CN115731389A - 一种图像去噪方法及装置 - Google Patents

一种图像去噪方法及装置 Download PDF

Info

Publication number
CN115731389A
CN115731389A CN202211488189.4A CN202211488189A CN115731389A CN 115731389 A CN115731389 A CN 115731389A CN 202211488189 A CN202211488189 A CN 202211488189A CN 115731389 A CN115731389 A CN 115731389A
Authority
CN
China
Prior art keywords
image
denoising
model
pollen
gamete
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
Application number
CN202211488189.4A
Other languages
English (en)
Inventor
张艳珠
刘婷婷
杨旗
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.)
Shenyang Ligong University
Original Assignee
Shenyang Ligong 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 Shenyang Ligong University filed Critical Shenyang Ligong University
Priority to CN202211488189.4A priority Critical patent/CN115731389A/zh
Publication of CN115731389A publication Critical patent/CN115731389A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本申请公开一种图像去噪方法及装置，方法包括以下步骤：构造基于自适应边缘检测算法的混合偏微分图像去噪模型，该模型利用分数阶边缘检测函数加权的方式结合ROF和LLT两种去噪模型；根据图像的特征信息通过花授粉算法确定图像分数阶边缘函数的最优阶次v；对所述去噪模型进行求解，输出去噪后图像u。本申请综合了全变分以及四阶偏微分方程的优点，与其他先进的去噪算法相比，本申请可以在保持图像边缘及纹理细节的同时避免平滑区域的“阶梯效应”。

Description

一种图像去噪方法及装置
技术领域
本发明属于人工智能技术领域，具体说，涉及一种图像去噪方法及装置。
背景技术
图像去噪是数字图像处理领域的重要研究步骤之一。它不仅能抑制噪声，为后续处理提供更精确的信息，如图像分割、图像压缩等；而且能有助于促进其他图像处理问题的解决，如图像增强、图像检测。其中，基于偏微分方程的图像去噪的方法自上世纪80年代始便得到了很快的发展，已经成为一个十分重要的研究方向。
基于偏微分方程的图像去噪方法具有其自身的优势：偏微分方程给出了分析图像的连续模型，将离散的图像在数学上表现为连续的微分算子，容易实现局部的非线性滤波，尽可能地保持图像的边缘信息。在过去的几十年里，分数阶微分算子逐渐被用于图像处理。分数阶微分算子比传统的一阶和二阶微分性能好，实验表明相比于整数阶边缘检测算子，不仅能有效提取图像的边缘，而且能很好地抑制噪声。但是现有技术中都是使用相同的分数阶阶次来处理图像，因此检测结果仍达不到理想要求。
发明内容
为解决以上问题，本申请公开一种图像去噪方法，包括以下步骤：
步骤S1，构造基于自适应边缘检测算法的混合偏微分图像去噪模型，该模型利用分数阶边缘检测函数加权的方式结合ROF和LLT两种去噪模型；
步骤S2，根据图像的特征信息通过花授粉算法确定图像分数阶边缘函数的最优阶次v；
步骤S3，对所述去噪模型进行求解，输出去噪后图像u。
可选的，所述混合偏微分图像去噪模型的能量函数如下：
Figure BDA0003963604420000021
其中，g是分数阶边缘检测函数：
Figure BDA0003963604420000022
式中，Ω为去噪后图像u(x,y)的定义域；
u0为含噪图像；
u为去噪后图像；
λ为Lagrange权重参数；
Figure BDA0003963604420000023
为图像的梯度；
Figure BDA0003963604420000024
uxx，uxy，uyx，uyy均为去噪后图像u(x,y)的二阶导数；
γ＞0是为了保证g＜1而加的一个正数；
k＞0是对比度系数；
v是一个X×Y维阶次矩阵；
Figure BDA0003963604420000025
|Dvu0|是图像u0的分数阶梯度向量模。
可选的，
Figure BDA0003963604420000026
可选的，所述根据图像的特征信息通过花授粉算法确定分数阶阶次v，包括以下步骤：
步骤S21，设置花粉配子的个数n，随机初始化花粉配子的位置xi∈[0,2]、迭代次数d以及转换概率p；
步骤S22：根据公式15计算每个配子的局部最优值，计算每个花粉配子的适应度值，根据适应度值确定某个局部最优值作为全局最优值，其对应的位置为配子的全局最优值的位置，
v＝arg max[P(v)+S(v)-M(v)] (15)
其中，P，S和M分别表示图像的峰值信噪比、结构相似度和平均绝对误差；
步骤S23，判断是否达到了迭代次数，若达到迭代次数转到步骤S24，若没有达到迭代次数，则迭代次数加1，更新花粉配子的位置，并返回步骤S22；
步骤S24，输出全局最优解，即找到用于图像分数阶边缘函数的最优阶次v。
可选的，所述根据适应度值确定某个局部最优值作为全局最优值，是指最大的局部最优值作为全局最优值。
可选的，峰值信噪比PSNR为：
Figure BDA0003963604420000031
结构相似度SSIM为：
Figure BDA0003963604420000032
平均绝对误差MAE为：
Figure BDA0003963604420000041
式中，(x,y)表示图像的大小，x和y分别表示图像的长和宽，图像的特征信息是μx和σx分别表示x的均值和方差，μy和σy分别表示y的均值和方差，σxy表示x和y的协方差，c1和c2表示稳定方程的常数。
可选的，所述更新花粉配子的位置，包括：
当p＞0.8时，采用全局搜索即根据公式11更新配子的位置，当p＜0.8时，采用局部搜索则根据公式13更新配子的位置，
全局搜索花粉的位置更新公式为：
Figure BDA0003963604420000042
其中，
Figure BDA0003963604420000043
为第i个花粉在第t次迭代下的位置矢量，
Figure BDA0003963604420000044
为第j个花粉在第t次迭代下的位置矢量，g*为当前所有迭代结果中发现的最优解，L(λ)为花授粉强度参数，且L(λ)＞0，其表达式如下：
Figure BDA0003963604420000045
式中，Γ(λ)是标准的gamma函数，s表示花粉配子移动时的大步幅。
局部搜索花粉的位置更新公式为：
Figure BDA0003963604420000046
其中，
Figure BDA0003963604420000047
和
Figure BDA0003963604420000048
分别表示来自同一植物不同花的花粉配子在第t次迭代时的位置矢量，ε表示在[0,1]上的独立均匀分布。
可选的，对所述去噪模型进行求解，输出去噪后图像u，包括：
对所述去噪模型的能量函数采用有限差分法获得欧拉-拉格朗日方程；
通过梯度下降法求解欧拉-拉格朗日方程获得非线性偏微分方程；
通过将图像划分网格，将其在时间和空间离散，获得关于去噪后图像u的迭代的离散表示：
利用所述迭代的离散表示进行循环迭代计算去噪后图像u，直至达到设定循环次数，输出最终的去噪后图像u。
本申请还公开一种图像去噪装置，包括：
模型构造模块，用于构造基于自适应边缘检测算法的混合偏微分图像去噪模型，该模型利用分数阶边缘检测函数加权的方式结合ROF和LLT两种去噪模型；
最优阶次确定模块，用于根据图像的特征信息通过花授粉算法确定图像分数阶边缘函数的最优阶次v；
模型求解模块，用于对所述去噪模型进行求解，输出去噪后图像u。
本申请还公开一种电子装置，所述电子装置包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如上所述的图像去噪方法。
本申请利用花授粉算法设计了一种全新的分数阶边缘检测函数，并提出了一种利用分数阶边缘检测函数加权自然融合全变分与四阶偏微分方程的去噪算法。并将所提出的模型应用于合成图像和真实的眼科超声图像，证明了所提去噪方法的有效性。实验结果表明，该模型综合了全变分以及四阶偏微分方程的优点，与其他先进的去噪算法相比，本文模型可以在保持图像边缘及纹理细节的同时避免平滑区域的“阶梯效应”。
附图说明
图1为本发明实施例的图像去噪方法的流程图；
图2为本发明实施例的通过花授粉算法确定图像分数阶边缘函数的最优阶次v的流程图；
图3为本发明的对比实验所采用的测试图像；
图4为本发明的对比实验不同模型对“Peppers”图像放大部分处理后的实验结果；
图5为本发明的对比实验不同模型对“Lena”图像放大部分处理后的实验结果；
图6为本发明的对比实验不同模型对“Airplane”图像处理后的实验结果；
图7为本发明的对比实验不同模型对“House”图像处理后的实验结果；
图8为本发明的对比实验图像第50行特征线的灰度值；
图9为本发明的对比实验不同模型对视网膜脱落图像去噪后的效果图；
图10为本发明的对比实验不同模型对脉络膜脱落图像去噪后的效果图；
图11为本发明的对比实验不同模型对星状体变性图像去噪后的效果图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本实施例的图像去噪方法，包括以下步骤：
步骤S1，构造基于自适应边缘检测算法的混合偏微分图像去噪模型，该模型利用分数阶边缘检测函数加权的方式有效地结合了ROF(Rudin、Osher、Fatemi，也称为TV模型，例如《L.I.Rudin,S.Osher,and E.Fatemi,
“Nonlinear total variation based noise removal algorithms,”Phys.D,Nonlinear Phenomena,vol.60,nos.1-4,pp.259-268,1992.》)和LLT(Lysaker、Lundervold、Tai，一种四阶偏微分去噪模型，例如《M.Lysaker,A.Lundervold,andX.C.Tai,“Noise removal using fourth-order partial differential equation withapplications to medical magnetic resonance images in space and time,”IEEETrans.Image Process,vol.12,no.12,pp.1579–1590,Dec.2003.》)两种去噪模型的优点，该去噪模型的能量函数如下：
Figure BDA0003963604420000071
其中，g是分数阶边缘检测函数：
Figure BDA0003963604420000072
式中，Ω为去噪后图像u(x,y)的定义域；
u0为含噪图像；
u为去噪后图像；
λ为Lagrange权重参数；
Figure BDA0003963604420000073
为图像的梯度；
Figure BDA0003963604420000074
uxx，uxy，uyx，uyy均为图像u(x,y)的二阶导数；
γ＞0是为了保证g＜1而加的一个正数；
k＞0是对比度系数；
v是一个X×Y维阶次矩阵；
Figure BDA0003963604420000081
|Dvu0|是图像u0的分数阶梯度向量模，为了保证模是线性的，这里采用绝对值代替平方根运算，即
Figure BDA0003963604420000082
ROF去噪模型的特点是可以保留图像的边缘，LLT去噪模型的特点是能够克服平滑区域里面的“阶梯效应”。为了在去除图像噪声的同时，保留图像更多的纹理细节。采用混合偏微分图像去噪模型综合两种去噪模型的特点。该模型通过边缘检测函数g，实现了ROF模型和LLT模型的自然融合。对于图像纹理复杂区域，即边缘最有可能出现的地方，|Dvu0|值较大，ROF模型起主要作用；相反，对于纹理简单区域，即信号平滑位置，|Dvu0|值较小，LLT模型起主要作用。因此，新模型保留了ROF模型去噪优势，保留了图像的边缘，同时也继承了LLT模型的优势，在平滑区域减少了“阶梯效应”。
步骤S2，根据图像的特征信息通过花授粉算法确定图像分数阶边缘函数的最优阶次v，所述花授粉算法是一种模拟有花植物生物授粉过程的启发式优化算法，花授粉的主要目的是适者生存和植物优化，其授粉过程可以被模拟为优化过程中的全局搜索和局部搜索，其包括以下步骤：
步骤S21，初始化参数，随机初始化花粉配子的位置xi∈[0,2]，设置花粉配子的个数n，迭代次数d以及转换概率p。
步骤S22：根据公式(15)计算每个配子的局部最优值，计算每个花粉配子的适应度值，根据适应度值确定某个局部最优值作为全局最优值，其对应的位置为配子的全局最优值的位置。优选是最大的局部最优值作为全局最优值。
v＝arg max[P(v)+S(v)-M(v)], (15)
其中，P，S和M表示图像的峰值信噪比(PSNR)、结构相似度(SSIM)和平均绝对误差(MAE)，分别被定义为：
峰值信噪比PSNR为：
Figure BDA0003963604420000091
结构相似度SSIM为：
Figure BDA0003963604420000092
平均绝对误差MAE为：
Figure BDA0003963604420000093
式中，(x,y)表示图像的大小，图像的特征信息是μx和σx分别表示x的均值和方差，μy和σy分别表示y的均值和方差，σxy表示x和y的协方差，c1和c2表示稳定方程的常数。其中，PSNR，SSIM值越大，MAE值越小，表示去噪后图像的质量越好。
步骤S23，判断是否达到了迭代次数，若达到迭代次数转到步骤S24，若没有达到迭代次数，则迭代次数加1，更新花粉配子的位置，当p＞0.8时，采用全局搜索即根据公式(11)更新配子的位置。当p＜0.8时，采用局部搜索则根据公式(13)更新配子的位置，然后返回步骤S22。
全局搜索花粉的位置更新公式为：
Figure BDA0003963604420000101
其中，
Figure BDA0003963604420000102
为第i个花粉在第t次迭代下的位置矢量，g*为当前所有迭代结果中发现的最优解，L(λ)为花授粉强度参数，且L(λ)＞0，其表达式如下：
Figure BDA0003963604420000103
式中，Γ(λ)是标准的gamma函数，一般情况下，选取λ＝1.5。该分布只对大步幅s＞0有效。
局部搜索花粉的位置更新公式为：
Figure BDA0003963604420000104
其中，
Figure BDA0003963604420000105
和
Figure BDA0003963604420000106
分别表示来自同一植物不同花的花粉配子在第t次迭代时的位置矢量，ε表示在[0,1]上的独立均匀分布。
步骤S24，输出全局最优解，即找到用于图像分数阶边缘函数的最优阶次v。
步骤S3，对所述去噪模型进行求解，输出去噪后图像u。
步骤S3中，求解所述去噪模型可以采用有限差分法，具体方法如下：
步骤S31，对所述去噪模型的能量函数采用有限差分法获得欧拉-拉格朗日方程：
Figure BDA0003963604420000107
Figure BDA0003963604420000108
和
Figure BDA0003963604420000109
分别为图像u在x方向和y方向的导数。
步骤S32，通过梯度下降法求解方程(28)，可以得到非线性偏微分方程：
Figure BDA00039636044200001010
步骤S33，假设所涉及的图像大小可以表示为N×N的矩阵，Δt表示时间步长，h表示空间网格大小，则时间和空间离散为：
t＝nΔt，x＝ih，y＝jh (30)
式中
i表示图像在x方向离散单位；
j表示图像在y方向离散单位；
n＝0,1,2,L,，
i,j＝1,2,L,N，
从而得到关于去噪后图像u的迭代的离散表示：
Figure BDA0003963604420000111
其中，k表示第k次迭代；
Figure BDA0003963604420000112
Dx表示图像u在x方向的一阶偏导数；
Figure BDA0003963604420000113
Dy表示图像u在y方向的一阶偏导数；
Dxx、
Figure BDA0003963604420000114
Dyy分别表示图像u在x方向的二阶偏导、对y导后对x导、对x导后对y导以及在y方向的二阶偏导；
D2uk表示对图像u的二阶导数。
利用所述迭代的离散表示进行循环迭代计算去噪后图像u，直至达到设定循环次数，输出最终的去噪后图像u。
下面验证一下本申请的图像去噪方法的性能。
在本对比实验中，将本申请的图像去噪方法与经典的ROF模型、LLT模型以及文献36(D.Wang,J.J.Nieto,X.Li,and Y.Li,“A spatially adaptive edge-preservingdenoising method based on fractional-order variational PDEs,”IEEE Access,vol.8,pp.163115-163128,Sep.2020)，文献19(X.Zhang,R.Liu,J.Ren,and Q.Gui,“Adaptive fractional image enhancement algorithm based on rough set andparticle swarm optimization,”Fractal Fract.,vol.6,no.100,Jun.2022)，文献12(F.Li,C.Shen,J.Fan,and C.Shen,“Image restoration combining a totalvariational filter and a fourth-order filter,”J.Vis.Commun.Image R.,vol.18,no.4,pp.322-330,Aug.2007)的先进去噪算法进行对比，以验证本文模型去噪的有效性。选用“Peppers”图像的框中放大区域，如图3a，来验证本文模型处理图像平滑区域的有效性；选用如图3b，“Lena”图像的框中放大区域来验证本文模型在去噪时保留噪声图像边缘的能力；选用如图3c，3d,“Airplane”、“House”图像来验证本文模型在去噪时保留图像信息的能力。此外，选用临床医生难以分辨的视网膜脱落、脉络膜脱落以及玻璃体积血图像进行去噪，如图3e-3g，进而来证明了所提方法同样和适合处理实际的含噪图像。
为了进一步验证所提模型的有效性，本文选用公式(16)-(18)作为图像的评价指标，从数值的角度客观地评价去噪后图像的质量。
先采用图像库图像进行实验如下：
本对比实验中，对图3a-3d加入不同噪声标准差σ＝10、σ＝15的高斯噪声图像进行去噪对比来验证所提模型对图像去噪的有效性。其中，图4-7为不同模型对加入标准差σ＝10高斯噪声图像处理后的实验图，图8为ROF模型、LLT模型以及本文模型处理后图像的第50行的特征线，表1-3为不同模型对加入不同程度高斯噪声的图像去噪后的图像的PSNR、SSIM、MAE。
从图4的Peppers图像局部放大结果可以看出，ROF模型对辣椒的表面过度的平滑，导致图像变得模糊；LLT模型处理后，辣椒的表面产生了许多黑白孤立点；文献36处理后辣椒表面仍存在噪声，文献19处理后能去除图像中存在的噪声，但也破坏了图像表面的平滑，文献12处理后仍留下一些黑白斑点，而本文模型对图像处理后，保留了图中辣椒表面的光泽，不存在过度去噪和破坏平滑区域的问题，说明了本文模型处理图像平滑区域的有效性。
图5是Lena图像局部放大的实验结果。ROF模型以及文献19对图像处理后，增强了边缘和纹理细节，但破坏了图像的平滑区域；LLT模型处理后保留了帽子部分的边缘，但是处理后图像留下了黑白孤立点，影响视觉效果；与其余去噪模型相比，本文模型对整个帽子的边缘和轮廓的边缘有明显的增强效果，同时较好地保留了图像中背景墙面等光滑区域，说明了本文模型在去噪时能较好地保留噪声图像的边缘。
图6和图7分别为Airplane图像和House图像去噪的实验结果。从图中可以看出，ROF模型处理后，破坏了图6b中云层的平滑区域，LLT模型处理的图6c中的字母部分变得模糊；文献36对图7a处理后，图像仍存在噪声，文献19对两幅图像处理后，图像变得模糊，文献12处理后，两幅图像仍有少量的黑白点。而本文模型处理后，图6a字母部分、云层的轮廓部分更加清晰，图7a中的房屋边缘更加明显，楼前的小路和树木整体轮廓更加清晰，这也进一步说明了本文模型能很好地平衡纹理区域的增强和平滑区域的保持。
从数据的角度分析，本文选取了一条图像特征线，特征线在灰度值上的适当波动表明图像细节丰富，而波动过大且过于频繁则表明图像受到了噪声的影响，本实验选取的特征线为图3a-d中图像第50行，图像的特征线数据波动曲线图如图8，本文模型所得曲线，在平滑噪声的同时，保留了原始图像的关键特征峰值；ROF模型曲线，去除了太多的峰值，曲线图过于平滑，破坏了原始图像的边缘和细节信息；而LLT模型所得曲线，不仅没能有效降低峰值，而相比于原图还引起了更大，更频繁的波动；又一次证明了本文模型的有效性。
从表1-表3数据也可以看出，本文模型处理后的图像PSNR值相对较大，SSIM更接近于1，MAE值相对较小，再一次说明，本文模型在尽可能保持平滑区域与原始图像一致的同时，增强了图像的边缘和纹理细节。
表1不同模型对加入不同强度噪声的4幅图像处理后的PSNR值
Figure BDA0003963604420000141
表2不同模型对加入不同强度噪声的4幅图像处理后的SSIM值
Figure BDA0003963604420000142
表3不同模型对加入不同强度噪声的4幅图像处理后的MAE值
Figure BDA0003963604420000143
Figure BDA0003963604420000151
下面采用真实眼科超声图像进行实验如下：
本实验对加入不同强度斑点噪声的图3e-g眼科超声图像进行去噪处理以验证本文模型对真实的超声图像去噪的有效性。实验结果如图9-11所示，其中图9为不同模型对加入0.02方差的斑点噪声的视网膜脱落图像处理后的结果，图10为不同模型对加入0.02方差的斑点噪声的脉络膜脱落图像去噪后的结果，图11为不同模型对加入0.02方差的斑点噪声的玻璃体积血图像处理后的结果。表4-6为各种模型对加入方差分为0.02、0.04、0.06的斑点噪声处理后图像的性能指标。
从图中可以看出，ROF模型虽然也能去除斑点噪声，但是它的去噪效果不是很理想，整体的亮度变暗了，图像整体变得模糊，难以分辨出病灶部分是视网膜脱落、脉络膜脱落还是玻璃体出血固化引起的玻璃体机化；LLT模型处理后或多或少的产生失真现象；而文献36、12处理后图像表现仍存在噪声；文献19去噪效果优于其余模型，但是去噪的同时模糊了图像边缘；从视觉上看，本文模型在去噪效果上是最优的，去噪图像的内部结构保存的较好，亮度信息也较其他模型有所提高，整个图像的外形保持也较好。
从表4-6列出的各个模型对于不同眼科超声图像在不同的噪声强度下的PSNR、SSIM和MAE也可以看出，随着噪声强度的增加，各个模型的指标值下降迅速，而本文模型的性能指标下降缓慢，且对于这三幅图像，本文模型在不同强度的噪声情况下，各个性能指标都要高于其余模型，这也从客观上反映出本文模型的有效性。通过实验对比证明本文模型不仅适用于合成图像，同样也适用于真实的超声图像。
表4不同模型对加入不同强度噪声的眼科图像处理后的PSNR值
Figure BDA0003963604420000161
表5不同模型对加入不同强度噪声的眼科图像处理后的SSIM值
Figure BDA0003963604420000162
表6不同模型对加入不同强度噪声的眼科图像处理后的MAE值
Figure BDA0003963604420000163
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都属于本发明的权利要求的保护范围。

Claims (10)

1.一种图像去噪方法，其特征在于，包括以下步骤：
步骤S1，构造基于自适应边缘检测算法的混合偏微分图像去噪模型，该模型利用分数阶边缘检测函数加权的方式结合ROF和LLT两种去噪模型；
步骤S2，根据图像的特征信息通过花授粉算法确定图像分数阶边缘函数的最优阶次v；
步骤S3，对所述去噪模型进行求解，输出去噪后图像u。
2.根据权利要求1所述的图像去噪方法，其特征在于，
所述混合偏微分图像去噪模型的能量函数如下：
Figure FDA0003963604410000011
其中，g是分数阶边缘检测函数：
Figure FDA0003963604410000012
式中，Ω为去噪后图像u(x,y)的定义域；
u0为含噪图像；
u为去噪后图像；
λ为Lagrange权重参数；
▽u为图像的梯度；
Figure FDA0003963604410000013
uxx，uxy，uyx，uyy均为去噪后图像u(x,y)的二阶导数；
γ＞0是为了保证g＜1而加的一个正数；
k＞0是对比度系数；
v是一个X×Y维阶次矩阵；
Figure FDA0003963604410000021
|Dvu0|是图像u0的分数阶梯度向量模。
3.根据权利要求2所述的图像去噪方法，其特征在于，
Figure FDA0003963604410000022
4.根据权利要求1所述的图像去噪方法，其特征在于，所述根据图像的特征信息通过花授粉算法确定分数阶阶次v，包括以下步骤：
步骤S21，设置花粉配子的个数n，随机初始化花粉配子的位置xi∈[0,2]、迭代次数d以及转换概率p；
步骤S22：根据公式15计算每个配子的局部最优值，计算每个花粉配子的适应度值，根据适应度值确定某个局部最优值作为全局最优值，其对应的位置为配子的全局最优值的位置，
v＝argmax[P(v)+S(v)-M(v)] (15)
其中，P，S和M分别表示图像的峰值信噪比、结构相似度和平均绝对误差；
步骤S23，判断是否达到了迭代次数，若达到迭代次数转到步骤S24，若没有达到迭代次数，则迭代次数加1，更新花粉配子的位置，并返回步骤S22；
步骤S24，输出全局最优解，即找到用于图像分数阶边缘函数的最优阶次v。
5.根据权利要求4所述的图像去噪方法，其特征在于，所述根据适应度值确定某个局部最优值作为全局最优值，是指最大的局部最优值作为全局最优值。
6.根据权利要求4所述的图像去噪方法，其特征在于，
峰值信噪比PSNR为：
Figure FDA0003963604410000031
结构相似度SSIM为：
Figure FDA0003963604410000032
平均绝对误差MAE为：
Figure FDA0003963604410000033
式中，(x,y)表示图像的大小，x和y分别表示图像的长和宽，图像的特征信息是μx和σx分别表示x的均值和方差，μy和σy分别表示y的均值和方差，σxy表示x和y的协方差，c1和c2表示稳定方程的常数。
7.根据权利要求1所述的图像去噪方法，其特征在于，所述更新花粉配子的位置，包括：
当p＞0.8时，采用全局搜索即根据公式11更新配子的位置，当p＜0.8时，采用局部搜索则根据公式13更新配子的位置，
全局搜索花粉的位置更新公式为：
Figure FDA0003963604410000034
其中，
Figure FDA0003963604410000035
为第i个花粉在第t次迭代下的位置矢量，
Figure FDA0003963604410000036
为第j个花粉在第t次迭代下的位置矢量，g*为当前所有迭代结果中发现的最优解，L(λ)为花授粉强度参数，且L(λ)＞0，其表达式如下：
Figure FDA0003963604410000041
式中，Γ(λ)是标准的gamma函数，s表示花粉配子移动时的大步幅，
局部搜索花粉的位置更新公式为：
Figure FDA0003963604410000042
其中，
Figure FDA0003963604410000043
和
Figure FDA0003963604410000044
分别表示来自同一植物不同花的花粉配子在第t次迭代时的位置矢量，ε表示在[0,1]上的独立均匀分布。
8.根据权利要求1所述的图像去噪方法，其特征在于，
对所述去噪模型进行求解，输出去噪后图像u，包括：
对所述去噪模型的能量函数采用有限差分法获得欧拉-拉格朗日方程；
通过梯度下降法求解欧拉-拉格朗日方程获得非线性偏微分方程；
通过将图像划分网格，将其在时间和空间离散，获得关于去噪后图像u的迭代的离散表示：
利用所述迭代的离散表示进行循环迭代计算去噪后图像u，直至达到设定循环次数，输出最终的去噪后图像u。
9.一种图像去噪装置，其特征在于，包括：
模型构造模块，用于构造基于自适应边缘检测算法的混合偏微分图像去噪模型，该模型利用分数阶边缘检测函数加权的方式结合ROF和LLT两种去噪模型；
最优阶次确定模块，用于根据图像的特征信息通过花授粉算法确定图像分数阶边缘函数的最优阶次v；
模型求解模块，用于对所述去噪模型进行求解，输出去噪后图像u。
10.一种电子装置，其特征在于，所述电子装置包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1至8中任一所述的图像去噪方法。
CN202211488189.4A 2022-11-25 2022-11-25 一种图像去噪方法及装置 Pending CN115731389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211488189.4A CN115731389A (zh) 2022-11-25 2022-11-25 一种图像去噪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211488189.4A CN115731389A (zh) 2022-11-25 2022-11-25 一种图像去噪方法及装置

Publications (1)

Publication Number Publication Date
CN115731389A true CN115731389A (zh) 2023-03-03

Family

ID=85298178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211488189.4A Pending CN115731389A (zh) 2022-11-25 2022-11-25 一种图像去噪方法及装置

Country Status (1)

Country Link
CN (1) CN115731389A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115452A (zh) * 2023-09-12 2023-11-24 澳门理工大学 可控的医学超声图像去噪方法、系统及计算机存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115452A (zh) * 2023-09-12 2023-11-24 澳门理工大学 可控的医学超声图像去噪方法、系统及计算机存储介质

Similar Documents

Publication Publication Date Title
Divakar et al. Image denoising via CNNs: An adversarial approach
CN108830818B (zh) 一种快速多聚焦图像融合方法
CN109886881B (zh) 人脸妆容去除方法
CN108399611B (zh) 基于梯度正则化的多聚焦图像融合方法
Lozes et al. Partial difference operators on weighted graphs for image processing on surfaces and point clouds
CN110473142B (zh) 基于深度学习的单幅图像超分辨率重建方法
Chen et al. Remote sensing image quality evaluation based on deep support value learning networks
CN104732492B (zh) 一种深度图像的去噪方法
CN104217406B (zh) 一种基于剪切波系数处理的sar图像降噪方法
Yin et al. Image denoising using trivariate prior model in nonsubsampled dual-tree complex contourlet transform domain and non-local means filter in spatial domain
CN107730482A (zh) 一种基于区域能量和方差的稀疏融合算法
CN104657951A (zh) 图像乘性噪声移除方法
CN113313702A (zh) 基于边界约束与颜色校正的航拍图像去雾方法
CN115731389A (zh) 一种图像去噪方法及装置
CN115100421A (zh) 一种基于图像频域分解重构的对抗样本生成方法
CN106934398B (zh) 基于超像素聚类和稀疏表示的图像去噪方法
Yap et al. A recursive soft-decision approach to blind image deconvolution
CN114862710A (zh) 红外和可见光图像融合方法及装置
CN106097257B (zh) 一种图像去噪方法及装置
Lan et al. Image denoising using non-local fuzzy means
CN109887023B (zh) 一种基于加权梯度幅度的双目融合立体图像质量评价方法
CN112819739A (zh) 一种扫描电子显微镜图像处理方法和系统
Wang et al. New insights into multi-focus image fusion: A fusion method based on multi-dictionary linear sparse representation and region fusion model
CN116844008A (zh) 一种注意力机制引导的内容感知无参考图像质量评价方法
Kugu Satellite image denoising using Bilateral Filter with SPEA2 optimized parameters

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