CN112330566B - 图像去噪的方法、装置及计算机存储介质 - Google Patents

图像去噪的方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN112330566B
CN112330566B CN202011261037.1A CN202011261037A CN112330566B CN 112330566 B CN112330566 B CN 112330566B CN 202011261037 A CN202011261037 A CN 202011261037A CN 112330566 B CN112330566 B CN 112330566B
Authority
CN
China
Prior art keywords
image
denoising
pixel point
pixel
processed
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
CN202011261037.1A
Other languages
English (en)
Other versions
CN112330566A (zh
Inventor
曾祥进
郑安义
米勇
宋彭彭
邓晨
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.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202011261037.1A priority Critical patent/CN112330566B/zh
Publication of CN112330566A publication Critical patent/CN112330566A/zh
Application granted granted Critical
Publication of CN112330566B publication Critical patent/CN112330566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种图像去噪的方法、装置及计算机存储介质。本发明提供的图像去噪的方法，通过对图像中不同类别的像素点进行分类，随后对不同类别的像素点采用不同的去噪方法进行去噪。从而在去除噪声的同时能够保留比较完整的图像的局部特征，并且能够应用到各种场景中，对各种规则分布的噪声都有较好的去噪效果。

Description

图像去噪的方法、装置及计算机存储介质
技术领域
本发明涉及图像处理领域，尤其涉及到一种图像去噪的方法、装置及计算机存储介质。
背景技术
在图像的获取过程中，由于自然环境的影响，特别是某些比较强烈的电磁波会对图像的质量产生直接威胁，使得图像的可读性和所包含的信息有所消耗，不仅视觉效果差，而且对图像后续的处理与应用会产生较大的影响。因此，图像的去噪处理对于依靠视觉的系统意义重大。
去噪方法主要是在于将图像的真实信息从含有噪声的图像中恢复出来，需要针对不同的噪声模型提出具体的方法，进行合理的数学分析得到相应的去噪方法，因此使用单一的去噪方法通常不能对实际各种场景下获得的图像都有较好的去噪效果和去噪效率。
近年来，非局部均值去噪方法和低秩矩阵恢复方法常被用于对图像噪声的消除和图像恢复，非局部均值去噪方法在去噪的同时能够最大程度地保持图像的细节特征，但需要在整个图像范围内判断像素间的相似度，每处理一个像素点都要计算图像中所有像素间的相似度，在对具有较多像素点的图像进行去噪时速度较慢，而低秩矩阵恢复方法对背景单一的图像具有良好的处理效果且速度较快，但是在纹理细节上清晰度不够，容易产生条纹失真等问题。因此，需要一种能够应用到各种场景中，对各种规则分布的噪声都有较好的去噪效果和去噪效率的去噪方法。
发明内容
为了解决现有的图像去噪方法存在的上述技术问题。本发明提供一种图像去噪的方法、装置及计算机存储介质。
本发明解决上述技术问题的技术方案之一如下：
一种图像去噪的方法，包括：
根据待处理图像的每个像素点的灰度值变化程度，将所述每个像素点分为异质区或同质区的其中一类；
利用非局部均值方法对所述异质区的像素点去噪，得到第一去噪结果，利用低秩矩阵恢复方法对所述同质区的像素点去噪，得到第二去噪结果；
利用图像融合的方法将所述第一去噪结果和所述第二去噪结果融合，得到所述待处理图像的去噪结果。
本发明的有益效果是：适用于各个场景的图像噪声的去除，在将图像的噪声去除的同时，很大程度上保留图像的细节信息，且抗干扰能力强，鲁棒性好，具有较好的去噪速度，能够应用到多种需要去噪的场景中去。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述根据待处理图像的每个像素点的灰度值变化程度，将所述每个像素点分为异质区或同质区的其中一类包括：
对待处理图像进行去噪预处理后获得预处理图像；
根据所述预处理图像的每个像素点的灰度值变化程度，利用非局部均值的方法，将所述每个像素点分为异质区或同质区的其中一类。
采用上述改进方案的有益效果是：通过对所述待处理图像进行去噪预处理，可以将噪声图像因为噪声的高干扰产生的异质区增多的可能性尽量降到最低，从而使所述图像去噪的方法具有较好的鲁棒性。
进一步，所述对待处理图像进行去噪预处理后获得预处理图像包括：
根据高斯窗口函数对待处理图像进行去噪预处理后获得预处理图像，其中，i和j分别为所述高斯窗口函数的行数和列数，/>和/>分别为所述高斯窗口函数的中心像素点的横坐标和纵坐标，σ为所述高斯窗口函数的标准差。
采用上述改进方案的有益效果是：通过对所述待处理图像进行简单的去噪预处理，可将含噪图像因为噪声的高干扰产生的异质区增多的可能性尽量降到最低，从而使所述图像去噪的方法具有较好的鲁棒性。
进一步，所述根据预处理图像的每个像素点的灰度值变化程度，利用非局部均值的方法，将所述每个像素点分为异质区或同质区的其中一类包括：
对于所述预处理图像中的每个像素点，获取以每个所述像素点为中心像素点的图像块，根据公式计算所述图像块的比值Ci，将所述比值Ci作为所述图像块的最终比值，其中，μi和σi分别为所述图像块的均值和方差；
判断所述最终比值是否大于阈值τ，若是，则判定所述中心像素点属于异质区，若否，则判定所述中心像素点属于同质区，其中，所述阈值τ设置为σ为所述高斯窗口函数的标准差，η为平滑控制参数，为标准差，L为所述待处理图像的等效视数，N为所述图像块内像素点的个数。
采用上述改进方案的有益效果是：利用非局部均值方法结合阈值τ判断的分类方法对不同场景下获得的图像都能够获得较好的分类效果，进而使所述去噪方法能够被广泛应用到各种场景。
进一步，所述判断最终比值是否大于阈值τ之前，还包括：
当根据公式计算所述图像块的比值Ci时，获取所述图像块的相似块并根据公式/>计算所述相似块的比值Ci1，其中，μi1和σi1分别为所述相似块的均值和方差；
计算所述图像块和所述相似块的比值的均值将所述均值/>作为所述图像块的最终比值。
采用上述改进方案的有益效果是：通过结合图像的非局部结构相似性进行像素点分类，进一步提高了分类效果，从而提高了该方法对图像的去噪效果。
进一步，所述利用非局部均值方法对所述异质区的像素点去噪，得到第一去噪结果包括：
对于所述异质区中每个像素点i，建立以所述像素点i为中心的搜索窗口和第一邻域窗口Ni，并对所述搜索窗口中的每个像素点j建立以所述像素点j为中心的第二邻域窗口Nj；
根据公式计算所述像素点j的权重值w(i,j)，所述权重值w(i,j)满足0≤w(i,j)≤1且∑jw(i,j)＝1，其中，/>为归一化函数，h为滤波参数，v(Ni)和v(Nj)分别为所述第一邻域窗口Ni和所述第二邻域窗口Nj的强度灰度级向量，a为高斯核的标准偏差且a＞0；
根据公式计算所述像素点i的加权平均值NL[v](i)，将所述加权平均值NL[v](i)作为所述像素点i的像素灰度值映射到新建的图像中，将所述新建的图像作为所述第一去噪结果，其中，w(i,j)为所述像素点j的权重值，v(j)为所述像素点j的强度灰度级向量。
采用上述改进方案的有益效果是：利用非局部均值方法对所述异质区进行去噪处理，在去噪的同时能够最大程度地保持图像的细节特征。
进一步，所述利用低秩矩阵恢复方法对所述同质区的像素点去噪，得到第二去噪结果包括：
获取所述同质区的数据矩阵D，利用鲁棒性成分分析RPCA的方法求解所述数据矩阵D的低秩矩阵A，根据所述低秩矩阵A构造低秩矩阵恢复模型并获得所述第二去噪结果。
采用上述改进方案的有益效果是：低秩矩阵恢复方法对所述同质区的去噪具有良好的去噪效果和去噪效率。
进一步，所述融合的过程包括：
将所述第一去噪结果和所述第二去噪结果加权融合后得到所述待处理图像的去噪结果；
或者，将所述第一去噪结果和所述第二去噪结果进行叠加后得到中间数据，对所述中间数据进行归一化处理后获得值域为[0,255]的所述待处理图像的去噪结果。
本发明解决上述技术问题的技术方案之二如下：
本发明还提供了一种图像去噪的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的图像去噪的方法的步骤。
本发明解决上述技术问题的技术方案之三如下：
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的图像去噪的方法的步骤。
本发明附加的方面及其的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
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示出的结构获得其他的附图。
图1为本发明实施例提供的图像去噪的方法的流程示意图；
图2为本发明实施例提供的图像去噪的方法中步骤S2的流程示意图；
图3为本发明实施例提供的结合图像的非局部结构相似性进行像素点分类的结果的示意图；
图4为本发明实施例提供的非局部均值方法去噪过程的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参照图1所示，本发明提供了一种图像去噪的方法，包括：
步骤S1，获取含有噪声的图像；
步骤S2，根据像素点的灰度值变化程度对所述图像的像素点进行分类；
步骤S3，分类完成后分别用非局部均值的去噪方法和低秩矩阵恢复的去噪方法对所述图像进行去噪处理；
步骤S4，将两个处理结果进行图像的融合，得到最终的去噪结果。
在本发明的具体实施例中，可利用一种基于非局部均值的分类方法对像素点进行分类，这种方法的主要目的是要将图像中的一部分像素点灰度值变化趋势较大的高频部分分为一类，即异质区，这一类主要是图像中细节纹理和精细结构部分，包括图像中的线目标、点目标等；另一类是图像中像素点灰度值变化趋势较小的低频部分，即同质区，这一部分相对于异质区，其像素点灰度值变化缓慢，灰度分布相对较平缓，在进行去噪处理时，可以选择简单方法例如低秩矩阵恢复去噪算法进行去噪处理。
如图2所示，当利用基于非局部均值的分类方法对像素点进行分类时，所述步骤S2具体为：
步骤S201，对于所述图像中的每个像素点，计算所述每个像素点的邻域均值；
步骤S202，将该邻域均值与阈值进行比较；
步骤S203，获得所述图像的分类结果。
进一步的，上述方法包括以下步骤：
步骤(1)：将获得的含有噪声的图像进行简单的预处理，比如进行简单的高斯滤波、双边滤波等，将噪声对分区分类的影响最小化；
步骤(2)：利用非局部均值的方法将图像分为灰度变化较大和灰度变化较小的两个部分。
在本发明的具体实施例中，以g(x,y)来表示原图像中的像素点的真实值，f(x,y)表示得到的实际图像，n(x,y)表示图像附加的噪声信号。则实际带噪声图像可表示为f(x,y)＝g(x,y)+n(x,y)或f(x,y)＝g(x,y)n(x,y)，此时高斯滤波可以表示为根据上述公式将图像进行高斯滤波后即可得到一个简单去噪的图像。
可选地，在实现图像的像素点分类时，还可对待操作含噪图像使用简高斯滤波函数进行简单的去噪处理，把一个含噪图像因为噪声的高干扰产生的异质区增多的可能性尽量降到最低，首先将含噪图像与已经设定的高斯窗口函数进行卷积运算，i和j分别代表了窗口函数的行数和列数，/>和/>分别为窗口函数的中心像素点，σ为窗口函数的标准差，可以利用μi和σi分别表示以图像中每个像素点为中心的图像块的均值和方差，将Ci作为μi和σi计算结果的比值，即为/>将计算的最终结果Ci和已经设定的阈值τ进行比较，此时阈值τ设置为/>若Ci大于阈值τ，则该像素点属于同质区，否则属于同质区。其中，η为平滑控制参数，该平滑控制参数可设为1.11，为标准差，L为噪声图像的等效视数，N为图像块内像素点的个数。
可选地，为了进一步提高分类效果，结合图像的非局部结构相似性进行像素点的分类，先求出目标图像块与其相似块的均值再将均值与阈值τ进行比较，如果得到的均值/>大于阈值，则设置为异质区，如果均值/>小于阈值，则设置为同质区。如图3所示，将图像中的所有像素设置为两类，得到分类处理之后的图像。
步骤(3)：利用非局部均值的方法对含有纹理较多的地方进行去噪处理，即灰度变化相对较大的区域利用非局部均值方法。
在本发明的具体实施例中，利用非局部均值以及图像中的自相似性，对图像进行去噪。非局部均值去噪方法充分利用了图像中的冗余信息，在去噪的同时能最大程度地保持图像的细节特征。基本思想是：当前像素的估计值由图像中与它具有相似邻域结构的像素加权平均得到。该非局部均值去噪方法需要在整个图像范围内判断像素间的相似度，也就是说，每处理一个像素点时，都要计算它与图像中所有像素点间的相似度。但是考虑到效率问题，实现非局部均值去噪方法的时候，会设定两个固定大小的窗口：搜索窗口和邻域窗口。邻域窗口在搜索窗口中滑动，根据邻域间的相似性确定像素的权值。
如图4所示，大窗口是以目标像素x为中心的搜索窗口，两个灰色小窗口分别是以x、y为中心的邻域窗口。其中以y为中心的邻域窗口在搜索窗口中滑动，通过计算两个邻域窗口间的相似程度为y赋以权值w(x,y)。给定一个离散的噪声图像v＝{v(i)|i∈I}，对于其中一个待处理具体像素i，估计值NL[v](x)被计算为图像中所有像素的加权平均值，即为NL[v](i)＝∑w(i,j)v(j)其中权重的集合{w(i,j)}j取决于像素点i和像素点j之间的相似性程度，每个权重值满足通常条件0≤w(i,j)≤1，权重值之和通常满足∑jw(i,j)＝1.两个像素点i和像素点j之间的相似性取决于强度灰度级向量v(Ni)和v(Nj)的相似性，其中Nk表示一个固定大小的正方形邻域，并且这个正方形邻域以像素k为中心。具有与v(Ni)相似的灰度级邻近的像素在平均值中具有更大的权重。灰度级邻域之间的相似性被计算为高斯加权欧几里德距离差：
其中，a＞0是高斯核的标准偏差,这种相等性表明了非局部均值算法的鲁棒性，因为在期望中欧几里德距离保持了像素与像素之间的相似性的顺序。随后可以将权重的计算公式定义为：
此中，Z(i)为归一化函数：
并且滤波参数h充当过滤程度，它控制指数函数的衰减，从而控制作为欧几里德距离的函数权重的衰减程度，即距离目标像素点距离越近，权重越大，距离越远，权重越小。
步骤(4)：相对平缓的区域用低秩矩阵恢复的方法进行去噪，即图像变化相对较缓的区域利用低秩矩阵的方法进行去噪。
在本发明的具体实施例中，灰度变化较缓的区域，可以利用矩阵的稀疏性进行噪声的去除，由于平缓部分的噪声具有稀疏性，可利用矩阵恢复的方法进行噪声的去除。这一部分主要是利用了低秩矩阵的求解方法。利用经典的PCA来获得矩阵A最优的优化问题可以表示为：
其中，r＜＜min(m,n)是一个子空间中的期望维度，||·||F是Frobenius范数，数据集E服从独立分布的高斯(正态)分布是使用PCA进行鲁棒性成分分析的前提条件，此时只需要对矩阵D进行奇异值分解(Singular Value Decomposition，SVD)分解，并取得前r项即可得到上述问题中所提到的最优解,RPCA的求解方法主要有迭代阈值法、加速近端梯度算法、对偶方法以及拉格朗日乘子法等。
步骤(5)：将这两种分区域去噪后的图像进行融合，得到最后的去噪结果图像。
在本发明的具体实施例中，利用图像融合的方法将各个部分处理后的结果进行融合，可以利用加权融合或者是图像叠加后进行归一化0-255之间的方法进行处理，最后的融合图像即为最后的去噪结果。
本发明还提供了一种图像去噪的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的图像去噪的方法的步骤。
需要说明的是，由于图像去噪的装置的处理器执行计算机程序时实现上述图像去噪的方法的步骤，因此上述图像去噪的方法的所有实施例均适用于该图像去噪的装置，且均能达到相同或相似的有益效果。
具体的，在本发明的具体实施例中，所述处理器执行所述计算机程序时实现以下步骤：根据待处理图像的每个像素点的灰度值变化程度，将所述每个像素点分为异质区或同质区的其中一类；利用非局部均值方法对所述异质区的像素点去噪，得到第一去噪结果，利用低秩矩阵恢复方法对所述同质区的像素点去噪，得到第二去噪结果；利用图像融合的方法将所述第一去噪结果和所述第二去噪结果融合，得到所述待处理图像的去噪结果。
可选的，所述处理器执行所述计算机程序时实现以下步骤：对所述待处理图像进行去噪预处理后获得预处理图像；根据所述预处理图像的每个像素点的灰度值变化程度，利用非局部均值的方法，将所述每个像素点分为异质区或同质区的其中一类。
可选的，所述处理器执行所述计算机程序时实现以下步骤：根据高斯窗口函数对待处理图像进行去噪预处理后获得预处理图像，其中，i和j分别为所述高斯窗口函数的行数和列数，/>和/>分别为所述高斯窗口函数的中心像素点的横坐标和纵坐标，σ为所述高斯窗口函数的标准差。
可选的，所述处理器执行所述计算机程序时实现以下步骤：对于所述预处理图像中的每个像素点，获取以每个所述像素点为中心像素点的图像块，根据公式计算所述图像块的比值Ci，将所述比值Ci作为所述图像块的最终比值，其中，μi和σi分别为所述图像块的均值和方差；判断所述最终比值是否大于阈值τ，若是，则判定所述中心像素点属于异质区，若否，则判定所述中心像素点属于同质区，其中，所述阈值τ设置为σ为所述高斯窗口函数的标准差，η为平滑控制参数，为标准差，L为所述待处理图像的等效视数，N为所述图像块内像素点的个数。
可选的，所述处理器执行所述计算机程序时实现以下步骤：当根据公式计算所述图像块的比值Ci时，获取所述图像块的相似块并根据公式/>计算所述相似块的比值Ci1，其中，μi1和σi1分别为所述相似块的均值和方差；计算所述图像块和所述相似块的比值的均值/>将所述均值/>作为所述图像块的最终比值。
可选的，所述处理器执行所述计算机程序时实现以下步骤：对于所述异质区中每个像素点i，建立以所述像素点i为中心的搜索窗口和第一邻域窗口Ni，并对所述搜索窗口中的每个像素点j建立以所述像素点j为中心的第二邻域窗口Nj；
根据公式计算所述像素点j的权重值w(i,j)，所述权重值w(i,j)满足0≤w(i,j)≤1且∑jw(i,j)＝1，其中，/>为归一化函数，h为滤波参数，v(Ni)和v(Nj)分别为所述第一邻域窗口Ni和所述第二邻域窗口Nj的强度灰度级向量，a为高斯核的标准偏差且a＞0；
根据公式计算所述像素点i的加权平均值NL[v](i)，将所述加权平均值NL[v](i)作为所述像素点i的像素灰度值映射到新建的图像中，将所述新建的图像作为所述第一去噪结果，其中，w(i,j)为所述像素点j的权重值，v(j)为所述像素点j的强度灰度级向量。
可选的，所述处理器执行所述计算机程序时实现以下步骤：获取所述同质区的数据矩阵D，利用鲁棒性成分分析RPCA的方法求解所述数据矩阵D的低秩矩阵A，根据所述低秩矩阵A构造低秩矩阵恢复模型并获得所述第二去噪结果。
可选的，所述处理器执行所述计算机程序时实现以下步骤：将所述第一去噪结果和所述第二去噪结果加权融合后得到所述待处理图像的去噪结果；
或者，将所述第一去噪结果和所述第二去噪结果进行叠加后得到中间数据，对所述中间数据进行归一化处理后获得值域为[0,255]的所述待处理图像的去噪结果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上所述的图像去噪的方法的步骤。
具体的，在本发明的具体实施例中，计算机可读存储介质被处理器执行时实现以下步骤：根据待处理图像的每个像素点的灰度值变化程度，将所述每个像素点分为异质区或同质区的其中一类；利用非局部均值方法对所述异质区的像素点去噪，得到第一去噪结果，利用低秩矩阵恢复方法对所述同质区的像素点去噪，得到第二去噪结果；利用图像融合的方法将所述第一去噪结果和所述第二去噪结果融合，得到所述待处理图像的去噪结果。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：对所述待处理图像进行去噪预处理后获得预处理图像；根据所述预处理图像的每个像素点的灰度值变化程度，利用非局部均值的方法，将所述每个像素点分为异质区或同质区的其中一类。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：根据高斯窗口函数对待处理图像进行去噪预处理后获得预处理图像，其中，i和j分别为所述高斯窗口函数的行数和列数，/>和/>分别为所述高斯窗口函数的中心像素点的横坐标和纵坐标，σ为所述高斯窗口函数的标准差。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：对于所述预处理图像中的每个像素点，获取以每个所述像素点为中心像素点的图像块，根据公式计算所述图像块的比值Ci，将所述比值Ci作为所述图像块的最终比值，其中，μi和σi分别为所述图像块的均值和方差；判断所述最终比值是否大于阈值τ，若是，则判定所述中心像素点属于异质区，若否，则判定所述中心像素点属于同质区，其中，所述阈值τ设置为σ为所述高斯窗口函数的标准差，η为平滑控制参数，为标准差，L为所述待处理图像的等效视数，N为所述图像块内像素点的个数。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：当根据公式计算所述图像块的比值Ci时，获取所述图像块的相似块并根据公式/>计算所述相似块的比值Ci1，其中，μi1和σi1分别为所述相似块的均值和方差；计算所述图像块和所述相似块的比值的均值/>将所述均值/>作为所述图像块的最终比值。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：对于所述异质区中每个像素点i，建立以所述像素点i为中心的搜索窗口和第一邻域窗口Ni，并对所述搜索窗口中的每个像素点j建立以所述像素点j为中心的第二邻域窗口Nj；
根据公式计算所述像素点j的权重值w(i,j)，所述权重值w(i,j)满足0≤w(i,j)≤1且∑jw(i,j)＝1，其中，/>为归一化函数，h为滤波参数，v(Ni)和v(Nj)分别为所述第一邻域窗口Ni和所述第二邻域窗口Nj的强度灰度级向量，a为高斯核的标准偏差且a＞0；
根据公式计算所述像素点i的加权平均值NL[v](i)，将所述加权平均值NL[v](i)作为所述像素点i的像素灰度值映射到新建的图像中，将所述新建的图像作为所述第一去噪结果，其中，w(i,j)为所述像素点j的权重值，v(j)为所述像素点j的强度灰度级向量。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：获取所述同质区的数据矩阵D，利用鲁棒性成分分析RPCA的方法求解所述数据矩阵D的低秩矩阵A，根据所述低秩矩阵A构造低秩矩阵恢复模型并获得所述第二去噪结果。
可选的，计算机可读存储介质被处理器执行时实现以下步骤：将所述第一去噪结果和所述第二去噪结果加权融合后得到所述待处理图像的去噪结果；
或者，将所述第一去噪结果和所述第二去噪结果进行叠加后得到中间数据，对所述中间数据进行归一化处理后获得值域为[0,255]的所述待处理图像的去噪结果。
即，在本发明的具体实施例中，计算机程序被处理器执行时实现上述图像去噪的方法的步骤，从而在将图像的噪声去除的同时，很大程度上保留图像的细节信息，且抗干扰能力强，鲁棒性好，具有较好的去噪速度，能够应用到多种需要去噪的场景中去。
需要说明的是，由于计算机程序被处理器执行时实现上述图像去噪的方法的步骤，因此上述图像去噪的方法的所有实施例均适用于该计算机可读存储介质，且均能达到相同或相似的有益效果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是计算机，服务器或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种图像去噪的方法，其特征在于，所述方法包括：
根据待处理图像的每个像素点的灰度值变化程度，将所述每个像素点分为异质区或同质区的其中一类；
利用非局部均值方法对所述异质区的像素点去噪，得到第一去噪结果，利用低秩矩阵恢复方法对所述同质区的像素点去噪，得到第二去噪结果；
利用图像融合的方法将所述第一去噪结果和所述第二去噪结果融合，得到所述待处理图像的去噪结果；
所述利用非局部均值方法对所述异质区的像素点去噪，得到第一去噪结果包括：
对于所述异质区中每个像素点i，建立以所述像素点i为中心的搜索窗口和第一邻域窗口Ni，并对所述搜索窗口中的每个像素点j建立以所述像素点j为中心的第二邻域窗口Nj；
根据公式计算所述像素点j的权重值w(i，j)，所述权重值w(i，j)满足0≤w(i，j)≤1且∑jw(i，j)＝1，其中，/>为归一化函数，h为滤波参数，v(Ni)和v(Nj)分别为所述第一邻域窗口Ni和所述第二邻域窗口Nj的强度灰度级向量，a为高斯核的标准偏差且a＞0；
根据公式计算所述像素点i的加权平均值NL[v](i)，将所述加权平均值NL[v](i)作为所述像素点i的像素灰度值映射到新建的图像中，将所述新建的图像作为所述第一去噪结果，其中，w(i，j)为所述像素点j的权重值，v(j)为所述像素点j的强度灰度级向量；
所述利用低秩矩阵恢复方法对所述同质区的像素点去噪，得到第二去噪结果包括：
获取所述同质区的数据矩阵D，利用鲁棒性成分分析RPCA的方法求解所述数据矩阵D的低秩矩阵A，根据所述低秩矩阵A构造低秩矩阵恢复模型并获得所述第二去噪结果。
2.根据权利要求1所述的方法，其特征在于，所述根据待处理图像的每个像素点的灰度值变化程度，将所述每个像素点分为异质区或同质区的其中一类包括：
对待处理图像进行去噪预处理后获得预处理图像；
根据所述预处理图像的每个像素点的灰度值变化程度，利用非局部均值的方法，将所述每个像素点分为异质区或同质区的其中一类。
3.根据权利要求2所述的方法，其特征在于，所述对待处理图像进行去噪预处理后获得预处理图像包括：
根据高斯窗口函数对待处理图像进行去噪预处理后获得预处理图像，其中，i和j分别为所述高斯窗口函数的行数和列数，/>和/>分别为所述高斯窗口函数的中心像素点的横坐标和纵坐标，σ为所述高斯窗口函数的标准差。
4.根据权利要求3所述的方法，其特征在于，所述根据待处理图像的每个像素点的灰度值变化程度，利用非局部均值的方法，将所述每个像素点分为异质区或同质区的其中一类包括：
对于所述预处理图像中的每个像素点，获取以每个所述像素点为中心像素点的图像块，根据公式计算所述图像块的比值Ci，将所述比值Ci作为所述图像块的最终比值，其中，μi和σi分别为所述图像块的均值和方差；
判断所述最终比值是否大于阈值τ，若是，则判定所述中心像素点属于异质区，若否，则判定所述中心像素点属于同质区，其中，所述阈值τ设置为σ为所述高斯窗口函数的标准差，η为平滑控制参数，/>为标准差，L为所述待处理图像的等效视数，N为所述图像块内像素点的个数。
5.根据权利要求4所述的方法，其特征在于，所述判断最终比值是否大于阈值τ之前，还包括：
当根据公式计算所述图像块的比值Ci时，获取所述图像块的相似块并根据公式计算所述相似块的比值Ci1，其中，μi1和σi1分别为所述相似块的均值和方差；
计算所述图像块和所述相似块的比值的均值将所述均值/>作为所述图像块的最终比值。
6.根据权利要求1至5任一项所述的方法，其特征在于所述融合的过程包括：
将所述第一去噪结果和所述第二去噪结果加权融合后得到所述待处理图像的去噪结果；
或者，将所述第一去噪结果和所述第二去噪结果进行叠加后得到中间数据，对所述中间数据进行归一化处理后获得值域为[0，255]的所述待处理图像的去噪结果。
7.一种图像去噪的装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的图像去噪的方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的图像去噪的方法的步骤。
CN202011261037.1A 2020-11-12 2020-11-12 图像去噪的方法、装置及计算机存储介质 Active CN112330566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011261037.1A CN112330566B (zh) 2020-11-12 2020-11-12 图像去噪的方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011261037.1A CN112330566B (zh) 2020-11-12 2020-11-12 图像去噪的方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112330566A CN112330566A (zh) 2021-02-05
CN112330566B true CN112330566B (zh) 2023-11-14

Family

ID=74317918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011261037.1A Active CN112330566B (zh) 2020-11-12 2020-11-12 图像去噪的方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112330566B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030055B (zh) * 2023-03-29 2023-07-11 凯尔菱电（山东）电梯有限公司 一种电梯相关配件质量检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651813A (zh) * 2017-01-03 2017-05-10 长沙全度影像科技有限公司 一种多图像块融合的非局部均值去噪方法
CN106934775A (zh) * 2017-03-08 2017-07-07 中国海洋大学 一种基于低秩恢复的非局部图像去噪方法
CN107909558A (zh) * 2017-12-12 2018-04-13 成都信息工程大学 一种基于无监督学习的非局部均值图像去噪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651813A (zh) * 2017-01-03 2017-05-10 长沙全度影像科技有限公司 一种多图像块融合的非局部均值去噪方法
CN106934775A (zh) * 2017-03-08 2017-07-07 中国海洋大学 一种基于低秩恢复的非局部图像去噪方法
CN107909558A (zh) * 2017-12-12 2018-04-13 成都信息工程大学 一种基于无监督学习的非局部均值图像去噪方法

Also Published As

Publication number Publication date
CN112330566A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN109859147B (zh) 一种基于生成对抗网络噪声建模的真实图像去噪方法
Mafi et al. A comprehensive survey on impulse and Gaussian denoising filters for digital images
Chou et al. Turbulent-PSO-based fuzzy image filter with no-reference measures for high-density impulse noise
CN111275643A (zh) 基于通道和空间注意力的真实噪声盲去噪网络模型及方法
CN109671029A (zh) 基于伽马范数最小化的图像去噪算法
CN113763268B (zh) 人脸图像盲修复方法及系统
CN114626042B (zh) 一种人脸验证攻击方法和装置
CN113808036A (zh) 基于Retinex模型的低照度图像增强与去噪方法
CN112330566B (zh) 图像去噪的方法、装置及计算机存储介质
CN113421210A (zh) 一种基于双目立体视觉的表面点云重建方法
CN116862809A (zh) 一种低曝光条件下的图像增强方法
Kugu Satellite image denoising using Bilateral Filter with SPEA2 optimized parameters
CN104966271A (zh) 基于生物视觉感受野机制的图像去噪方法
Wang et al. Infrared image edge detection based on improved Canny algorithm
CN115965552A (zh) 用于低信噪比图像序列的频空时域联合去噪与恢复系统
CN109064425A (zh) 一种自适应非局部总变分的图像去噪方法
CN114742724A (zh) 一种基于模型驱动的图像阴影去除方法
Xin et al. Face image restoration based on statistical prior and image blur measure
CN112069870A (zh) 一种适用于车辆识别的图像处理方法及装置
Mathew Robust estimation approach for nonlocal-means denoising based on structurally similar patches.
CN116862790B (zh) 基于神经网络的低剂量ct图像降噪方法及装置
Yousaf et al. Closed-loop restoration approach to blurry images based on machine learning and feedback optimization
CN118552864B (zh) 自适应特征融合的空间目标检测识别方法及装置
CN113160073B (zh) 一种滚动深度学习与Retinex理论结合的遥感图像雾霾去除方法
Fleitmann et al. Noise Reduction Methods for Charge Stability Diagrams of Double Quantum Dots

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