CN113034387A - 一种图像去噪方法、装置、设备及介质 - Google Patents

一种图像去噪方法、装置、设备及介质 Download PDF

Info

Publication number
CN113034387A
CN113034387A CN202110245656.XA CN202110245656A CN113034387A CN 113034387 A CN113034387 A CN 113034387A CN 202110245656 A CN202110245656 A CN 202110245656A CN 113034387 A CN113034387 A CN 113034387A
Authority
CN
China
Prior art keywords
block
pixel
clustering
candidate
denoised
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.)
Granted
Application number
CN202110245656.XA
Other languages
English (en)
Other versions
CN113034387B (zh
Inventor
黄芳
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.)
Chengdu Goke Microelectronics Co ltd
Original Assignee
Chengdu Goke Microelectronics Co ltd
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 Chengdu Goke Microelectronics Co ltd filed Critical Chengdu Goke Microelectronics Co ltd
Priority to CN202110245656.XA priority Critical patent/CN113034387B/zh
Publication of CN113034387A publication Critical patent/CN113034387A/zh
Application granted granted Critical
Publication of CN113034387B publication Critical patent/CN113034387B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本申请公开了一种图像去噪方法、装置、设备、介质，该方法包括：基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，像素块包括参考块和候选块，参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块；分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。这样能够降低噪声带来的降噪风险，提高图像的去噪效果。

Description

一种图像去噪方法、装置、设备及介质
技术领域
本申请涉及图像处理技术领域，特别涉及一种图像去噪方法、装置、设备、介质。
背景技术
图像去噪是常用的图像处理技术，现有技术中可以利用NLM算法(Non LocalMeans，非局部均值)对图像进行去噪，NLM算法利用自然图像临近点、块的相似性来估测原始图像，NLM假设在图像含噪的情况下，块的相似性能够反映点在无噪情况的相似性。
在现有的NLM算法中，在噪声水平比较低的情况下，NLM算法往往会有不错的收益，但噪声越大，块间距离的方差增加，块的相似性与点的相似性之间的关联逐渐降低，即噪声降低了块间距离的置信度，使得块间距离趋向于随机，原本与当前点相似度低的点在加权的过程中获得了较高的NLM滤波权重，从而使得在噪声水平较高时，NLM算法的去噪效果会大打折扣。
发明内容
有鉴于此，本申请的目的在于提供一种图像去噪方法、装置、设备、介质，能够降低噪声带来的降噪风险，提高图像的去噪效果。其具体方案如下：
第一方面，本申请公开了一种图像去噪方法，包括：
基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；
分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；
基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；
基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
可选地，所述基于预设聚类算法对搜索窗内的各个像素块进行分类之前，还包括：
获取聚类参数，并对所述聚类参数进行存储，其中，所述聚类参数中包括聚类迭代次数。
可选地，所述基于预设聚类算法对搜索窗内的各个像素块进行分类，包括：
从搜索窗内确定出初始聚类中心；
基于预设聚类算法将所述搜索窗内的各个像素块聚类到所述初始聚类中心所属的类别中；
判断是否达到所述聚类迭代次数；
如果没有达到所述聚类迭代次数，则分别将各个类别中的所述像素块的均值作为新聚类中心，并基于所述预设聚类算法将所述搜索窗内的各个像素块聚类到所述新聚类中心所属的类别中。
可选地，确定参考块与任一候选块之间的第一距离，包括：
确定所述参考块中各个像素点与该候选块对应像素点之间的像素差值，将所述像点差值的绝对值的和作为所述参考块与该候选块之间的第一距离。
可选地，基于任一候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与该候选块的中心点之间的NLM滤波权重，包括：
基于该候选块对应的所述第一距离和所述第二距离确定该候选块对应的目标距离；
基于所述目标距离确定当前待去噪像素点和该候选块的中心点之间的NLM滤波权重。
可选地，所述基于所述NLM滤波权重对当前待去噪像素点进行去噪处理，包括：
利用各个所述NLM滤波权重分别对各个所述候选块的中心点的像素值进行加权，并将加权和作为加权后像素值；
将各个所述NLM滤波权重的和作为目标NLM滤波权重和；
将所述加权后像素值与所述目标NLM滤波权重和的比值作为当前待去噪像素点的去噪后像素值。
可选地，所述基于预设聚类算法对搜索窗内的各个像素块进行分类，包括：
基于K-Means算法对搜索窗内的各个像素块进行分类；
或，基于K-NN算法对搜索窗内的各个像素块进行分类；
或，基于EM算法对搜索窗内的各个像素块进行分类。
第二方面，本申请公开了一种图像去噪装置，包括：
聚类模块，用于基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；
距离确定模块，用于分别确定参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；
NLM滤波权重确定模块，用于基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；
去噪模块，用于基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
第三方面，本申请公开了一种电子设备，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现前述公开的图像去噪方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的图像去噪方法。
可见，本申请先基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；分别确定参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。由此可见，本申请中首先采用预设聚类算法对搜索窗内的各个像素块进行分类，然后分别确定参考块与所述各个候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离，再基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重，这样先对各个像素块进行预分类，再结合分类结果确定NLM滤波权重，能够为各个候选块中的候选点分配更加合理的NLM滤波权重，筛选出与参考块相似性低的块，避免与当前待去噪像素点相似度低的点获取较高的权重，造成细节丢失的问题，从而提升降噪后的图像质量，能够降低噪声带来的降噪风险，提高图像的去噪效果，且图像边缘及纹理区域降噪效果更好，杂点更少。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种图像去噪方法流程图；
图2为一种NLM算法中搜索窗和邻域窗口示意图；
图3为本申请公开的一种具体的图像去噪方法流程图；
图4为本申请公开的一种具体的图像去噪过程示意图；
图5为本申请公开的一种具体的图像去噪方法流程图；
图6为本申请公开的一种图像去噪装置结构示意图；
图7为本申请公开的一种电子设备结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在现有的NLM算法中，在噪声水平比较低的情况下，NLM算法往往会有不错的收益，但噪声越大，块间距离的方差增加，块的相似性与点的相似性之间的关联逐渐降低，即是噪声降低了块间距离的置信度，使得块间距离趋向于随机，原本与当前点相似度低的点在加权的过程中获得了较高的NLM滤波权重，从而使得在噪声水平较高时，NLM算法的去噪效果会大打折扣。有鉴于此，本申请提出了一种图像去噪方法，能够降低噪声带来的降噪风险，提高图像的去噪效果。
本申请实施例公开了一种图像去噪方法，参见图1所示，该方法包括：
步骤S11：基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗。
在具体的实施过程中，需要先对搜索窗内的各个像素块进行分类，具体的，可以利用预设聚类算法对所述搜索窗内的各个像素块进行分类，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗，通常，所述像素块为边长为N正方形块，所述邻域窗口为边长为N的正方形窗。其中，N为大于1的正整数。参见图2所示，其中，图2中的各个像素点也就是搜索窗中包括的像素点，x是当前待去噪像素点，y为邻域窗口当前所处位置的中心，所述邻域窗口在所述搜索窗内滑动可以选中不同的像素块，也即候选块，例如，以y为中心的像素块便是候选块。其中，所述预设聚类算法可以根据实际情况确定，在此不做具体限定。
先利用预设聚类算法对所述搜索窗中的各个像素块进行分类，使得与参考块属于同一类别中的候选块与参考块之间的距离较小，从而使得其分配到的NLM滤波权重较大，与参考块不属于同一类别的候选块分配到的NLM滤波权重较小，筛选出与参考块相似性低的块，避免与当前待去噪像素点相似度低的点获取较高的权重，造成细节丢失的问题，从而提升降噪后的图像质量，能够降低噪声带来的降噪风险，提高图像的去噪效果，且图像边缘及纹理区域降噪效果更好，杂点更少。
步骤S12：分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离。
对所述搜索窗中的各个所述像素块进行分类之后，还需要分别确定所述参考块与各个所述候选块之间的第一距离，以及分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离。
具体的，确定参考块与任一候选块之间的第一距离，包括：确定所述参考块中各个像素点与该候选块对应像素点之间的像素差值，将所述像点差值的绝对值的和作为所述参考块与该候选块之间的第一距离。还需要确定所述参考块与该候选块所属类别的聚类中心的第二距离，包括：确定所述参考块中各个像素点与该候选块所属类别的聚类中心中对应像素点之间的像素差值，将像素差值的绝对值的和作为所述参考块与该候选块所属类别的聚类中心的第二距离。
例如，参考块A、候选块B和候选块B所属类别的聚类中心C均为3*3共9个像素点的像素块，先确定参考块A中各个像素点和候选块B中对应像素点之间的像素差值，然后将像素差值的绝对值的和作为参考块A和候选块B之间的第一距离，然后确定参考块A中各个像素点和聚类中心C中对应像素点之间的像素差值，然后将像素差值的绝对值的和作为参考块A和聚类中心C之间的第二距离，则得到候选块B对应的第一距离和第二距离。
步骤S13：基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重。
确定出所述第一距离和所述第二距离之后，还需要基于各个候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重。
具体的，基于任一候选块对应的所述第一距离和所述第二距离确定当前待去噪像素点与该候选块的中心点之间的NLM滤波权重，包括：基于该候选块对应的所述第一距离和所述第二距离确定该候选块对应的目标距离，然后基于所述目标距离确定当前待去噪像素点与该候选块的中心点之间的NLM滤波权重，具体可以包括，基于所述目标距离和第一运算公式确确定当前待去噪像素点与该候选块的中心点之间的NLM滤波权重，所述第一运算公式为：
Figure BDA0002963992250000071
其中，sadi＝sadi1+t*sadi2，sadi表示第i个候选选块对应的目标距离，sadi1表示第i个候选选块对应的第一距离，sadi2表示第i个候选选块对应的第二距离，t表示预设参数，t比较小时，sadi2的作用比较小，边缘处的保边能力一般；t较大时，sadi2的作用比较大，边缘处的保边能力强。weighti表示当前待去噪像素点与第i个候选选块对应的中心点之间的NLM滤波权重。
步骤S14：基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
确定出当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重之后，便可以基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
具体的，包括：利用各个所述NLM滤波权重分别对各个所述候选块的中心点的像素值进行加权，并将加权和作为加权后像素值；将各个所述NLM滤波权重的和作为目标NLM滤波权重和；将所述加权后像素值与所述目标NLM滤波权重和的比值作为当前待去噪像素点的去噪后像素值。将上述过程通过第二运算公式表达出来就是：
Figure BDA0002963992250000072
est表示当前待去噪像素点的去噪后像素值，weighti表示当前待去噪像素点与第i个候选块的中心点之间的NLM滤波权重，n表示所述候选块的总数，noise_valuei表示第i个候选选块的中心点的像素值。
可见，本申请先基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；分别确定参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。由此可见，本申请中首先采用预设聚类算法对搜索窗内的各个像素块进行分类，然后分别确定参考块与所述各个候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离，再基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重，这样先对各个像素块进行预分类，再结合分类结果确定NLM滤波权重，能够为各个候选块中的候选点分配更加合理的NLM滤波权重，筛选出与参考块相似性低的块，避免与当前待去噪像素点相似度低的点获取较高的权重，造成细节丢失从而提升降噪后的图像质量，能够降低噪声带来的降噪风险，提高图像的去噪效果，且图像边缘及纹理区域降噪效果更好，杂点更少。
参见图3所示，本申请实施例公开了一种具体的图像去噪方法，该方法包括：
步骤S21：获取聚类参数，并对所述聚类参数进行存储，其中，所述聚类参数中包括聚类迭代次数。
在实际应用中，需要先获取聚类参数，并对所述聚类参数进行存储，其中，所述聚类参数中包括聚类迭代次数。这样可以预先设置聚类迭代次数，满足不同的要求，使得聚类过程中仅需为数不多的几次迭代，甚至不需要迭代，就能保证去噪效果的提升，计算量小，保证滤波效果的同时能更好地应用于监控实时图像处理系统，能够在不进行迭代计算的前提下，同时保证图像的噪点滤除效果和边缘清晰度保护。
步骤S22：基于预设聚类算法对搜索窗内的各个像素块进行分类，直到聚类次数达到所述聚类迭代次数，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗。
接着便需要基于预设聚类算法对搜索窗内的各个像素块进行分类，直到聚类次数达到所述聚类迭代次数，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗。
其中，所述预设聚类算法包括但不限于K-Means算法、K-NN算法以及EM算法，也即，可以基于K-Means算法对搜索窗内的各个像素块进行分类；或，基于K-NN算法对搜索窗内的各个像素块进行分类；或，基于EM算法对搜索窗内的各个像素块进行分类。
具体的，基于预设聚类算法对搜索窗内的各个像素块进行分类，包括：从搜索窗内确定出初始聚类中心；基于预设聚类算法将所述搜索窗内的各个像素块聚类到所述初始聚类中心所属的类别中；判断是否达到所述聚类迭代次数；如果没有达到所述聚类迭代次数，则分别将各个类别中的所述像素块的均值作为新聚类中心，并基于所述预设聚类算法将所述搜索窗内的各个像素块聚类到所述新聚类中心所属的类别中。
例如，参见图4所示，以19*19的search window(也即搜索窗)为例，当前待去噪像素点为search window的最中心一个像素点，邻域窗口和参考块的边长均为3，也即，每个候选块和参考块均包括9个像素点，将图中颜色较深的5个像素块作为K-Means的初始聚类中心，基于K-Means算法将所述搜索窗内的各个像素块聚类到所述初始聚类中心所属的类别中，判断是否达到所述聚类迭代次数，如果没有达到所述聚类迭代次数，则分别将各个类别中的所述像素块的均值作为新聚类中心，并基于所述预设聚类算法将所述搜索窗内的各个像素块聚类到所述新聚类中心所属的类别中。
步骤S23：分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离。
步骤S24：基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重。
步骤S25：基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
步骤S23至步骤S25的具体实施过程可以参考前述实施例中公开的内容，在此不再进行赘述。
参见图5所示，为图像去噪流程图。输入K-Means迭代次数，一般为1—3次即可，从search window内选取适合的初始化聚类中心，然后进行search window聚类，计算新的聚类中心，计算search window内所有候选块与参考块之间的第一距离，记为sad1，计算search window内所有候选块所属聚类中心与参考块之间的第二距离，记为sad2，计算目标距离sadi＝sadi1+t*sadi2，以及对应的权重weighti，并计算当前待去噪像素点对应的去噪后像素值。
参见图6所示，本申请实施例公开了一种图像去噪装置，包括：
聚类模块11，用于基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；
距离确定模块12，用于分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；
NLM滤波权重确定模块13，用于基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；
去噪模块14，用于基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
可见，本申请先基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；分别确定参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。由此可见，本申请中首先采用预设聚类算法对搜索窗内的各个像素块进行分类，然后分别确定参考块与所述各个候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离，再基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重，这样先对各个像素块进行预分类，再结合分类结果确定NLM滤波权重，能够为各个候选块中的候选点分配更加合理的NLM滤波权重，筛选出与参考块相似性低的块，避免与当前待去噪像素点相似度低的点获取较高的权重，造成细节丢失从而提升降噪后的图像质量，能够降低噪声带来的降噪风险，提高图像的去噪效果，且图像边缘及纹理区域降噪效果更好，杂点更少。
在一些具体的实施过程中，所述图像去噪装置，还包括：
参数获取模块，用于获取聚类参数，并对所述聚类参数进行存储，其中，所述聚类参数中包括聚类迭代次数。
在一些具体的实施过程中，所述聚类模块11，用于：
从搜索窗内确定出初始聚类中心；
基于预设聚类算法将所述搜索窗内的各个像素块聚类到所述初始聚类中心所属的类别中；
判断是否达到所述聚类迭代次数；
如果没有达到所述聚类迭代次数，则分别将各个类别中的所述像素块的均值作为新聚类中心，并基于所述预设聚类算法将所述搜索窗内的各个像素块聚类到所述新聚类中心所属的类别中。
在一些具体的实施过程中，所述距离确定模块12，用于：
确定所述参考块中各个像素点与该候选块对应像素点之间的像素差值，将所述像点差值的绝对值的和作为所述参考块与该候选块之间的第一距离。
在一些具体的实施过程中，所述NLM滤波权重确定模块13，用于：
基于该候选块对应的所述第一距离和所述第二距离确定该候选块对应的目标距离；
基于所述目标距离确定当前待去噪像素点和该候选块的中心点之间的NLM滤波权重。
在一些具体的实施过程中，所述去噪模块14，用于：
利用各个所述NLM滤波权重分别对各个所述候选块的中心点的像素值进行加权，并将加权和作为加权后像素值；
将各个所述NLM滤波权重的和作为目标NLM滤波权重和；
将所述加权后像素值与所述目标NLM滤波权重和的比值作为当前待去噪像素点的去噪后像素值。
在一些具体的实施过程中，所述聚类模块11，用于：
基于K-Means算法对搜索窗内的各个像素块进行分类；
或，基于K-NN算法对搜索窗内的各个像素块进行分类；
或，基于EM算法对搜索窗内的各个像素块进行分类。
参见图7所示，为本申请实施例提供的一种电子设备20的结构示意图，该电子设备20具体可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
通常，本实施例中的电子设备20包括：处理器21和存储器22。
其中，处理器21可以包括一个或多个处理核心，比如四核心处理器、八核心处理器等。处理器21可以采用DSP(digital signal processing,数字信号处理)、FPGA(field-programmable gate array,现场可编程们阵列)、PLA(programmable logic array,可编程逻辑阵列)中的至少一种硬件来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(central processing unit,中应处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有GPU(graphics processing unit,图像处理器)，GPU用于负责显示屏所需要显示的图像的渲染和绘制。一些实施例中，处理器21可以包括AI(artificialintelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器22可以包括一个或多个计算机可读存储介质，计算机可读存储介质可以是非暂态的。存储器22还可以包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器22至少用于存储以下计算机程序221，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例中公开的图像去噪方法步骤。
在一些实施例中，电子设备20还可包括有显示屏23、输入输出接口24、通信接口25、传感器26、电源27以及通信总线28。
本技术领域人员可以理解，图7中示出的结构并不构成对电子设备20的限定，可以包括比图示更多或更少的组件。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述任一实施例中公开的图像去噪方法。
其中，关于上述图像去噪方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种图像去噪方法、装置、设备、介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种图像去噪方法，其特征在于，包括：
基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；
分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；
基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；
基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
2.根据权利要求1所述的图像去噪方法，其特征在于，所述基于预设聚类算法对搜索窗内的各个像素块进行分类之前，还包括：
获取聚类参数，并对所述聚类参数进行存储，其中，所述聚类参数中包括聚类迭代次数。
3.根据权利要求2所述的图像去噪方法，其特征在于，所述基于预设聚类算法对搜索窗内的各个像素块进行分类，包括：
从搜索窗内确定出初始聚类中心；
基于预设聚类算法将所述搜索窗内的各个像素块聚类到所述初始聚类中心所属的类别中；
判断是否达到所述聚类迭代次数；
如果没有达到所述聚类迭代次数，则分别将各个类别中的所述像素块的均值作为新聚类中心，并基于所述预设聚类算法将所述搜索窗内的各个像素块聚类到所述新聚类中心所属的类别中。
4.根据权利要求1所述的图像去噪方法，其特征在于，确定参考块与任一候选块之间的第一距离，包括：
确定所述参考块中各个像素点与该候选块对应像素点之间的像素差值，将所述像点差值的绝对值的和作为所述参考块与该候选块之间的第一距离。
5.根据权利要求1所述的图像去噪方法，其特征在于，基于任一候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与该候选块的中心点之间的NLM滤波权重，包括：
基于该候选块对应的所述第一距离和所述第二距离确定该候选块对应的目标距离；
基于所述目标距离确定当前待去噪像素点和该候选块的中心点之间的NLM滤波权重。
6.根据权利要求1所述的图像去噪方法，其特征在于，所述基于所述NLM滤波权重对当前待去噪像素点进行去噪处理，包括：
利用各个所述NLM滤波权重分别对各个所述候选块的中心点的像素值进行加权，并将加权和作为加权后像素值；
将各个所述NLM滤波权重的和作为目标NLM滤波权重和；
将所述加权后像素值与所述目标NLM滤波权重和的比值作为当前待去噪像素点的去噪后像素值。
7.根据权利要求1至6任一项所述的图像去噪方法，其特征在于，所述基于预设聚类算法对搜索窗内的各个像素块进行分类，包括：
基于K-Means算法对搜索窗内的各个像素块进行分类；
或，基于K-NN算法对搜索窗内的各个像素块进行分类；
或，基于EM算法对搜索窗内的各个像素块进行分类。
8.一种图像去噪装置，其特征在于，包括：
聚类模块，用于基于预设聚类算法对搜索窗内的各个像素块进行分类，其中，所述像素块包括参考块和候选块，所述参考块为以当前待去噪像素点为中心，边长为N的矩形像素块，所述候选块为邻域窗口在所述搜索窗内滑动选中的各个像素块，所述邻域窗口为边长为N的矩形窗；
距离确定模块，用于分别确定所述参考块与各个所述候选块之间的第一距离，并分别确定所述参考块与各个所述候选块所属类别的聚类中心的第二距离；
NLM滤波权重确定模块，用于基于各个所述候选块对应的所述第一距离和所述第二距离分别确定当前待去噪像素点与各个所述候选块的中心点之间的NLM滤波权重；
去噪模块，用于基于所述NLM滤波权重对当前待去噪像素点进行去噪处理。
9.一种电子设备，其特征在于，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现权利要求1至7任一项所述的图像去噪方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像去噪方法。
CN202110245656.XA 2021-03-05 2021-03-05 一种图像去噪方法、装置、设备及介质 Active CN113034387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110245656.XA CN113034387B (zh) 2021-03-05 2021-03-05 一种图像去噪方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110245656.XA CN113034387B (zh) 2021-03-05 2021-03-05 一种图像去噪方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113034387A true CN113034387A (zh) 2021-06-25
CN113034387B CN113034387B (zh) 2023-07-14

Family

ID=76468072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245656.XA Active CN113034387B (zh) 2021-03-05 2021-03-05 一种图像去噪方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113034387B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284075A (zh) * 2021-07-19 2021-08-20 贝壳技术有限公司 图像去噪方法、装置以及电子设备、存储介质
CN117496448A (zh) * 2024-01-02 2024-02-02 深圳市旭仓科技有限公司 一种建筑施工安全智能监控系统及方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298774A (zh) * 2011-09-21 2011-12-28 西安电子科技大学 基于联合相似性的非局部均值去噪方法
CN102314675A (zh) * 2011-09-27 2012-01-11 西安电子科技大学 基于小波高频的贝叶斯去噪方法
CN103150712A (zh) * 2013-01-18 2013-06-12 清华大学 一种基于投影序列数据相似性的图像去噪方法
CN103186904A (zh) * 2011-12-31 2013-07-03 北京新媒传信科技有限公司 图片轮廓提取方法及装置
CN103886553A (zh) * 2014-03-10 2014-06-25 广东威创视讯科技股份有限公司 图像非局部均值去噪方法和系统
CN103985099A (zh) * 2014-05-30 2014-08-13 成都信息工程学院 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN104091351A (zh) * 2014-06-27 2014-10-08 无锡慧眼电子科技有限公司 基于聚类法的人数计数方法
CN104299232A (zh) * 2014-09-30 2015-01-21 西安电子科技大学 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN104408728A (zh) * 2014-12-03 2015-03-11 天津工业大学 一种基于噪声估计的伪造图像检测方法
CN106296602A (zh) * 2016-08-03 2017-01-04 合肥工业大学 一种三维小波变换的极化sar滤波方法
US20170278224A1 (en) * 2016-03-22 2017-09-28 Algolux Inc. Method and system for denoising and demosaicing artifact suppression in digital images
CN107369131A (zh) * 2017-07-04 2017-11-21 华中科技大学 图像的显著性检测方法、装置、存储介质和处理器
US20180089806A1 (en) * 2016-09-28 2018-03-29 Disney Enterprises, Inc. Robust regression method for image-space denoising
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
CN108416745A (zh) * 2018-02-02 2018-08-17 中国科学院西安光学精密机械研究所 一种具有色彩恒常性的图像自适应去雾增强方法
CN109509194A (zh) * 2018-11-23 2019-03-22 上海师范大学 一种复杂背景下正面人体图像分割方法及装置
CN110033465A (zh) * 2019-04-18 2019-07-19 天津工业大学 一种应用于双目内窥镜医学图像的实时三维重建方法
CN110648290A (zh) * 2019-09-06 2020-01-03 西安交通大学 一种基于sure参数优化的双核非局部均值图像去噪方法
CN111815554A (zh) * 2020-05-21 2020-10-23 南通大学 一种基于边缘搜索mrf模型的宫颈细胞图像分割方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298774A (zh) * 2011-09-21 2011-12-28 西安电子科技大学 基于联合相似性的非局部均值去噪方法
CN102314675A (zh) * 2011-09-27 2012-01-11 西安电子科技大学 基于小波高频的贝叶斯去噪方法
CN103186904A (zh) * 2011-12-31 2013-07-03 北京新媒传信科技有限公司 图片轮廓提取方法及装置
CN103150712A (zh) * 2013-01-18 2013-06-12 清华大学 一种基于投影序列数据相似性的图像去噪方法
CN103886553A (zh) * 2014-03-10 2014-06-25 广东威创视讯科技股份有限公司 图像非局部均值去噪方法和系统
CN103985099A (zh) * 2014-05-30 2014-08-13 成都信息工程学院 一种弥散张量磁共振图像张量域非局部均值去噪方法
CN104091351A (zh) * 2014-06-27 2014-10-08 无锡慧眼电子科技有限公司 基于聚类法的人数计数方法
CN104299232A (zh) * 2014-09-30 2015-01-21 西安电子科技大学 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN104408728A (zh) * 2014-12-03 2015-03-11 天津工业大学 一种基于噪声估计的伪造图像检测方法
US20170278224A1 (en) * 2016-03-22 2017-09-28 Algolux Inc. Method and system for denoising and demosaicing artifact suppression in digital images
CN106296602A (zh) * 2016-08-03 2017-01-04 合肥工业大学 一种三维小波变换的极化sar滤波方法
US20180089806A1 (en) * 2016-09-28 2018-03-29 Disney Enterprises, Inc. Robust regression method for image-space denoising
CN107369131A (zh) * 2017-07-04 2017-11-21 华中科技大学 图像的显著性检测方法、装置、存储介质和处理器
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
CN108416745A (zh) * 2018-02-02 2018-08-17 中国科学院西安光学精密机械研究所 一种具有色彩恒常性的图像自适应去雾增强方法
CN109509194A (zh) * 2018-11-23 2019-03-22 上海师范大学 一种复杂背景下正面人体图像分割方法及装置
CN110033465A (zh) * 2019-04-18 2019-07-19 天津工业大学 一种应用于双目内窥镜医学图像的实时三维重建方法
CN110648290A (zh) * 2019-09-06 2020-01-03 西安交通大学 一种基于sure参数优化的双核非局部均值图像去噪方法
CN111815554A (zh) * 2020-05-21 2020-10-23 南通大学 一种基于边缘搜索mrf模型的宫颈细胞图像分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
孙季丰;邓晓晖;: "基于NSCT和FCM聚类的SAR图像分割", 华南理工大学学报(自然科学版), no. 02, pages 64 - 68 *
程玉柱;蔡云飞;李赵春;: "Matlab在单板表面裂缝检测中的应用研究", 木材加工机械, no. 01, pages 34 - 37 *
袁媛;朱敏;: "非局部相似性去噪算法研究", 计算机应用与软件, no. 08, pages 309 - 312 *
郭黎;廖宇;李敏;袁海林;李军;: "自适应非局部数据保真项和双边总变分的图像去噪模型", 计算机应用, no. 08, pages 212 - 220 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284075A (zh) * 2021-07-19 2021-08-20 贝壳技术有限公司 图像去噪方法、装置以及电子设备、存储介质
CN113284075B (zh) * 2021-07-19 2021-09-21 贝壳技术有限公司 图像去噪方法、装置以及电子设备、存储介质
CN117496448A (zh) * 2024-01-02 2024-02-02 深圳市旭仓科技有限公司 一种建筑施工安全智能监控系统及方法
CN117496448B (zh) * 2024-01-02 2024-04-26 深圳市旭仓科技有限公司 一种建筑施工安全智能监控系统及方法

Also Published As

Publication number Publication date
CN113034387B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
US9852353B2 (en) Structure aware image denoising and noise variance estimation
CN108230292B (zh) 物体检测方法和神经网络的训练方法、装置及电子设备
CN110766679A (zh) 镜头脏污检测方法、装置及终端设备
CN110363753B (zh) 图像质量评估方法、装置及电子设备
US9478040B2 (en) Method and apparatus for segmenting object in image
CN113034387B (zh) 一种图像去噪方法、装置、设备及介质
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
Cui et al. Single image dehazing by latent region‐segmentation based transmission estimation and weighted L1‐norm regularisation
CN110708568B (zh) 一种视频内容突变检测方法及装置
WO2022000861A1 (zh) 图像篡改区域的定位方法、装置及存储介质
WO2010043954A1 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN115294332B (zh) 一种图像处理方法、装置、设备和存储介质
CN112668577A (zh) 大尺度图像中目标物体的检测方法、终端及装置
Cocorullo et al. Multimodal background subtraction for high-performance embedded systems
CN114387642A (zh) 图像分割方法、装置、设备和存储介质
CN113902899A (zh) 训练方法、目标检测方法、装置、电子设备以及存储介质
CN110211106B (zh) 基于分段Sigmoid带宽的均值漂移SAR图像海岸线检测方法
Li et al. Aggregating complementary boundary contrast with smoothing for salient region detection
CN116935368A (zh) 深度学习模型训练方法、文本行检测方法、装置及设备
CN112052863B (zh) 一种图像检测方法及装置、计算机存储介质、电子设备
CN110580706A (zh) 一种视频背景模型的提取方法及装置
CN114511862A (zh) 表格识别方法、装置及电子设备
CN114764839A (zh) 动态视频生成方法、装置、可读存储介质及终端设备
CN113761249A (zh) 一种确定图片类型的方法和装置
CN111160358A (zh) 一种图像二值化方法、装置、设备、介质

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