CN109685730A - 一种基于自适应非局域均值的小波去噪方法 - Google Patents

Abstract

本发明提供一种基于自适应非局域均值的小波去噪方法，包括：步骤S110：对含噪声图像的各颜色通道执行如下步骤：步骤S111：采用小波变换算法提取该颜色通道下含噪声图像的低频小波分量和高频小波分量：步骤S112：根据构建的边缘判别算子计算高频小波分量搜索窗口内的邻域校准噪声；步骤S113：根据领域校准噪声，在搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于相似度确定目标小波系数的加权系数；步骤S114：根据目标小波系数的加权系数，更新目标小波系数，基于所更新的目标小波系数，利用小波逆变换算法得到该颜色通道下含噪声图像的去噪图像；步骤S120：合成各颜色通道下的去噪图像得到含噪声图像的去噪图像。本发明改善小波去噪。

Description

一种基于自适应非局域均值的小波去噪方法

技术领域

本发明涉及图像信号处理，尤其涉及一种基于自适应非局域均值的小波去噪方法。

背景技术

近年来，科技的进步推动了各类数码产品的普及，数字图像作为数码产品中最为重要的数据显示方式，其质量的高低直接反映了相关产品的性能，所以数字图像处理相关技术的开发自然成为了该领域的研究热点与重点。

数字图像处理是指将图像信号转换成数字信号并用计算机对其进行处理的过程，目的是对图像信息进行加工以满足人的视觉心理或具体的应用需求。图像处理技术在诸多领域受到广泛关注并取得了许多开拓性成就，如航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等；从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理向更高、更深层次发展。

图像信号在获取、压缩、处理、传输和重建过程中容易受到各种噪声干扰，导致图像信号质量退化，影响了视觉效果；同时图像中的许多重要细节信息被噪声掩盖，严重影响图像的后续应用及开发价值，如边缘检测，特征识别，图像分割及融合等。图像去噪是图像处理技术中的一项基本而又关键的技术，同时也是图像处理领域的难题之一。

传统的图像去噪算法如空域去噪(均值、中值等方法)，简单易实现，但降低噪声的同时图像也产生较为严重的模糊效应；频域滤波方法，将图像进行傅里叶变换，从空域转换到频域，在频域对图像进行处理，然后利用反变换得到空域去噪图像，由于图像的细节与噪声在频域均表现为高频特征，当两者产生重叠时，去噪效果不理想。

传统去噪算法效果不佳的根源在于无法对图像信息与噪声进行合理的分离。小波变换以其低熵性、多分辨率、去相关和变换基选取灵活等方面特点，在图像去噪方面被广泛应用，小波图像去噪主要方法可分为三类：模极大值法、系数相关性法、系数阈值法。模极大值法和系数相关性法由于需要综合不同尺度下的小波系数完成特征分类实现去噪，算法复杂度高去噪效果一般而没有被广泛采用；系数阈值法因其简单高效应用最为广泛，但阈值选择的准确性却受限于小波系数的先验知识，另一方面阈值法对于噪声系数和信号系数的区分能力有限，特别是全局阈值去噪方法，在去噪的同时导致图像细节信息的损失，产生图像模糊效应。

由此可见，现有的小波图像去噪仍然无法在去噪的同时有效保护图像的细节信息。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种基于自适应非局域均值的小波去噪方法，实现在去除噪声的同时有效保护图像的细节信息，具有非常显著的图像去噪效果。

根据本发明的一个方面，提供一种基于自适应非局域均值的小波去噪方法，包括：

步骤S110：对含噪声图像的各颜色通道执行如下步骤：

步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

步骤S112：根据构建的边缘判别算子计算所述高频小波分量搜索窗口内的邻域校准噪声；

步骤S113：根据所述领域校准噪声，在所述搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数；

步骤S114：根据目标小波系数的加权系数，更新目标小波系数，基于所更新的目标小波系数，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像；

步骤S120：合成各颜色通道下的去噪图像得到所述含噪声图像的去噪图像。

可选地，所述步骤S111根据如下公式提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

其中，为该颜色通道下所述含噪声图像的低频小波分量，为该颜色通道下所述含噪声图像在水平，竖直和对角线方向的高频小波分量，j为小波分解尺度，m,n表示该小波分解尺度下各小波分量的像素位置，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通分解滤波器，ψ(x,y)为高通分解滤波器，f(x,y)是该颜色通道下所述含噪声图像的最高分辨率表示下的低通分量，x，y分别表示原始图像的像素位置，M，N分别表示原始图像的行和列的总数。

可选地，所述步骤S112包括：

根据如下公式构建所述边缘判别算子：

其中，j为小波分解尺度，edge_thr(j)为尺度j下的边缘判别算子，σ_j ²为包含目标小波系数在内的搜索窗口的像素方差，ε为边缘水平调节参数。

可选地，所述邻域校准噪声根据如下公式计算：

σ’_n ²＝(σ_n ²)/(1+c·edge_thr(j))；

其中，edge_thr(j)为所构建的边缘判别算子，σ’_n ²为所述邻域校准噪声σ_n ²为邻域原始噪声，所述邻域原始噪声由邻域像素方差决定，c为邻域噪声调节因子。

可选地，所述步骤S113包括：

计算所述参考窗口与目标邻域窗口的邻域距离作为所述参考窗口与目标邻域窗口的相似度，其中所述参考窗口与目标邻域窗口的邻域距离根据如下公式计算：

||V_j(p)-V_j(q)||²＝∑||u_j(p+z)-u_j(q+z)||²

其中，V_j(p)为包含目标小波系数的目标领域窗口，V_j(q)为搜索窗口内的参考窗口，||V_s(p)-V_s(q)||²为所述参考窗口与目标邻域窗口的邻域距离，p为搜索窗口内的像素位置，q为搜索窗口内参考窗口中参考像素的像素位置，z为索引变量，用于遍历窗口内各像素。

可选地，所述步骤S113包括：

根据所述参考窗口与目标邻域窗口的相似度计算一归一化系数；

根据所述参考窗口与目标邻域窗口的相似度及所述归一化系数计算所述目标小波系数的加权系数。

可选地，所述归一化系数根据如下公式计算：

其中，Z(p)为所述归一化系数，h为所述邻域校准噪声。

可选地，所述目标小波系数的加权系数根据如下公式计算：

其中，w_j(p,q)为目标小波系数的加权系数，Z_j(p)为所述归一化系数，h为所述邻域校准噪声。

可选地，所述目标小波系数根据如下公式更新：

其中，u_j(p)为更新后的目标小波系数，u_j(q)为更新前的目标小波系数，w_j(p,q)为目标小波系数的加权系数。

可选地，该颜色通道下所述含噪声图像的去噪图像根据如下公式计算：

其中，f(x,y)为该颜色通道下所述含噪声图像的去噪图像，j为小波分解尺度，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通合成滤波器，ψ'_j,m,n(x,y)为高通合成滤波器，为更新后的目标小波系数，表示该小波分解尺度下各小波分量的像素位置，x，y分别表示该颜色通道下所述去噪图像的像素位置，M，N分别表示该颜色通道下去噪图像的行和列的总数。

与现有技术比较，本发明具有以下有益效果：

本发明中的小波去噪方法具有局部信息自适应的特点，提出了一种边缘判别算子，能够区分图像小波域的边缘区域和非边缘区域并自适应确定相应区域去噪程度，是全局阈值去噪方法的一种改进；另一方面，基于小波变换的边缘检测性和聚类性，结合利用图像自相关特性的非局域均值滤波方法，实现小波域图像噪声的有效去除，较之于常用的自适应小波阈值去噪方法，不需要小波系数先验信息，自适应参数的计算方式更为简单，且能够同时兼顾保护细节与去除噪声两方面效果。由此，本发明提供的方案通过区分图像与噪声系数在去除噪声系数的同时尽量保护图像信息系数不受损失，实现在去除噪声的同时有效保护图像的细节信息，具有非常显著的图像去噪效果。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的基于自适应非局域均值的小波去噪方法的流程图。

图2示出了根据本发明实施例的低增益下拍摄的低噪声图像。

图3示出了根据本发明实施例的高增益下拍摄的高噪声图像。

图4示出了根据本发明实施例的高噪声图像小波变换的高频小波分量。

图5示出了根据本发明实施例的滤波后的高频小波分量。

图6示出了根据本发明实施例的经小波逆变换得到去噪图像。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或逻辑电路装置和/或微控制器装置中实现这些功能实体。

首先参见图1，图1示出了根据本发明实施例的基于自适应非局域均值的小波去噪方法的流程图。图1共示出如下步骤：

步骤S110：对含噪声图像的各颜色通道执行步骤S111至步骤S114。

具体而言，含噪声图像的颜色通道依据含噪声图像的色域图像类别而定。例如，若含噪声图像为bayer格式，则通常分为GB，B，R，GR四颜色通道；若含噪声图像为RGB图像，则分为R，G，B三个颜色通道；若含噪声图像为YUV图像，则分为Y，U，V三个颜色通道，等等。本发明并非以此为限。

步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量。

具体而言，所述步骤S111根据如下公式提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

其中，为该颜色通道下所述含噪声图像的低频小波分量，为该颜色通道下所述含噪声图像在水平，竖直和对角线方向的高频小波分量，j为小波分解尺度，m,n表示该小波分解尺度下各小波分量的像素位置，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通分解滤波器，ψ(x,y)为高通分解滤波器，f(x,y)是该颜色通道下所述含噪声图像的最高分辨率表示下的低通分量，x，y分别表示原始图像的像素位置，M，N分别表示原始图像的行和列的总数。

步骤S112：根据构建的边缘判别算子计算所述高频小波分量搜索窗口内的邻域校准噪声。

所述边缘判别算子根据如下公式构建：

其中，edge_thr(j)为尺度j下的边缘判别算子，σ_j ²为包含目标小波系数在内的搜索窗口的像素方差，ε为边缘水平调节参数。

可选地，所述邻域校准噪声根据如下公式计算：

σ’_n ²＝(σ_n ²)/(1+c·edge_thr(j))；

其中，edge_thr(j)，σ’_n ²为所述邻域校准噪声σ_n ²为邻域原始噪声，所述邻域原始噪声由邻域像素方差决定，c为邻域噪声调节因子，表示对邻域噪声水平的调节程度。

具体而言，边缘判别算子用于降低均值滤波效应对边缘的影响。

步骤S113：根据所述领域校准噪声，在所述搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数。

具体而言，计算所述参考窗口与目标邻域窗口的邻域距离作为所述参考窗口与目标邻域窗口的相似度，其中所述参考窗口与目标邻域窗口的邻域距离根据如下公式计算：

||V_j(p)-V_j(q)||²＝∑||u_j(p+z)-u_j(q+z)||²

其中，V_j(p)为包含目标小波系数的目标领域窗口，V_j(q)为搜索窗口内的参考窗口，||V_s(p)-V_s(q)||²为所述参考窗口与目标邻域窗口的邻域距离，p为搜索窗口内的像素位置，q为搜索窗口内参考窗口中参考像素的像素位置，z为索引变量，用于遍历窗口内各像素。

进一步地，所述步骤S113包括：

根据所述参考窗口与目标邻域窗口的相似度计算一归一化系数。

所述归一化系数根据如下公式计算：

其中，Z_j(p)为所述归一化系数，h为所述邻域校准噪声。

根据所述参考窗口与目标邻域窗口的相似度及所述归一化系数计算所述目标小波系数的加权系数。

所述目标小波系数的加权系数根据如下公式计算：

其中，w_j(p,q)为目标小波系数的加权系数，Z_j(p)为所述归一化系数，h为所述邻域校准噪声。

h为平滑参数，表征去噪水平的高低，本发明中，h设置为步骤S112计算的邻域校准噪声，实现噪声对邻域的相似度计算的自适应调整，达到降低噪声的同时保护边缘细节的去噪效果。

步骤S114：根据目标小波系数的加权系数，更新目标小波系数，基于所更新的目标小波系数，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像。

具体而言，所述目标小波系数根据如下公式更新：

其中，u_j(p)为更新后的目标小波系数，u_j(q)为更新前的目标小波系数，w_j(p,q)为目标小波系数的加权系数。

由于图像具有自相似性，而噪声幅值具有随机性，通过加权均值运算能够有效的降低噪声水平，同时保护图像细节，达到去噪的目的。

具体而言，该颜色通道下所述含噪声图像的去噪图像根据如下公式计算：

其中，f(x,y)为该颜色通道下所述含噪声图像的去噪图像，j为小波分解尺度，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通合成滤波器，为高通合成滤波器，为更新后的目标小波系数，表示该小波分解尺度下各小波分量的像素位置，x，y分别表示该颜色通道下所述去噪图像的像素位置，M，N分别表示该颜色通道下去噪图像的行和列的总数。

下面结合图2至图6描述本发明的一个具体实现。

图2示出了根据本发明实施例的低增益下拍摄的低噪声图像，作为去噪效果的参考图。

图3示出了根据本发明实施例的高增益下拍摄的高噪声图像，作为本发明方法的测试图。

首先，选择双密度正交小波基函数对图像进行小波变换，小波基函数分解系数为φ[0.1430,0.5174,0.6396,0.2443,-0.0755,-0.0546]，ψ1[-0.0185,-0.0669,-0.0739,0.0004,0.5811,-0.4222]，ψ2[-0.0460,-0.1665,0.0031,0.6775,-0.4681,0]；由分解系数可以求得对应的小波及合成系数用于小波逆变换。利用图1步骤S111中的计算公式计算得到高噪声图像f(2048,2048)单色通道的小波分解系数和如图4所示，作为示意，小波尺度设置为1，图中左图为水平高频分量，中图为竖直高频分量，右图为对角线高频分量。

其次，根据步骤S112中构建边缘判别算子的公式设置图像高频分量搜索窗口内的边缘判别算子的边缘水平调节参数ε，其值设置为进一步的，基于边缘判别算子，根据步骤S112中邻域校准噪声的计算步骤对邻域窗口的噪声进行校准，其中邻域噪声调节因子c设置为9；

再次，根据步骤S113中的三个公式在搜索窗口内计算目标邻域相似度w(x,y)并作为目标像素的校正权值。每一个像素的更新值均由搜索窗口内同样大小的参考窗口中心像素及其相似度共同决定，对于每一个参考窗口，其相似度的计算均由其自身窗口内的噪声水平和搜索窗口内的结构特征共同决定，对高频系数具有自适应调整特征。

又次，根据步骤S114中更新目标小波系数的公式更新目标像素的像素值(目标小波系数)。由于图像具有自相似性，而噪声幅值具有随机性，通过加权均值运算能够有效的降低噪声水平，同时保护图像细节，达到去噪的目的；小波域高频分量去噪结果如图5所示，图中左图为去噪之后的水平高频分量，中图为竖直高频分量，右图为对角线高频分量；与图4对比可知，在平坦区域噪声得到了很好的抑制，区域变得光滑，而具有边缘结构的地方，其结构特征也得到了很好的保护；最后根据步骤S114中的去噪图像进行小波逆变换，得到f图像单色通道的时域去噪结果；

最后，在本实施例中，分别处理f图像的其他颜色通道(B,R,GR颜色通道)，对各个颜色通道均采用上述的处理方法，去除相应颜色通道的噪声，最后通过bayer插值得到最终的去噪图像，如图6所示；与图3的高噪声图像相比，图6中平坦区域具有很好的噪声去除效果；同时对于细节丰富的区域，与图2的低噪声图像比较，图6中的细节结构得到了很好的保护且细节区域也达到了很好的去噪效果。

以上仅仅是示意性地描述本发明的一个具体实现方式，本发明并非以此为限。

与现有技术比较，本发明具有以下有益效果：

本发明中的小波去噪方法具有局部信息自适应的特点，提出了一种边缘判别算子，能够区分图像小波域的边缘区域和非边缘区域并自适应确定相应区域去噪程度，是全局阈值去噪方法的一种改进；另一方面，基于小波变换的边缘检测性和聚类性，结合利用图像自相关特性的非局域均值滤波方法，实现小波域图像噪声的有效去除，较之于常用的自适应小波阈值去噪方法，不需要小波系数先验信息，自适应参数的计算方式更为简单，且能够同时兼顾保护细节与去除噪声两方面效果。由此，本发明提供的方案通过区分图像与噪声系数在去除噪声系数的同时尽量保护图像信息系数不受损失，实现在去除噪声的同时有效保护图像的细节信息，具有非常显著的图像去噪效果。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种基于自适应非局域均值的小波去噪方法，其特征在于，包括：

步骤S110：对含噪声图像的各颜色通道执行如下步骤：

步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

步骤S112：根据构建的边缘判别算子计算所述高频小波分量搜索窗口内的邻域校准噪声；

步骤S113：根据所述领域校准噪声，在所述搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数；

步骤S114：根据目标小波系数的加权系数，更新目标小波系数，基于所更新的目标小波系数，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像；

步骤S120：合成各颜色通道下的去噪图像得到所述含噪声图像的去噪图像。

2.如权利要求1所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述步骤S111根据如下公式提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

其中，为该颜色通道下所述含噪声图像的低频小波分量，为该颜色通道下所述含噪声图像在水平，竖直和对角线方向的高频小波分量，j为小波分解尺度，m,n表示该小波分解尺度下各小波分量的像素位置，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通分解滤波器，ψ(x,y)为高通分解滤波器，f(x,y)是该颜色通道下所述含噪声图像的最高分辨率表示下的低通分量，x，y分别表示该颜色通道下所述含噪声图像的像素位置，M，N分别表示该颜色通道下所述含噪声图像的行和列的总数。

3.如权利要求1所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述步骤S112包括：

根据如下公式构建所述边缘判别算子：

其中，j为小波分解尺度，edge_thr(j)为尺度j下的边缘判别算子，σ_j ²为包含目标小波系数在内的搜索窗口的像素方差，ε为边缘水平调节参数。

4.如权利要求3所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述邻域校准噪声根据如下公式计算：

σ’_n ²＝(σ_n ²)/(1+c·edge_thr(j))；

其中，edge_thr(j)为所构建的边缘判别算子，σ’_n ²为所述邻域校准噪声σ_n ²为邻域原始噪声，所述邻域原始噪声由邻域像素方差决定，c为邻域噪声调节因子。

5.如权利要求4所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述步骤S113包括：

计算所述参考窗口与目标邻域窗口的邻域距离作为所述参考窗口与目标邻域窗口的相似度，其中所述参考窗口与目标邻域窗口的邻域距离根据如下公式计算：

||V_j(p)-V_j(q)||²＝∑||u_j(p+z)-u_j(q+z)||²

其中，V_j(p)为包含目标小波系数的目标领域窗口，V_j(q)为搜索窗口内的参考窗口，||V_s(p)-V_s(q)||²为所述参考窗口与目标邻域窗口的邻域距离，p为搜索窗口内的像素位置，q为搜索窗口内参考窗口中参考像素的像素位置，z为索引变量，用于遍历窗口内各像素。

6.如权利要求5所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述步骤S113包括：

根据所述参考窗口与目标邻域窗口的相似度计算一归一化系数；

根据所述参考窗口与目标邻域窗口的相似度及所述归一化系数计算所述目标小波系数的加权系数。

7.如权利要求6所述的基于自适应非局域均值的小波去噪方法，其特征在于，

所述归一化系数根据如下公式计算：

其中，Z_j(p)为所述归一化系数，h为所述邻域校准噪声。

8.如权利要求7所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述目标小波系数的加权系数根据如下公式计算：

其中，w_j(p,q)为目标小波系数的加权系数，Z_j(p)为所述归一化系数，h为所述邻域校准噪声。

9.如权利要求8所述的基于自适应非局域均值的小波去噪方法，其特征在于，所述目标小波系数根据如下公式更新：

其中，u_j(p)为更新后的目标小波系数，u_j(q)为更新前的目标小波系数，w_j(p,q)为目标小波系数的加权系数。

10.如权利要求9所述的基于自适应非局域均值的小波去噪方法，其特征在于，该颜色通道下所述含噪声图像的去噪图像根据如下公式计算：

其中，f(x,y)为该颜色通道下所述含噪声图像的去噪图像，j为小波分解尺度，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通合成滤波器，ψ'_j,m,n(x,y)为高通合成滤波器，为更新后的目标小波系数，表示该小波分解尺度下各小波分量的像素位置，x，y分别表示该颜色通道下所述去噪图像的像素位置，M，N分别表示该颜色通道下去噪图像的行和列的总数。