像块的运动信息应用于图像去噪过程中,得到多帧图像张量去噪模型如以下公式所示:
其中,χ是一个三阶张量,表示无噪声的图像序列,χk为图像序列χ中的第k帧图像,即待处理图像对应的无噪形式,表示含有噪声的图像序列;αijt是稀疏系数矩阵A中的一个元素,t表示图像序列中的第t帧图像;f表示每个字典原子在时间上的维数;为对第k帧图像的估计,即处理后得到的结果,分别为最优值情况下求解得到的过完备字典和稀疏系数矩阵;系数λ为平衡因子,Rijt为第t帧图像中的第i行第j列元素,μijt为第t帧图像中罚函数中的惩罚因子。
5.根据权利要求4所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤三中对步骤二的建立的单帧图像去噪模型依次进行稀疏编码的具体过程为:
假设X=DA,则公式(4)表示为以下形式:
其中αj为第j列的列向量,yi为待处理图像第i行的行向量,μj为矩阵第j列罚函数中的惩罚因子;
αj每次迭代开始将上一次迭代得到的学习字典固定,使公式(6)变为只有一个优化变量αj的公式(7),对于稀疏系数矩阵A的第j列变量的求解如公式(7)所示:
其中ε为错误率阈值。
将分母部分看作是正交匹配追踪算法每次循环中得到新的稀疏系数αij的权重函数,得到最优化的稀疏系数矩阵。
6.根据权利要求5所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤三中字典更新的具体过程为:
采用过完备的DCT字典作为初始字典进行迭代;
利用改进的K-SVD法进行字典更新的具体过程为:
式中的E代表误差函数,每次更新的是字典中的一列元素,即构成字典的一个原子,具体的求解过程如下:
经过多次优化迭代后,DA最终会逐渐趋近于Y,对分母部分进行奇异值分解,得到最优的字典原子dk和最优的字典原子对应的稀疏系数
7.根据权利要求6所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤三中图像重构的具体过程为:
经过稀疏编码与学习字典更新迭代后,得到待处理图像对应的自适应学习字典,公式(4)转化为以下公式所示:
第一项分母部分把分母部分从二范数中提取出来,与平衡因子λ相结合;结合后得到的新平衡因子变为对于不同的待处理信号yj有不同的平衡因子经过改进得到的无噪声信号的估计值如以下公式所示:
公式(10)求解的方法是将优化目标函数对X求导,导数为零时对应的X即为重构后的图像。
8.根据权利要求7所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤四中对步骤二的建立的多帧图像张量去噪模型依次进行稀疏编码的具体过程为:
假设每一个无噪声图像序列块都无误差地被张量字典中的原子稀疏表示,即公式(5)转化为以下公式:
当限定错误率在规定错误率阈值ε的前提下,使稀疏系数矩阵A更加稀疏;将公式(11)转化为以下公式:
采用基于Kruskal张量的正交匹配追踪算法求解公式(12)。
9.根据权利要求8所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤四中字典更新的具体过程为:
步骤四中所用的字典为张量字典,每个原子的秩为1;
生成三个DCT矩阵,将三个DCT矩阵进行归一化处理,把每个矩阵相同的一列组成一个三阶张量,构成了用于迭代的初始DCT秩1张量字典;
应用CP分解方法进行字典更新,具体过程为:
首先定义一个误差函数E:
定义误差函数为误差张量的Frobenius范数,利用公式(14)对张量字典中的原子逐一更新:
最终多次优化迭代后,会逐渐趋近于对分母部分进行CP分解,得到最优的张量字典原子和最优的张量字典原子对应的稀疏系数
10.根据权利要求9所述的基于张量模型与压缩感知理论的图像斑点噪声去除方法,其特征在于:所述步骤四中图像重构的具体过程为:
将公式(5)转换为公式(15):
输出结果为去噪后的张量中的第k帧图像将第一项的分母部分提取出来与平衡系数λ相组合得到新的平衡系数将公式(15)转化为公式(16):
将公式(16)对χ求导,导数为零时,对应的χ即为重构后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810322284.4A CN108230280A (zh) | 2018-04-11 | 2018-04-11 | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810322284.4A CN108230280A (zh) | 2018-04-11 | 2018-04-11 | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108230280A true CN108230280A (zh) | 2018-06-29 |
Family
ID=62657755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810322284.4A Pending CN108230280A (zh) | 2018-04-11 | 2018-04-11 | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230280A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087246A (zh) * | 2018-08-15 | 2018-12-25 | 江南大学 | 一种基于稀疏重构的超声图像重构方法 |
CN109872288A (zh) * | 2019-01-31 | 2019-06-11 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
CN110298803A (zh) * | 2019-07-03 | 2019-10-01 | 东北石油大学 | 一种基于压缩感知的图像条带噪声去除方法 |
CN110388919A (zh) * | 2019-07-30 | 2019-10-29 | 上海云扩信息科技有限公司 | 增强现实中基于特征图和惯性测量的三维模型定位方法 |
CN112488959A (zh) * | 2020-12-16 | 2021-03-12 | 杭州电子科技大学 | 基于动态随机共振的cmos图像传感器信号去噪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046829A1 (en) * | 2008-08-21 | 2010-02-25 | Adobe Systems Incorporated | Image stylization using sparse representation |
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 |
CN104915931A (zh) * | 2015-04-16 | 2015-09-16 | 南京信息工程大学 | 基于压缩感知理论的自适应光学波前信号去噪方法 |
CN107561576A (zh) * | 2017-08-31 | 2018-01-09 | 电子科技大学 | 基于字典学习正则化稀疏表示的地震信号恢复方法 |
-
2018
- 2018-04-11 CN CN201810322284.4A patent/CN108230280A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046829A1 (en) * | 2008-08-21 | 2010-02-25 | Adobe Systems Incorporated | Image stylization using sparse representation |
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 |
CN104915931A (zh) * | 2015-04-16 | 2015-09-16 | 南京信息工程大学 | 基于压缩感知理论的自适应光学波前信号去噪方法 |
CN107561576A (zh) * | 2017-08-31 | 2018-01-09 | 电子科技大学 | 基于字典学习正则化稀疏表示的地震信号恢复方法 |
Non-Patent Citations (1)
Title |
---|
周若飞 等: ""一种基于压缩感知的斑点噪声去除算法", 《信息传输与接入技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087246A (zh) * | 2018-08-15 | 2018-12-25 | 江南大学 | 一种基于稀疏重构的超声图像重构方法 |
CN109087246B (zh) * | 2018-08-15 | 2023-03-14 | 江南大学 | 一种基于稀疏重构的超声图像重构方法 |
CN109872288A (zh) * | 2019-01-31 | 2019-06-11 | 深圳大学 | 用于图像去噪的网络训练方法、装置、终端及存储介质 |
CN110298803A (zh) * | 2019-07-03 | 2019-10-01 | 东北石油大学 | 一种基于压缩感知的图像条带噪声去除方法 |
CN110298803B (zh) * | 2019-07-03 | 2023-03-24 | 东北石油大学 | 一种基于压缩感知的图像条带噪声去除方法 |
CN110388919A (zh) * | 2019-07-30 | 2019-10-29 | 上海云扩信息科技有限公司 | 增强现实中基于特征图和惯性测量的三维模型定位方法 |
CN110388919B (zh) * | 2019-07-30 | 2023-05-23 | 上海云扩信息科技有限公司 | 增强现实中基于特征图和惯性测量的三维模型定位方法 |
CN112488959A (zh) * | 2020-12-16 | 2021-03-12 | 杭州电子科技大学 | 基于动态随机共振的cmos图像传感器信号去噪方法 |
CN112488959B (zh) * | 2020-12-16 | 2024-02-09 | 杭州电子科技大学 | 基于动态随机共振的cmos图像传感器信号去噪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230280A (zh) | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 | |
CN114140353B (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
CN110796625B (zh) | 一种基于组稀疏表示和加权全变分的图像压缩感知重构方法 | |
Xu et al. | Image inpainting by patch propagation using patch sparsity | |
Michailovich et al. | A novel approach to the 2-D blind deconvolution problem in medical ultrasound | |
Ma et al. | A review of curvelets and recent applications | |
Milanfar et al. | A moment-based variational approach to tomographic reconstruction | |
CN110097512A (zh) | 基于Wasserstein生成对抗网络的三维MRI图像去噪模型的构建方法及应用 | |
CN105046651B (zh) | 一种图像的超分辨率重构方法和装置 | |
CN108573479A (zh) | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 | |
CN106485764A (zh) | Mri图像的快速精确重建方法 | |
CN103279959B (zh) | 一种二维分析稀疏模型、其字典训练方法和图像去噪方法 | |
CN103279932A (zh) | 一种二维合成稀疏模型和基于该模型的字典训练方法 | |
Patel et al. | Separated component-based restoration of speckled SAR images | |
CN114418886B (zh) | 一种基于深度卷积自编码器的鲁棒性去噪方法 | |
CN109064402A (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
CN115018728A (zh) | 基于多尺度变换和卷积稀疏表示的图像融合方法及系统 | |
CN106296583B (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 | |
CN109559278B (zh) | 基于多特征学习的超分辨图像重建方法及系统 | |
CN113204051B (zh) | 一种基于变分模态分解的低秩张量地震数据去噪方法 | |
CN112819739A (zh) | 一种扫描电子显微镜图像处理方法和系统 | |
Joel et al. | Nonsubsampled contourlet transform with cross‐guided bilateral filter for despeckling of medical ultrasound images | |
CN108037533B (zh) | 一种基于块重组期望对数似然的地震勘探噪声压制方法 | |
CN116563110A (zh) | 基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法 | |
CN110830043A (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |