CN109410134A - 一种基于图像块分类的自适应去噪方法 - Google Patents
一种基于图像块分类的自适应去噪方法 Download PDFInfo
- Publication number
- CN109410134A CN109410134A CN201811159032.0A CN201811159032A CN109410134A CN 109410134 A CN109410134 A CN 109410134A CN 201811159032 A CN201811159032 A CN 201811159032A CN 109410134 A CN109410134 A CN 109410134A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- block
- self
- method based
- 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 31
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于图像块分类的自适应去噪方法，包括如下步骤：步骤1，利用包括电荷耦合器件的摄像机采集需要处理的原始图像，将采集到的图像进行灰度转换并进行加噪处理；步骤2，将噪声图像进行块分类，通过计算图像块的方差将图像分成平滑区和非平滑区；步骤3，对步骤2中分类出的平滑区用均值滤波法进行去噪；步骤4，对步骤2中分类出的非平滑区，利用K‑SVD算法进行去噪处理；步骤5，通过计算峰值信噪比和运行时间，分析去噪算法的有效性。此种去噪方法可弥补传统K‑SVD图像去噪算法中运行效率低的不足，并很好地保留图像的结构信息。
Description
技术领域
本发明属于图像处理技术领域，特别涉及一种基于图像块分类的自适应去噪方法研究。
背景技术
图像俨然已成为现阶段人类活动中最常用的信息载体，图像数据方面的爆炸式增长也大大地促进了科学研究、医疗、教育、工业生产等领域的发展，同时对数字图像处理技术提出了更高的要求。然而在图像的获取、压缩或是传输过程中极易引入噪声，从而影响后续的工作。所以降噪处理工作在图像处理过程中为尤为首要。
现阶段去噪算法大多是从概率统计理论、模糊理论、非参数估计理论等领域衍生而来。由于先验信息的缺乏，去噪问题常具有病态性。近些年来，稀疏分解、过完备字典的训练以及理论分析已经成为研究热点，传统的K-SVD算法在稀疏编码过程中使用的是正交匹配追踪OMP和奇异值分解，其中OMP得到的是每一个样本信号对应的稀疏系数向量的近似逼近，但是依旧存在缺乏对整体结构的分析以及运算量过大的不足，所以急需对相关的内容进行研究，得到完善的结论，在图像结构信息的保护与运算复杂度之间能够得到较好的平衡提供有效方法。
发明内容
本发明的目的，在于提供一种基于图像块分类的自适应去噪方法，其可弥补传统K-SVD图像去噪算法中运行效率低的不足，并很好地保留图像的结构信息。
为了达成上述目的，本发明的解决方案是：
一种基于图像块分类的自适应去噪方法，包括如下步骤：
步骤1，利用包括电荷耦合器件的摄像机采集需要处理的原始图像，将采集到的图像进行灰度转换并进行加噪处理；
步骤2，将噪声图像进行块分类，通过计算图像块的方差将图像分成平滑区和非平滑区；
步骤3，对步骤2中分类出的平滑区用均值滤波法进行去噪；
步骤4，对步骤2中分类出的非平滑区，利用K-SVD算法进行去噪处理；
步骤5，通过计算峰值信噪比和运行时间，分析去噪算法的有效性。
采用上述方案后，本发明运用建立的新型模型对采集到的图像加入噪声样本，并进行噪声滤除工作，将噪声图像分为M个n×n大小的图像块，增加对于图像块信息的分析，根据样本的方差将其分为平滑区及非平滑区，而后利用均值滤波算法和K-SVD算法对图像块进行自适应选择去噪，以此保证边缘结构纹理信息的完整性和运行速度，为图像噪声去除提供有效的指导方法。
本发明提供的一种基于图像块分类的自适应去噪方法，弥补了当前图像去噪算法中所存在的缺乏对整体结构的分析以及运算量过大的不足，在图像结构信息的保护与运算复杂度之间能够得到较好的平衡。
附图说明
图1是本发明的流程图；
图2是本发明具体实施方式的原始图像进行灰度图像转换后灰度图；
图3是采用本发明具体实施方式的对灰度图进行加噪后的效果图；
图4是采用本发明具体实施方式的方法对加噪图像(library)进行去噪处理后的效果图；
图5是采用本发明具体实施方式的方法对加噪图像(shanghai)进行去噪处理后的效果图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图1所示，本发明提供一种基于图像块分类的自适应去噪方法，包括如下步骤：
步骤一：利用包括电荷耦合器件(charge-coupled device，CCD)的摄像机采集需要处理的原始图像，将采集到的图像进行灰度转换并进行加噪处理；
为单独处理每一个分量，减少原始噪声的干扰，利用MATLAB的rgb2gray函数将采集到的RGB图像转换为灰度图像，其效果如图2所示。
在步骤一中，摄像机采用电荷耦合器件作为图像传感器元件，是因为电荷耦合器件具有体积小、重量轻、分辨率高、灵敏度高、动态范围宽、光敏元件的几何精度高、功耗小、寿命长、抗震性和抗冲击性好、不受电磁场干扰和可靠性高等一系列优点。
图3是将采集到的灰度转换后的图像进行加噪处理，其中，加噪后图像如式(1)所示：
I0(x,y)＝I(x,y)+n(x,y)(x,y∈R) (1)
其中，I0表示加噪图像；I为原始图像；n表示均值为0、方差为σ2的高斯噪声。设R是实平面中一个有界开子集，定义为图像的定义域，(x,y)表示图像域的二维空间坐标。优选的，利用MATLAB的imnoise函数为所述灰度图像添加高斯噪声，其调用格式为J＝imnoise(I,’gaussian’,m,v)，其中I为原始图像，gaussian表示添加的高斯噪声，m为高斯噪声均值，默认值为0，v为高斯噪声的方差。
步骤二：将噪声图像进行块分类，通过计算图像块的方差将图像分成平滑区和非平滑区；
考虑到图像具有一定的结构特征，将步骤一中的加噪图像I0(大小为N×N，表示图像的宽╳高)分成互相重叠的m×m大小的图像块，将每一图像块进行向量化得到样本集其中M为图像块的个数，即M＝(N-n+1)2；计算图像块的样本方差dx，根据图像块的样本方差分成平滑区和非平滑区，具体来说，若样本方差若大于经验阈值13，则可分类为非平滑区，否则即为平滑区。
步骤三：对步骤二中分类出的平滑区用均值滤波法进行去噪；
均值滤波又称邻域平均法，采用算法简单的线性滤波算法对平滑区的样本图像块进行处理，线性滤波的基本原理是用均值来代替原图像中的每个像素值，即对待处理的当前像素点(x,y)，选由其近邻的若干像素组成的模板，求模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度g(x,y)，对于平滑区域的图像块的噪声能够有效滤除。
步骤四：对步骤二中分类出的非平滑区，利用K-SVD算法进行去噪处理；即在给定的字典下计算出对应稀疏表示的系数，再为稀疏表示系数重新建立去噪后的图像；
所述步骤四中，K-SVD算法将非平滑区聚为K类，然后初始化字典，计算稀疏系数，逐列更新字典，最后得到去噪图像，具体过程是：
采用K-SVD算法对非平滑区进行图像块处理。在假设字典D己知的情况下，构建传统去噪模型如式(2)：
其中，第一项为原始图像I与加噪图像I0的约束项，λ表示控制参数，表示为λ＝30/σ，σ表示图像标准差；第二项为每一个样本图像块的稀疏性约束，αij表示每块图像的稀疏系数，Rij表示图像块的提取矩阵；μij表示控制参数，表示对样本图像块的稀疏性约束；为求得最优的稀疏分解系数可使用块协调最小化的算法，假设原始图像和含噪图像满足I(x,y)＝I0(x,y)的条件，求解如式(3)所示：
其中，αij表示每块图像的稀疏系数，D为更新的字典，Rij表示图像块的提取矩阵，使用OMP算法可以很简单地求解出结果，在第二项低于阈值Th时停止。当所有子图像块稀疏系数αij求出之后，再根据式(4)来求解去噪图像
其近似解如式(5)所示：
其中，A表示单位矩阵，上标T表示转置。
步骤五：通过计算峰值信噪比和运行时间，分析去噪算法的有效性；
利用上述方法分别对图像(library)和图像(shanghai)进行处理，其结果图分别如图4和图5所示。
表1为图像(library)和图像(shanghai)通过本发明论述的方法具体实施后在不同噪声方差下与其他方法的峰值信噪比、运行时间的比较结果，依此评价去噪算法的可行性。其计算公式如式(6)所示：
其中，W×H表示图像的分辨率，I表示初始图像，表示最终估计图像，峰值信噪比则要求越大越好。
由以上的结果可以清晰、有效地看出基于图像块分类的自适应去噪方法的研究具有较高的峰值信噪比及较快的运行速度，不仅有效去除了噪声的干扰，而且对于图像边缘结构信息有了一定的增强，从局部稳定控制图像信息。从客观评价标准与主观视觉效果两个角度可得知，该算法内部信息结构保护更具完整性，进一步证实了本发明具有理想的去噪性能。
表1
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (8)
1.一种基于图像块分类的自适应去噪方法，其特征在于包括如下步骤：
步骤1，利用包括电荷耦合器件的摄像机采集需要处理的原始图像，将采集到的图像进行灰度转换并进行加噪处理；
步骤2，将噪声图像进行块分类，通过计算图像块的方差将图像分成平滑区和非平滑区；
步骤3，对步骤2中分类出的平滑区用均值滤波法进行去噪；
步骤4，对步骤2中分类出的非平滑区，利用K-SVD算法进行去噪处理；
步骤5，通过计算峰值信噪比和运行时间，分析去噪算法的有效性。
2.如权利要求1所述的一种基于图像块分类的自适应去噪方法，其特征在于：所述步骤1中，利用MATLAB的rgb2gray函数将采集到的RGB图像进行灰度转换，转换为灰度图像。
3.如权利要求1所述的一种基于图像块分类的自适应去噪方法，其特征在于：所述步骤1中，对灰度转换后的图像进行加噪处理，加噪后图像如下式所示：
I0(x,y)＝I(x,y)+n(x,y)(x,y∈R)
其中，I0表示加噪图像；I为原始图像；n表示均值为0、方差为σ2的高斯噪声；设R是实平面中一个有界开子集，定义为图像的定义域，(x,y)表示图像域的二维空间坐标。
4.如权利要求3所述的一种基于图像块分类的自适应去噪方法，其特征在于：利用MATLAB的imnoise函数为所述灰度图像添加高斯噪声，其调用格式为J＝imnoise(I,’gaussian’,m,v)，其中I为原始图像，gaussian表示添加的高斯噪声，m为高斯噪声均值，默认值为0，v为高斯噪声的方差。
5.如权利要求1所述的一种基于图像块分类的自适应去噪方法，其特征在于：所述步骤2的具体内容是：将步骤1中N×N的加噪图像I0分成互相重叠的m×m大小的图像块，将每一图像块进行向量化得到样本集其中M为图像块的个数，即M＝(N-m+1)2；计算图像块的样本方差dx，若样本方差若大于经验阈值，则分类为非平滑区，否则即为平滑区。
6.如权利要求1所述的一种基于图像块分类的自适应去噪方法，其特征在于：所述步骤3的具体内容是：对待处理的当前像素点(x,y)，选由其近邻的若干像素组成的模板，求模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度。
7.如权利要求1所述的一种基于图像块分类的自适应去噪方法，其特征在于：所述步骤4的具体过程是：
在假设字典D己知的情况下，构建传统去噪模型如下式：
其中，第一项为原始图像I与加噪图像I0的约束项，λ表示控制参数，表示为λ＝30/σ，σ表示图像标准差；第二项为每一个样本图像块的稀疏性约束，αij表示每块图像的稀疏系数，Rij表示图像块的提取矩阵；μij表示控制参数，表示对样本图像块的稀疏性约束；使用块协调最小化的算法求得最优的稀疏分解系数假设原始图像和含噪图像满足I(x,y)＝I0(x,y)的条件，求解如下式所示：
其中，αij表示每块图像的稀疏系数，D为更新的字典，Rij表示图像块的提取矩阵，使用OMP算法求解结果，在第二项低于阈值Th时停止；当所有子图像块稀疏系数αij求出之后，再根据下式求解去噪图像
其近似解如下式所示：
其中，A表示单位矩阵，上标T表示转置。
8.如权利要求1所述的一种基于图像块分类的自适应去噪方法，其特征在于：所述步骤5中，评价去噪算法的可行性的计算公式是：
其中，W×H表示图像的分辨率，I表示初始图像，表示最终估计图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811159032.0A CN109410134A (zh) | 2018-09-30 | 2018-09-30 | 一种基于图像块分类的自适应去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811159032.0A CN109410134A (zh) | 2018-09-30 | 2018-09-30 | 一种基于图像块分类的自适应去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109410134A true CN109410134A (zh) | 2019-03-01 |
Family
ID=65465957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811159032.0A Pending CN109410134A (zh) | 2018-09-30 | 2018-09-30 | 一种基于图像块分类的自适应去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109410134A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793278A (zh) * | 2021-09-13 | 2021-12-14 | 江苏海洋大学 | 一种改进的加权核范数最小化和Laplace算子选择性增强的遥感影像去噪方法 |
| CN114612345A (zh) * | 2022-04-01 | 2022-06-10 | 江苏通纺互联科技有限公司 | 一种基于图像处理的光源检测方法 |
| CN114742727A (zh) * | 2022-03-31 | 2022-07-12 | 南通电博士自动化设备有限公司 | 一种基于图像平滑的噪声处理方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574831A (zh) * | 2016-03-17 | 2016-05-11 | 河海大学常州校区 | 一种修正的图像块期望对数似然估计的图像去噪方法 |
-
2018
- 2018-09-30 CN CN201811159032.0A patent/CN109410134A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574831A (zh) * | 2016-03-17 | 2016-05-11 | 河海大学常州校区 | 一种修正的图像块期望对数似然估计的图像去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周确: "基于区域划分和字典学习的图像去噪方法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 汪美玲 等: "双向增强扩散滤波的图像去噪模型", 《数据采集与处理》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793278A (zh) * | 2021-09-13 | 2021-12-14 | 江苏海洋大学 | 一种改进的加权核范数最小化和Laplace算子选择性增强的遥感影像去噪方法 |
| CN113793278B (zh) * | 2021-09-13 | 2023-06-23 | 江苏海洋大学 | 一种基于Laplace算子选择性增强的遥感影像去噪方法 |
| CN114742727A (zh) * | 2022-03-31 | 2022-07-12 | 南通电博士自动化设备有限公司 | 一种基于图像平滑的噪声处理方法及系统 |
| CN114612345A (zh) * | 2022-04-01 | 2022-06-10 | 江苏通纺互联科技有限公司 | 一种基于图像处理的光源检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9615039B2 (en) | Systems and methods for reducing noise in video streams | |
| Wang et al. | Event-stream representation for human gaits identification using deep neural networks | |
| WO2020199831A1 (zh) | 图像处理模型的训练方法、图像处理方法、网络设备及存储介质 | |
| WO2021008019A1 (zh) | 姿态跟踪方法、装置及计算机可读存储介质 | |
| CN104966285B (zh) | 一种显著性区域的检测方法 | |
| CN108134937B (zh) | 一种基于hevc的压缩域显著性检测方法 | |
| CN110472566B (zh) | 一种高精度的模糊人脸识别方法 | |
| CN111260738A (zh) | 基于相关滤波和自适应特征融合的多尺度目标跟踪方法 | |
| CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
| CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
| CN109410134A (zh) | 一种基于图像块分类的自适应去噪方法 | |
| CN110428450B (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
| CN114972107A (zh) | 基于多尺度堆叠式注意力网络的低照度图像增强方法 | |
| CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
| CN114862710A (zh) | 红外和可见光图像融合方法及装置 | |
| CN106886764B (zh) | 一种基于深度学习的恐慌度计算方法和装置 | |
| CN111340839A (zh) | 一种基于分块的视频噪声估计方法 | |
| CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
| Khashman | Automatic detection, extraction and recognition of moving objects | |
| CN110570450A (zh) | 一种基于级联的上下文感知框架的目标跟踪方法 | |
| CN114091520B (zh) | 一种井工煤矿中工作设备识别与检测的方法与装置 | |
| CN117561540A (zh) | 使用帧序列执行计算机视觉任务的系统和方法 | |
| CN112532938B (zh) | 一种基于大数据技术的视频监控系统 | |
| CN114693543A (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
| Ke et al. | A Video Image Compression Method based on Visually Salient Features. |
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 | ||
| CB02 | Change of applicant information |
Address after: 210032 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu Applicant after: Nanjing University of Information Science and Technology Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province Applicant before: Nanjing University of Information Science and Technology |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |
|
| RJ01 | Rejection of invention patent application after publication |