结合非局部先验的复合正则化图像去噪方法

摘要

本发明公开了一种基于图像多特征融合的非局部均值去噪方法，该方法改进了非局部均值去噪方法中图像块间相似度的计算方法，属于图像处理中的图像去噪的研究领域；传统的非局部均值方法采用欧氏距离或高斯加权的欧式距离来衡量块间相似度，这种方式存在一定的缺陷，容易引入不相似图像块，累计造成误差，尤其是在纹理细节区域，无法较好地保持图像的结构信息，降低了去噪性能。针对这样的问题，本方法根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混合相似度计算，最终确定相似图像块的权值分配。基于图像多特征融合的非局部均值去噪方法在去噪效果上得到了显著提升。

主权项

结合非局部先验的复合正则化图像去噪方法，其特征在于，以全变差变分去噪模型为基础，加入非局部结构自相似性的先验信息，建立非局部自相似性先验正则和全变差正则相结合的复合正则化图像去噪模型，并将一种混合相似度计算权值的方法引入非局部先验正则项，包括如下步骤：步骤一：建立图像去噪的全变差模型：假设图像的去噪模型为：f＝u+n，其中，f为观测到的含噪图像，u为原始真实图像，n为噪声，图像去噪的全变差模型为$\hat{u}=\underset{u}{\arg \min }\{\frac{\mu }{2}{\left|\right|u-f\left|\right|}_2^2+{\left|\right|▿u\left|\right|}_1\},$其中，第一项为数据保真项，要求f和u在L²范数意义下最相似即差异最小，第二项为全变差正则项，是对图像分片光滑的先验，用以保持边缘结构特征，μ为正则化参数；步骤二：根据图像中的结构自相似性先验信息，建立非局部结构自相似性正则项：假设一幅大小为N×N的图像u经向量化后，表示成u＝[x₁,x₂,…,x_N]∈R^N，P_i和P_j分别表示以x_i和x_j为中心的图像块，对于像素点x_i，在整幅图像中找出所有满足给定条件的相似点x_j，即当认为x_i和x_j是相似的，只要P_i和P_j的相似度大于某一阈值T，即图像中大量的结构自相似性表示为其中，w(x_i,x_j)为权函数，满足δ(x_i)是x_i的非局部邻域，是与x_i相似度大于阈值T的所有像素点x_j的集合，满足δ(x_i)＝{x_j|w(x_i,x_j)＞T}，此处，T＝0，为非局部邻域内的像素均分配一个大于0的权值，n_i是残差，写成矩阵—向量的形式u＝Au+N，其中，向量N∈R^N的第i个分量为n_i，矩阵A∈R^N×N由非局部权值构成，表示为u＝Au+N作为正则化中的先验信息来刻画图像的非局部结构自相似特征，非局部结构自相似正则化项表示为其中，I为N×N大小的单位矩阵；步骤三：在图像去噪的全变差模型中加入非局部结构自相似性正则项，建立复合正则化模型：$\hat{u}=\underset{u}{\arg \min }\{\frac{\mu }{2}{\left|\right|u-f\left|\right|}_2^2+{\left|\right|▿u\left|\right|}_1+\frac{\alpha }{2}{\left|\right|(I-A)u\left|\right|}_2^2\},$α为正则化参数；步骤四：采用分裂Bregman迭代法，求解复合正则化模型；步骤五：输出去噪后图像。