基于非局部萎缩因子参数估计的图像去噪方法

摘要

本发明公开了一种基于非局部萎缩因子参数估计的图像去噪方法，主要克服自然图像原始自适应萎缩去噪中的边缘吉布斯效应明显、视觉质量不理想的问题。其实现过程是：(1)对输入的自然图像进行多尺度变换，得到需处理的子带系数；(2)对子带系数进行初始掩码估计；(3)依次计算子带系数的似然比、先验比和初始萎缩因子；(4)根据子带系数计算非局部滤波子带权重；(5)根据非局部滤波子带权重更新初始萎缩因子；(6)根据非局部权重萎缩因子更新子带系数；(7)用更新的子带系数进行多尺度反变换得到去噪结果。本发明能很好的减弱吉布斯效应，得到较高的PSNR值，可用于对自然图像的去噪处理中。

主权项

1.一种基于非局部萎缩因子参数估计的图像去噪方法，包括如下步骤：1)对输入的含噪图像c进行多尺度变换，将其分解为K＝4层子带，每层子带分解为L＝4个方向，子带系数为：k＝1，…K；l＝1，…L；j＝1，2…512·512，最低频子带系数不作处理；2)对子带系数进行初始掩码估计，得到掩码估计值${\hat{x}}_{k.j}^l=\left\{\begin{array}{c}0,|c_{k.j}^l·{\hat{y}}_{k,j}^l|<{\left({\delta }^l\right)}^2\\ 1,|c_{k,j}^l·{\hat{y}}_{k,j}^l|{\left({\delta }^l\right)}^2\end{array}\right.,$δ^l为Donoho提出的鲁棒中值阈值：${\delta }^l=\mathrm{Median}\left(\right|c_{k,j}^l-\mathrm{Median}\left(c_{k,j}^l\right)\left|\right)/0.6745,$Median是指取中值；为子带系数的无斑系数，取3)计算子带系数的似然比和方向性先验比${\xi }_{k,j}^l=\left\{\begin{array}{c}\exp (-\alpha ),m_{k,j}^l<(1-\delta )T_{k,j}^l\\ \frac{m_{k,j}^l-(1-\alpha )T_{k,j}^l}{(1+\alpha )T_{k,j}^l-m_{k,j}^l},(1-\delta )T_{k,j}^l\le m_{k,j}^i\le (1+\delta )T_{k,j}^l\\ \exp \left(\alpha \right),m_{k,j}^l>(1+\delta )T_{k,j}^l\end{array}\right.,$其中，是对应的方向块阈值；δ是方向块控制参数，取值为0.5；α是似然比公式参数，取值为0.5；是子带系数的模值；${{\eta }^l}_{k,j}=\exp \{\gamma ·\underset{i=\left\{\mathrm{1,2,3,4}\right\}}{\max }[\underset{k\in {\partial }_i}{\Sigma }{2\hat{x}}_{k,j}^l-1\left]\right\},$其中，γ是似然比控制参数，取值为0.5；为四个方向各向异性模型；4)根据似然比和方向性先验比计算子带系数的初始萎缩因子${\rho }_{k,j}^l=\frac{{\eta }_{k,j}^l{\xi }_{k,j}^l}{1+{\eta }_{k,j}^l{\xi }_{k,j}^l};$5)用非局部方法，在以子带系数为中心的W×W的搜索窗Δ内对初始萎缩因子进行修正，得到修正后的非局部萎缩因子${{\rho }_{k,j}^l}^{\prime }=\frac{\underset{i=1}{\overset{r}{\Sigma }}{\rho }_{k,j}^l·\omega (x_{k,j}^l,x_{k,i}^l)}{\underset{i=1}{\overset{r}{\Sigma }}\omega (x_{k,j}^l,x_{k,i}^l)},r=\mathrm{1,2},...W·W,$其中W是搜索窗Δ的尺度，W＝21；是搜索窗Δ内预与进行相似性比较的子带系数，$\omega (x_{k,j}^l,x_{k,i}^l)=\exp (-\frac{1}{h^2}d({\Lambda }_u,{\Lambda }_v))$是子带系数与的权重，Λ_u，Λ_v分别表示搜索窗Δ内以子带系数为中心的大小为M×M的块，M取7；d(Λ_u，Λ_v)是Λ_u与Λ_v的相似性，通过高斯加权的欧氏距离来衡量，即：其中Λ_u，r、Λ_v，r分别是Λ_u和Λ_v的第r个系数值；h是平滑参数，h＝0.5σ，其中σ是搜索窗Δ的标准差；6)用非局部萎缩因子更新子带系数得到新的子带系数：${c_{k,j}^l}^{\prime }=c_{k,j}^l·{{\rho }_{k,j}^l}^{\prime },k=2,···K;l=1,···L;j=\mathrm{1,2}···512·512;$7)用最低频子带系数与新的子带系数进行多尺度反变换，得到去噪后的图像。