基于区域划分和字典学的自然图像去噪方法

摘要

本发明公开了一种基于区域划分和字典学的自然图像去噪方法，主要解决基于KSVD的图像去噪方法在弱纹理区域出现模糊以及光滑区域出现伪纹理的问题。其实现方案是：用平稳小波变换去除含噪图像的高频信息，用primal sketch算法提取结构信息，将含噪图像划分为结构区域、纹理区域和光滑区域三个区域；用KSVD方法得到结构区域和纹理区域的字典；分别对三个区域进行去噪，并将去噪结果合并，得到去噪图像。本发明用区域划分和字典学相结合的思想，使字典学得到的字典自适应地对图像中的相应信号成分进行稀疏表示，有效地保持了图像的边缘和纹理信息，改善了去噪效果，可用于从含噪的低质量图像中获取高质量图像。

主权项

一种基于区域划分和字典学习的自然图像去噪方法，包括如下步骤：(1)输入待去噪的含噪图像I1；(2)对含噪图像I1进行平稳小波变换，得到一个低频子带L和三个高频子带H1,H2,H3，将高频子带H1,H2,H3系数全部置零，保持低频子带L系数不变，然后对低频子带和置零后的高频子带进行逆变换，得到重构后的图像I2；(3)利用primalsketch算法提取重构后图像I2的primal sketch草图，得到反映含噪图像I1的边缘的结构信息,利用该结构信息，将含噪图像I1分为结构区域E1和非结构区域E2；用块标准差统计的方法将含噪图像划分为非光滑区域E3和光滑区域E4，将非结构区域E2进一步划分为纹理区域E21和光滑区域E22；(4)对结构区域E1和纹理区域E21分别用KSVD算法学习得到结构区域E1的字典D1和纹理区域E21的字典D2；(5)对结构区域、纹理区域和光滑区域图像块进行去噪：对结构区域E1中标准差大于OMP算法阈值的图像块，用字典D1进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块用BM3D方法进行去噪，得到结构区域E1的去噪图像I3；对纹理区域E21中标准差大于OMP算法阈值的图像块，用字典D2进行稀疏表示去噪，对标准差小于OMP算法阈值的图像块，用BM3D方法进行去噪，得到纹理区域E21的去噪图像I4；对光滑区域E22用改进的非局部均值算法进行去噪，得到光滑区域E22的去噪图像I5；(6)将结构区域、纹理区域和光滑区域的去噪图像进行合并，得到最终去噪图像 I6，即I6=I3+I4+I5。