基于改进的形状自适应窗口的图像去噪方法

摘要

本发明公开了一种基于改进的形状自适应窗口的图像去噪方法，主要解决现有方法无法很准确地得到图像中每一个像素点的自适应窗口，不能有效地对图像进行去噪的问题，实现步骤为：(1)将加噪图进行一次滤波，得到一次滤波结果；(2)对每一个像素点，以当前点为中心，在一次滤波基础上计算相似窗口内每一个像素点到中心像素点的测地距离，得到每一个像素点的自适应窗口；(3)利用自适应窗口在搜索窗内进行均值预选取，得到比较准确的相似点集合，(4)按照非局部的方法对相似点集合加权平均，得到去噪结果。本发明提高了每一个像素点自适应窗口的准确度，能够更好地在平滑噪声的同时保持图像的边缘细节信息，可以用于自然图像的去噪。

主权项

1.一种基于改进的形状自适应窗口的图像去噪方法，包括如下步骤：(1)将输入的含噪自然图像z进行一次滤波，得到一次滤波结果(2)假设一次滤波结果服从高斯分布，在中以待修正像素点x_i为中心的相似窗内按照以下公式建立高斯模型：$P_{x_i}\left(x_j\right)=\frac{1}{\sqrt{2\pi }{\sigma }_{x_i}}\exp [-\frac{1}{2}{\left(\frac{x_j-{\mu }_{x_i}}{{\sigma }_{x_i}}\right)}^2]$其中，x_i为待修正像素点，i＝1，2，3…C，C为输入含噪图像z的大小，x_j为以待修正像素点x_i为中心的相似窗内的其余像素点，j＝1，2，3…N×N，N×N为相似窗口大小，N＝11，为待修正像素点x_i的均值，为待修正像素点x_i的方差，表示在相似窗口内按照高斯模型其余各像素点x_j占待修正像素点x_i的概率，；(3)将作为计算测地距离的权值概率矩阵，根据权值按照求最短路径的狄杰斯特拉方法计算相似窗口内其余各像素点x_j到待修正像素点x_i的测地距离并将的像素集合作为待修正像素点x_i的改进后的自适应窗口s(x_i)，T取值为1.5；(4)对搜索窗内的像素点按照公式：|mean(s(x_i))-mean(s(x_l))|＞3σ/num进行均值预选取，得到待修正像素点在搜索窗内更准确的相似像素点集合，其中，x_l为搜索窗内其余各点，l＝1，2，3…M×M，M×M为搜索窗大小，M＝21，s(x_i)为待修正点x_i改进后的自适应窗口，s(x_l)为与s(x_i)形状相同的窗，该窗以像素点x_l为中心，mean代表取均值，σ为噪声方差，num为自适应窗口内像素点的个数，；(5)计算待修正的点x_i与其相似集合内的所有满足预选取的点x_k的欧式距离：$d(s\left(x_i\right),s\left(x_k\right))=\underset{m=1}{\overset{M\times M}{\Sigma }}\left({(s^{\left(m\right)}\left(x_i\right)-s^{\left(m\right)}\left(x_k\right))}^2\right)$其中，x_k是以x_i为中心的搜索窗内中满足预选取的像素点，k＝1，2，3…M×M，s(x_k)为与s(x_i)形状相同的窗，该窗以像素点x_k为中心，s^(m)(x_i)表示块s(x_i)的第m个像素，s^(m)(x_k)表示块s(x_k)的第m个像素，M为搜索窗口半径，大小为21；(6)利用权值公式，计算欧式距离d(s(x_i)，s(x_k))所对应的权值：$w(s\left(x_i\right),s\left(x_k\right))=\frac{1}{Z\left(x_i\right)}\exp (-\frac{d(s\left(x_i\right),s\left(x_k\right))}{h^2})$其中为权值归一化因子，参数h控制指数函数的衰减速度，h＝(0.7σ)²×N×N，N为相似窗口半径，大小为11，σ为噪声方差；(7)对搜索窗口内满足预选取的所有像素点x_k进行加权平均，得到待修正像素点x_i修正后的灰度值z′(x_i)：$z^{\prime }\left(x_i\right)=\underset{k=1}{\overset{M\times M}{\Sigma }}z\left(x_k\right)w(s\left(x_i\right),s\left(x_k\right))$其中，z(x_k)为像素点x_k输入的含噪自然图像的灰度值，M为搜索窗口半径，大小为21；(8)用像素点x_i修正后的灰度值z′(x_i)，取代输入的含噪自然图像z中像素点的灰度值z(x_i)，得到图像点的最终去噪结果z′(x_i)；(9)重复步骤(4)到(8)，对图像中每一个像素点进行修正，得到整幅图像的最终去噪结果z′。