CN109064418A - 一种基于非局部均值的非均匀噪声图像去噪方法 - Google Patents

Abstract

本发明公开了一种基于非局部均值的非均匀噪声图像去噪方法，包括：步骤1：使用评价算子R对非均匀噪声图像先进行像素粗分类；步骤2：对噪声图像中的每一个像素，根据其周围邻域像素的粗分类结果，采取多数投票方法，对该像素的类别进行细分类，分为：低噪声高纹理、中等纹理、高噪声次纹理、平滑区域的其中一类；步骤3：对细分类后的每一个类别，自适应的选择滤波参数和邻域块大小，使用非局部均值去噪算法进行像素去噪；达到消除噪声的效果和纹理保留效果之间的平衡。

Description

一种基于非局部均值的非均匀噪声图像去噪方法

技术领域

本发明涉及图像处理领域，具体地，涉及一种基于非局部均值的非均匀噪声图像去噪方法。

背景技术

受相机硬件条件的制约，由数码相机拍摄到的数字图像存在噪声，并且数字图像的各个色彩通道上的噪声含量不均衡。因此，被捕获的彩色图像受到非均匀噪声的污染。大多数现有的去噪方法都集中在加性高斯白噪声(AWGN)，其中观察到的噪声图像被建模为干净图像和AWGN的添加，即z(i)＝x(i)+n(i)，假设整幅图像上的噪声方差是固定不变的，再对图像进行去噪。这样做，在后续的实验过程中，必定会存在偏差，对后续的研究也会有一定的影响。在2005年，Buades等人提出非局部均值(non-local means,NLM)去噪算法，其基本思想是：当前像素值的估计值由图像中与它具有相似邻域结构的像素经加权平均得到，权函数是根据像素点之间的相似度来确定。该算法充分利用图像结构信息的冗余性，取得了很好的去噪效果。后续的改进方法集中于提升NLM的性能，例如提高计算效率，改变搜索窗口的形状，对NLM的内部参数进行自适应等。然而，该方法一般假定图像中所包含的噪声为高斯噪声，且噪声方差大小恒定。

2016年，Seonghyeon Nam等人指出用数码设备实际采集得到的噪声图像往往是非均匀噪声图像，即图像中的噪声方差大小是随机分布的。因此，直接在这些噪声图像上用NLM方法或其改进方法进行去噪，会带来误差。2017年，Xu等人提出利用外部数据和给定的噪声图像的信息，开发了一个加入外部数据引导的学习内部先验的方法，用于真正的噪声图像去噪。随后又提出了一种新的多通道(multi-channel,MC)去噪模型来有效地利用色彩通道间的冗余，同时区分不同的噪声类型，用于实时彩色图像去噪。Tian等人提出了一种新的到达路径(d irection of arrival,DOA)估计算法，该算法适合于处理未知的非均匀噪声以及用更少的传感器估计更多的源。Chen等人提出了一种使用自适应的BM3D滤波器来降低非均匀噪声图像的噪声。and Roth提出了一种基于真实照片的基准降噪算法。

综上所述，本申请发明人在实现本申请发明技术方案的过程中，发现上述技术至少存在如下技术问题：

1.大多数现有的去噪方法一般假定噪声为高斯噪声，噪声方差恒定；

2.传统非局部均值及其改进算法也大多沿用此种假定。这样做，在后续的实验过程中，必定会存在偏差，对后续的研究也会有一定的影响。

3、目前所提出的对于自然图像的去噪算法，需要从图像中进行学习，计算效率较差。

发明内容

对于非均匀噪声图像的去噪问题，本发明提供了一种基于非局部均值的非均匀噪声图像去噪方法，解决了现有的不足，使用一种评价算子同时对图像局部区域的纹理强度和噪声含量进行描述；根据该描述值，对图像像素先进行平坦区域和纹理区域的粗分类，再使用投票策略进行图像像素的细分类，最后对每一类区域进行启发式去噪参数的选择，以达到消除噪声的效果和纹理保留效果之间的平衡。

为实现上述发明目的，本申请提供了一种基于非局部均值的非均匀噪声图像去噪方法，所述方法包括：

步骤1：使用评价算子R对非均匀噪声图像先进行像素粗分类；

步骤2：对噪声图像中的每一个像素，根据其周围邻域像素的粗分类结果，采取多数投票方法，对该像素的类别进行细分类，分为：低噪声高纹理、中等纹理、高噪声次纹理、平滑区域的其中一类；

步骤3：对细分类后的每一个类别，自适应的选择滤波参数和邻域块大小，使用非局部均值去噪算法进行像素去噪。

进一步的，所述步骤1具体包括：

使用评价算子R先进行区域的粗分类，H是对图像噪声进行度量，F是基于一阶直方图的一个特征描述符，R是H和F的乘积，可对图像局部区域的噪声含量和纹理含量高低进行描述；

其中，公式(1)中为该邻域的结构张量的特征值；ξ是在图像梯度计算中使用的滤波模板中相关的常数，N是图像块的大小，δ_l是局部噪声方差，公式(2)中代表像素i为中心的9×9邻域的灰度值二阶矩。

进一步的，利用多数投票方法，进行图像细分类，包括：

图像可分为4个部分：噪声方差较小的纹理区c₁，中等纹理区c₂，噪声方差大的纹理区c₃和平坦区c₄；对于图像像素i最后所属区域，是以R中像素i对应的值为中心点，取一定大小的块，这个块中每个像素对应的R值由r(j)表示，把该值逐一和T₁，T₂，T₃作比较，T₁，T₂，T₃对应于R累积直方图的90％，70％和30％的数值，对满足条件的像素进行计数并对计数值进行累加，最后满足哪个区域条件的计数值大，则该像素点就属于哪个区域；count(r)代表满足if条件的R(i)的个数，f₁，f₂，f₃，f₄分别对应于区域c₁，c₂，c₃，c₄的计数值；

进一步的，自适应的选择邻域块大小为：

区域类型c₁、c₂、c₄采用的邻域大小分别为7×7、9×9、13×13；区域c₃采用的邻域大小为5×5。

进一步的，滤波参数设置如下：

其中，δ是含噪图像的噪声方差，a₁，a₂，a₃，a₄是常量，D_i是在以i为中心的图像块内被分在c_i类的所有像素点的R值的均值，β控制滤波参数h的形状，是基于中位数绝对偏差(MAD)估计量自适应选择的；；

β_j＝b*C*median[|R_j-median(R_j)|] (7)

其中，|·|表示绝对值算子，median(·)为中位数算子，根据具有单位方差的零均值正态分布的MAD为1/1.4826的事实，常数C由C＝1.4826×ν确定，ν是R_j的方差，b是为了调节β_j大小的常数。

本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：

(1)非均匀噪声图像的噪声方差大小不恒定，使用本发明的纹理含量和噪声含量的评价算子R，可有效地区分出噪声方差较大和较小的区域，为NLM的启发式参数选择提供依据；

(2)将评价算子R与多数投票方法相结合，提高像素分类的准确性，继而提升去噪效果；

(3)本方法对图像的细节保留和噪声去除的效果较好。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1是本发明实施例的流程示意图；

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例

请参考图1，本实施例提供了一种基于非局部均值的非均匀噪声图像去噪方法，具体包括一下步骤：

1、输入一幅512×768的Bikes噪声图像I，其噪声水平δ的范围在[1,40]。

2、对该噪声图像实施通道转换，将RGB通道转换为YCbCr通道，只将本发明方法运用到Y通道，对另两个通道采用高斯滤波的方法进行去噪。

3、逐点遍历噪声图像I中的像素点i，本例中选取了位于图像(58，439)处像素点作为示例进行说明，获取该像素点为中心的局部邻域Ω_i，邻域大小为9×9，分类时取该邻域大小取值为5×5。

4、该点的邻域灰度值矩阵为：

5、由下述公式(1)计算得到方形局部区域Ω_i沿着水平和垂直方向的梯度图像G_i：

然后对图像G_i进行奇异值分解得到特征值和特征向量V_i＝(V_i,1,V_i,2)，即

6、由下述公式(2)得到像素i的方差度量值H(i)

其中为该邻域的结构张量的特征值；

7、由公式(3)计算得到方形局部邻域Ω_i的直方图的二阶矩

其中M＝9×9。

8、由下述公式(4)得到像素i的纹理度量值F(i)

其中为以像素i为中心的9×9邻域的灰度值二阶矩。

9、由方差度量和纹理度量计算得到像素点i的分类指标R(i)，根据下述公式(5)计算得到像素i的分类指标R(i)

根据公式(5)，噪声图像I中的每一个像素都可得到一个R值。对于整幅图像而言，将R的数值进行统计，获得R的累积直方图，可用于确定像素分类阈值。具体地，阈值T₁，T₂，T₃分别对应R累积直方图的90％，70％和30％的数值，分别为T₁＝0.2970、T₂＝0.1257、T₃＝0.0340。

10、利用多数投票方法，进行图像细分类。图像可分为4个部分：噪声方差较小的纹理区(c₁)，中等纹理区(c₂)，噪声方差大的纹理区(c₃)和平坦区(c₄)。图像像素i最后所属区域的判定，是以R中像素i对应的值为中心点，取5×5大小的块，这个块中所有像素的R值可组成一个矩阵：

把矩阵中每个像素的R值逐一和T₁,T₂,T₃作比较，T₁＝0.2970、T₂＝0.1257、T₃＝0.0340，对满足条件(4)的R值进行计数并对计数值进行累加，最后满足哪个区域条件的计数值大，该像素点就属于哪个区域。count(r)代表满足if条件的R(i)值的个数。f₁,f₂,f₃,f₄分别对应于区域c₁,c₂,c₃,c₄的计数值。

由公式(7)可以知道最后像素i所属的区域是c₃。

11、对图像中所有归好类别区域的像素点定义不同大小的图像块，对于区域类型c₁、c₂和c₄，本发明所采用的邻域大小分别为7×7、9×9和13×13。而对于区域c₃，该区域属于噪声方差较大的纹理区，在一定程度上噪声幅度超过了纹理强度。故为提高这部分区域的去噪效果，修复纹理信息，我们选择足够小的邻域块5×5。

12、对于滤波参数，设置如下：

其中δ是将含噪图像的噪声方差假设为大小恒定，估计得到的噪声方差值，Bikes图像的δ＝23.2695。这里的a₁,a₂,a₃,a₄是常量，取值分别为2.4，2.6，2.5，2，D_i是在不同区域符合条件的R值的均值，像素i的D值为D_i＝0.0914，β控制滤波参数h的形状，β是基于中位数绝对偏差(MAD)估计量自适应选择的。

β_j＝b*C*median[|R_j-median(R_j)|] (9)

其中，|·|表示绝对值算子，median(·)为中位数算子，根据具有单位方差的零均值正态分布的MAD为1/1.4826的事实，常数C由C＝1.4826×ν确定，ν是R_j的方差，b是为了调节β_j大小的常数，取值为500，由公式(7)和(8)得到像素i的β值为1.0667。

故由公式(8)可得到像素i的滤波参数值h(i)＝57.7480

13、重复步骤3:12，直到计算得到所有像素点的图像块大小和滤波参数。

14、所有像素点的参数设置好之后，利用非局部均值算法框架进行加权平均，最后得到去噪后的图像。

15、合并三个通道分别去噪的结果，得到我们最终的去噪结果图。

分别在两张高清晰图像上添加不同区间的合成噪声，使用NLM、ANLM和本发明方法分别对噪声图像进行去噪，实验结果PSNR/SSIM如表1所示。

表1：去噪结果对比表(表中[10]指的就是ANLM去噪方法)

分别在七张用相机拍摄的真实噪声图像上使用NLM、ANLM和本发明方法进行去噪，实验结果的PSNR/SSIM值如表2所示。

表2：去噪结果对比表(表中[10]指的就是ANLM去噪方法)

由表1可见，在合成的噪声图像上做去噪时，在噪声较小时，我们的方法具有更好的PSNR值，当噪声越来越大时，我们的算法对于图像的结构具有更好的保留性。由表2可见，本发明方法从客观图像评价指标PSNR(峰值信噪比)和SSIM(结构相似度)的数值来看有着更好的去噪效果。从不同方法对真实噪声图像的去噪效果上来看，NLM和ANLM方法处理后的图像细节轮廓变模糊了，而采用本发明方法可以对图像中细节的保留有着更好的还原效果。从表2中可以看到一些图的PSNR值效果不好，这是由于对于高纹理部分的滤波参数适应的不好，所以出现这样的结果，这也之后我们要改进的。因此，从主观视觉角度和客观指标角度上，本发明方法有着更好的去噪效果和细节保留能力。

本发明通过使用一种评价算子同时对图像局部区域的纹理强度和噪声含量进行描述；根据该描述值，对图像像素先进行平坦区域和纹理区域的粗分类，再使用投票策略实现图像像素的细分类，最后对每一类区域进行启发式去噪参数的选择，以达到消除噪声的效果和纹理保留效果之间的平衡，实验效果证明所改进的算法对于真实噪声自然图像有着比较好的去噪和细节保留效果。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于非局部均值的非均匀噪声图像去噪方法，其特征在于，所述方法包括：

步骤1：使用评价算子R对非均匀噪声图像先进行像素粗分类；

步骤2：对噪声图像中的每一个像素，根据其周围邻域像素的粗分类结果，采取多数投票方法，对该像素的类别进行细分类，分为：低噪声高纹理、中等纹理、高噪声次纹理、平滑区域的其中一类；

步骤3：对细分类后的每一个类别，自适应的选择滤波参数和邻域块大小，使用非局部均值去噪算法进行像素去噪。

2.根据权利要求1所述的基于非局部均值的非均匀噪声图像去噪方法，其特征在于，所述步骤1具体包括：

使用评价算子R先进行区域的粗分类，H是对图像噪声进行度量，F是基于一阶直方图的一个特征描述符，R是H和F的乘积，可对图像局部区域的噪声含量和纹理含量高低进行描述；

其中，公式(1)中为该邻域的结构张量的特征值；ξ是在图像梯度计算中使用的滤波模板中相关的常数，N是图像块的大小，δ_l是局部噪声方差，公式(2)中为以像素i为中心的7×7邻域的灰度值二阶矩。

3.根据权利要求1所述的基于非局部均值的非均匀噪声图像去噪方法，其特征在于，利用多数投票方法，进行图像细分类，包括：

图像可分为4个部分：噪声方差较小的纹理区c₁，中等纹理区c₂，噪声方差大的纹理区c₃和平坦区c₄；对于图像像素i最后所属区域，是以中像素i为中心点，取一定大小的块，这个块中每个像素对应的R值由r(j)表示，把r(j)值逐一和T₁,T₂,T₃作比较，T₁,T₂,T₃对应于R累积直方图的90％，70％和30％的数值，对满足条件(4)的r(j)值进行计数并对计数值进行累加，最后满足哪个区域条件的计数值大，则该像素点就属于哪个区域；count(r)代表满足if条件的R(i)的个数，f₁,f₂,f₃,f₄分别对应于区域c₁,c₂,c₃,c₄的计数值；

4.根据权利要求3所述的基于非局部均值的非均匀噪声图像去噪方法，其特征在于，自适应的选择邻域块大小为：

区域类型c₁、c₂、c₄采用的邻域大小分别为7×7、9×9、13×13；区域c₃采用的邻域大小为5×5。

5.根据权利要求3所述的基于非局部均值的非均匀噪声图像去噪方法，其特征在于，滤波参数设置如下：

其中，δ是含噪图像的噪声方差，a₁,a₂,a₃,a₄是常量，D_i是在以i为中心的图像块内被分在c_i类的所有像素点的R值的均值，β控制滤波参数h的形状，是由基于中位数绝对偏差MAD估计量自适应选择的：

β_j＝b*C*median[|R_j-median(R_j)|] (7)

其中，|·|表示绝对值算子，median(·)为中位数算子，根据具有单位方差的零均值正态分布的MAD为1/1.4826的事实，常数C由C＝1.4826×ν确定，ν是R_j的方差，b是为了调节β_j大小的常数。