CN109544593B - 一种基于自相似度量的通用图像噪声估计方法 - Google Patents

一种基于自相似度量的通用图像噪声估计方法 Download PDF

Info

Publication number
CN109544593B
CN109544593B CN201811284472.9A CN201811284472A CN109544593B CN 109544593 B CN109544593 B CN 109544593B CN 201811284472 A CN201811284472 A CN 201811284472A CN 109544593 B CN109544593 B CN 109544593B
Authority
CN
China
Prior art keywords
image
noise
minimum distance
self
noise estimation
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.)
Active
Application number
CN201811284472.9A
Other languages
English (en)
Other versions
CN109544593A (zh
Inventor
侯迎坤
侯昊
杨洪祥
梁凤鸣
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.)
Taishan University
Original Assignee
Taishan 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 Taishan University filed Critical Taishan University
Priority to CN201811284472.9A priority Critical patent/CN109544593B/zh
Publication of CN109544593A publication Critical patent/CN109544593A/zh
Application granted granted Critical
Publication of CN109544593B publication Critical patent/CN109544593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/223—Analysis of motion using block-matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • G06T5/70—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于自相似度量的通用图像噪声估计方法，包括以下步骤：S1、生成一幅像素值为常值的图像，并在图像上添加噪声强度标准偏差为已知的高斯噪声，对该含噪图像进行块匹配与行匹配并计算平均最小距离度量Dmean；S2、根据平均最小距离度量Dmean获取噪声标准偏差与距离度量的稳定的对应关系；S3、对实际含噪图像用获得的对应关系估计噪声强度σ1并同时生成一种距离度量映射图像；S4、利用该结果及获得的距离度量映射图像判断图像中的平滑区域，只在图像的平滑区域估计噪声，通过两步迭代，最终获得精确的噪声强度σ。本发明不需要任何图像变换，只是在空域进行图像的自相似度量，理论非常简单，整个过程只用欧式距离计算图像的自相似性。

Description

一种基于自相似度量的通用图像噪声估计方法
技术领域
本发明涉及图像噪声估计技术领域，更具体地说，特别涉及一种基于自相似度量的通用图像噪声估计方法。
背景技术
在现实生活与科学研究中，各种图像在获取过程中都会不可避免地引入不同类型、不同强度的噪声，为了去除图像的噪声，大部分现有技术在实验过程中都事先在一幅干净图像上加上类型已知、强度已知的噪声，然后利用自己的技术进行图像去噪实验。而现实图像中的噪声强度是未知的，为了实现有效的图像去噪，必须事先对图像进行精确的噪声估计。现有的图像噪声估计方法主要有基于小波变换与离散余弦变换的方法，通过对图像变换后的变换系数进行统计实现图像噪声估计。近来的图像噪声估计的较好方法主要有两种：一种利用图像块的梯度值并用统计的方法提取图像的平坦区域然后用主成分分析的方法对平坦区域的图像块进行噪声估计；另一种是先建立图像块的协方差矩阵的特征值与噪声强度的统计关系，然后用一种非参数算法对图像噪声进行估计。
上述方法都仅仅局限于对某种单一类型的图像噪声进行估计，而现实图像中的噪声模型往往不只含有单一噪声类型，而是由多种类型噪声的混合。上述噪声估计基本都是针对加性高斯噪声的，而对乘性噪声、相干斑噪声等往往会失效；很多现实图像的平坦区域并不多，对含有较少平坦区域的图像的噪声估计精度将会大大降低。这些算法理论都特别复杂，所以不利于真正地应用于实践。但是，实际图像去噪时必须对图像进行准确的噪声估计才能有效实现图像去噪，目前还没有一种通用的并且精度高的图像噪声估计方法。
发明内容
本发明的目的在于解决现有技术中的不足，从而提供一种不需要任何图像变换，只是在空域进行图像的自相似度量，整个过程只用计算图像的自相似性的基于自相似度量的通用图像噪声估计方法。
为了达到上述目的，本发明采用的技术方案如下：
一种基于自相似度量的通用图像噪声估计方法，包括以下步骤：
S1、生成一幅像素值为常值的图像，并在图像上添加噪声强度标准偏差已知的高斯噪声，形成标准含噪图像，并对该含噪图像进行块匹配与行匹配并计算平均最小距离度量Dmean，通过统计方法建立平均最小距离度量与噪声标准偏差之间的一种稳健的对应关系；
S2、利用S1中建立的对应关系对实际含噪图像进行噪声估计，获得实际含噪图像的噪声标准偏差σ1，同时生成实际含噪图像的最小距离度量映射图像；
S3、用S2中的σ1及生成的最小距离度量映射图像决定图像中的平滑区域，重复步骤S2，但只利用图像中的平滑区域进行噪声估计，获得更准确的噪声估计得结果σ2；
S4、对S3迭代执行两次，噪声估计结果进一步矫正，最终获得精确的噪声标准偏差σ。
进一步地，所述步骤S1中的常值图像为：像素值为0.5的256×256的灰度图像，在图像上添加噪声强度为标准偏差为1.0的高斯噪声。
进一步地，所述步骤S1中计算平均最小距离度量Dmean的具体方法为：执行生成的含噪图像的块匹配,按一个指定的步长N_step提取大小为的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将所有行匹配的最小距离累加得距离总和D_sum并记录求距离的次数D_num，处理完所有图像后求平均最小距离Dmean。
进一步地，N1＝8，N2＝16，NS＝39，N_step＝8。
进一步地，所述步骤S2中用以下关系式建立最小距离度量均值D_mean与噪声标准偏差σ的对应关系：
Figure BDA0001848681740000021
其中常值c为最小距离度量与噪声强度对应关系的鲁棒参数。
进一步地，所述步骤S3利用S1与S2中建立的对应关系对实际含噪图像进行噪声估计，获得实际含噪图像的噪声标准偏差σ1，同时生成实际含噪图像的最小距离度量映射图像。
进一步地，所述步骤S4中待测含噪图像经过步骤S3以后，获得待测含噪图的噪声估计的结果σ2；待测含噪图的噪声估计计算时，鲁棒参数采用理论值c再乘以0.8。
本发明基于任何图像都有大量的自相似信息这一事实，首先在一幅常值图像中加入高斯噪声，通过图像的块匹配以及图像块中的行匹配统计自相似性建立图像的最小自相似度量与噪声强度的统计关系，获得了一种鲁棒的参数值。将这些参数值应用于各种图像及各种类型的噪声的估计都获得了非常精确的估计结果。
本发明不需要任何图像变换，只是在空域进行图像的自相似度量，理论非常简单，整个过程只用欧式距离计算图像的自相似性。
本发明通过寻求图像中的最小自相似度量进行图像噪声估计，目前通用的图像自相似度量方法为图像块匹配，还没有更好的替代方法。本发明首次提出对图像块匹配后的行匹配为获得更精确的自相似度量的最新方法，目前也无其他替代方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的基于自相似度量的通用图像噪声估计方法的方法原理图；
图2是本发明的基于自相似度量的通用图像噪声估计方法的方法流程图；
图3中a是本发明噪声估计实验中常值图像，b是含噪图像；
图4是一幅实际含噪图像及其距离度量映射图像；
图5是本发明噪声估计实验中所用的10幅图像；
图6是采用本发明的噪声估计方法对图像噪声估计结果。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例一
参阅图1所示，一种基于自相似度量的通用图像噪声估计方法，包括以下步骤：
S1、生成一幅像素值为常值的图像，并在图像上添加噪声强度标准偏差已知的高斯噪声，形成标准含噪图像，并对该含噪图像进行块匹配与行匹配并计算平均最小距离度量Dmean，通过统计方法建立平均最小距离度量与噪声标准偏差之间的一种稳健的对应关系；
S2、利用S1中建立的对应关系对实际含噪图像进行噪声估计，获得实际含噪图像的噪声标准偏差σ1，同时生成实际含噪图像的最小距离度量映射图像；
S3、用S2中的σ1及生成的最小距离度量映射图像决定图像中的平滑区域，重复步骤S2，但只利用图像中的平滑区域进行噪声估计，获得更准确的噪声估计得结果σ2；
S4、对S3迭代执行两次，噪声估计结果进一步矫正，最终获得精确的噪声标准偏差σ。
本发明基于任何图像都有大量的自相似信息这一事实，首先在一幅常值图像中加入高斯噪声，通过图像的块匹配以及图像块中的行匹配统计自相似性建立图像的最小自相似度量与噪声强度的统计关系，获得了一些鲁棒的参数值。将这些参数值应用于各种图像及各种类型的噪声的估计都获得了非常精确的估计结果。本发明不需要任何图像变换，只是在空域进行图像的自相似度量，理论非常简单，整个过程只用欧式距离计算图像的自相似性。目前通用的图像自相似度量方法为图像块匹配，还没有更好的替代方法。所以本发明首次提出对图像块匹配后的行匹配为获得更精确的自相似度量的最新方法，目前也无其他替代方案。
实施例二
参阅图2所示，图2是本发明的基于自相似度量的通用图像噪声估计方法的方法流程图；’
第一步：图像块匹配与行匹配计算平均最小距离度量；
参阅图3所示，首先生成一幅像素值为0.5的256×256的灰度图像，像素值也可以根据图片需要设置为其他参数，在图像上添加噪声强度为标准偏差为1.0的高斯噪声，执行生成的含噪图像的块匹配,按一个指定的步长N_step提取大小为的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将所有行匹配的最小距离累加得距离总和D_sum并记录求距离的次数D_num，处理完所有图像后求平均最小距离Dmean，其中块匹配与行匹配均匀最简单的欧式距离。
优选的，本发明示例性所用的参数值分别为：N1＝8，N2＝16，NS＝39，N_step＝8。也可以根据需要设置其他参数。
第二步：通过参数学习建立鲁棒的最小距离度量与噪声强度的对应关系；
改变第一步中的参考图像块尺寸从而改变行匹配过程中的行的长度求最小行距离度量均值，用以下关系式建立最小距离度量均值D_mean与噪声标准偏差σ的对应关系：
Figure BDA0001848681740000051
其中常值c为最小距离度量与噪声强度对应关系的鲁棒参数。
通过按每次增加标准偏差为1.0的强度向图像逐步加强噪声，并同时调整图像块的大小与块数，当图像块数N2＝16时，获得了鲁棒的参数值c为0.000174。通过实验发现，最终起决定作用的为图像块匹配中的图像块数，即每次行匹匹配的行的长度，其余参数影响较小，当然步长越小，块尺寸越大结果越精确。
第三步：实际图像噪声估计；
由于实际图像与常值图像有较大区别，图像中的实际信息对图像的最小自相似度量影响较大，优选的，本实施例通过大量的图像进行统计实验，将理论值c再乘以0.8以获得对所有图像通用的噪声估计。
第四步：噪声估计结果进一步矫正；
在实验过程中发现，如果图像内容太复杂，如包含丰富的纹理与轮廓信息，往往估计的噪声强度偏高，原因是这类信息大大提高了自相似距离，从而增加了噪声估计的偏差。为了解决此问题，本实施例提出了一种噪声估计的精确方法，首先用第三步初步噪声估计获得的估计结果σ1以及生成的距离度量映射图像判别图像中的平滑区域，再迭代前述步骤在平滑区域进行噪声估计，对去噪后的图像进行噪声估计得结果σ2，迭代两步后最终获得精确的估计结果为σ。
实施例三
参阅图3所示，本实施例噪声估计实验中常值图像和含噪图像；图4为一幅实际含噪图像及由其获得的距离度量映射图像；
本实施例对图像去噪研究中，图5所示的10幅标准图像用MATLAB软件向图像进行加噪与噪声估计实验，每次向图像中添加不同强度的噪声，然后对加噪的图像用实施例二中的方法对加噪图像进行噪声估计。图6为本实施例的图像噪声估计结果。从表中数据可以看出，本实施例的噪声估计结果非常准确，完全可以应用于图像去噪实践实现图像盲去噪。估计结果基本都有点偏高，原因是原始图像中都有或多或少的噪声存在。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (5)

1.一种基于自相似度量的通用图像噪声估计方法，其特征在于，包括以下步骤：
S1、生成一幅像素值为常值的图像，并在图像上添加噪声强度标准偏差已知的高斯噪声，形成标准含噪图像，并对该含噪图像进行块匹配与行匹配并计算平均最小距离度量Dmean，通过统计方法建立平均最小距离度量与噪声标准偏差之间的一种稳健的对应关系；
S2、利用S1中建立的对应关系对实际含噪图像进行噪声估计，获得实际含噪图像的噪声标准偏差σ1，同时生成实际含噪图像的最小距离度量映射图像；
S3、用S2中的σ1及生成的最小距离度量映射图像决定图像中的平滑区域，重复步骤S2，但只利用图像中的平滑区域进行噪声估计，获得更准确的噪声估计得结果σ2；
S4、对S3迭代执行两次，噪声估计结果进一步矫正，最终获得精确的噪声标准偏差σ；
所述步骤S2中用以下关系式建立最小距离度量均值D_mean与噪声标准偏差σ的对应关系：
Figure FDA0003956489410000011
其中常值c为最小距离度量与噪声强度对应关系的鲁棒参数；
所述步骤S1中计算平均最小距离度量Dmean的具体方法为：执行生成的含噪图像的块匹配,按一个指定的步长N_step提取大小为的图像块作为参考块，然后在以该参考块为中心的一个大小为NS×NS的邻域内进行块匹配获得数量为N2的相似图像块，将匹配的所有图像块进行列扫描拼接成一个大小为(N1×N1)×N2的矩阵M，在M上用每一行作为参考行与其余的所有行计算欧式距离D，将所有行匹配的最小距离累加得距离总和D_sum并记录求距离的次数D_num，处理完整个图像后求平均最小距离Dmean。
2.根据权利要求1所述的基于自相似度量的通用图像噪声估计方法，其特征在于，所述步骤S1中的常值图像为：像素值为0.5的256×256的灰度图像，在图像上添加噪声强度为标准偏差为已知的高斯噪声。
3.根据权利要求1所述的基于自相似度量的通用图像噪声估计方法，其特征在于：N1＝8，N2＝16，NS＝39，N_step＝8。
4.根据权利要求3所述的基于自相似度量的通用图像噪声估计方法，其特征在于：所述步骤S3中去噪后的待测含噪图像经过步骤S1、S2以后，获得去噪后待测含噪图的噪声估计的结果σ2。
5.根据权利要求3所述的基于自相似度量的通用图像噪声估计方法，其特征在于：所述步骤S3中去噪后的待测含噪图像经过步骤S1、S2以后，获得去噪后待测含噪图的噪声估计的结果σ2；去噪后待测含噪图的噪声估计计算时，鲁棒参数采用理论值c再乘以0.8。
CN201811284472.9A 2018-10-31 2018-10-31 一种基于自相似度量的通用图像噪声估计方法 Active CN109544593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811284472.9A CN109544593B (zh) 2018-10-31 2018-10-31 一种基于自相似度量的通用图像噪声估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811284472.9A CN109544593B (zh) 2018-10-31 2018-10-31 一种基于自相似度量的通用图像噪声估计方法

Publications (2)

Publication Number Publication Date
CN109544593A CN109544593A (zh) 2019-03-29
CN109544593B true CN109544593B (zh) 2023-01-31

Family

ID=65846118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811284472.9A Active CN109544593B (zh) 2018-10-31 2018-10-31 一种基于自相似度量的通用图像噪声估计方法

Country Status (1)

Country Link
CN (1) CN109544593B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163827B (zh) * 2019-05-28 2023-01-10 腾讯科技（深圳）有限公司 图像去噪模型的训练方法、图像去噪方法、装置及介质
CN111273311A (zh) * 2020-01-03 2020-06-12 电子科技大学 一种激光三维焦平面阵列成像系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5052319B2 (ja) * 2007-12-17 2012-10-17 オリンパス株式会社 動画ノイズ低減処理装置、動画ノイズ低減処理プログラム、動画ノイズ低減処理方法
US9123103B2 (en) * 2013-12-26 2015-09-01 Mediatek Inc. Method and apparatus for image denoising with three-dimensional block-matching
CN107292852B (zh) * 2017-07-19 2020-05-05 南京邮电大学 一种基于低秩理论的图像去噪算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于RPCA视频去噪算法的自适应优化方法;李小利等;《计算机应用与软件》;20160915(第09期);全文 *
基于非局部相似和低秩矩阵逼近的SAR图像去噪;赵杰等;《计算机科学》;20170615;全文 *
滤除图像中混合噪声的LSE模型;袁珍等;《信号处理》;20131025(第10期);全文 *

Also Published As

Publication number Publication date
CN109544593A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN107301661B (zh) 基于边缘点特征的高分辨率遥感图像配准方法
Cooper Improved photo response non-uniformity (PRNU) based source camera identification
CN110827229B (zh) 一种基于纹理加权直方图均衡化的红外图像增强方法
CN109525847B (zh) 一种恰可察觉失真模型阈值计算方法
JP6239153B2 (ja) 雑音を有する画像の雑音を除去する方法
CN105205788B (zh) 一种针对高通量基因测序图像的去噪方法
JP2014154141A (ja) ノイズを含む画素からなる入力画像のノイズを除去する方法
CN108932699B (zh) 基于变换域的三维匹配调和滤波图像去噪方法
CN109544593B (zh) 一种基于自相似度量的通用图像噪声估计方法
WO2022143421A1 (zh) 噪声强度估计方法、装置及电子设备
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
Shi et al. An image denoising method based on multiscale wavelet thresholding and bilateral filtering
Nevriyanto et al. Image enhancement using the image sharpening, contrast enhancement, and Standard Median Filter (Noise Removal) with pixel-based and human visual system-based measurements
Rubel et al. Prediction of Despeckling Efficiency of DCT-based filters Applied to SAR Images
CN109724693B (zh) 一种基于平稳小波的融合光谱去噪方法
Ahmed et al. Fingerprint image enhancement based on threshold fast discrete curvelet transform (FDCT) and gabor filters
CN109447952B (zh) 一种基于Gabor差分盒加权维数的半参考型图像质量评价方法
CN109584190B (zh) 一种基于小波变换低频直方图受限的对比度图像增强方法
Zewdie et al. A new pooling strategy for image quality metrics: Five number summary
CN110136086A (zh) 基于bemd的区间阈值图像去噪方法
CN112927169B (zh) 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法
Zhu et al. Two-stage non-local means filtering with adaptive smoothing parameter
CN101242488A (zh) 一种数字图像极值的平滑方法
Hussain et al. A novel wavelet thresholding method for adaptive image denoising
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统

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