[發(fā)明專利]基于聯(lián)合相似性的非局部均值去噪方法

有效

• 申請?zhí)枺?/td>: 201110282126.9
• 申請日: 2011-09-21
• 公開（公告）號: CN102298774A
• 公開（公告）日: 2011-12-28
• 發(fā)明（設(shè)計）人: 鐘樺;焦李成;韓攀攀;王桂婷;侯彪;王爽;張小華;田小林
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于聯(lián)合相似性的非局部均值去噪方法，可用于對自然圖像的去噪處理。

背景技術(shù)

圖像信息以其信息量大、傳輸速度快、作用距離遠(yuǎn)等優(yōu)點成為人類獲取信息的重要來源及利用信息的重要手段，而現(xiàn)實中的圖像由于種種原因都是帶有噪聲的。噪聲惡化了圖像質(zhì)量，使圖像模糊甚至淹沒和改變特征，給圖像分析和識別帶來困難。為了去除噪聲，會引起圖像邊緣的模糊和一些紋理細(xì)節(jié)的丟失。反之，對圖像進(jìn)行邊緣增強(qiáng)也會同時增強(qiáng)噪聲。因此在去除噪聲的同時，要求最小限度的減小圖像的信息，保持圖像的原貌。

傳統(tǒng)的去噪方法大致可以分為兩類，一類是基于空域的方法，一類是基于變換域的方法。空域去噪方法中比較經(jīng)典的方法包括高斯濾波，中值濾波，雙邊濾波等。它們的共同特點就是利用局部窗口內(nèi)像素灰度值的連續(xù)性來對當(dāng)前像素進(jìn)行灰度調(diào)整。這些方法大都在去除噪聲的同時模糊了圖像的細(xì)節(jié)信息，例如圖像的邊緣，紋理等。

由于自然圖像，特別是紋理圖像所含信息具有一定的冗余性，Buades等人提出了一種非局部均值的去噪方法。該方法以當(dāng)前像素為中心取大小一定的窗口，在整幅圖像內(nèi)尋找與其具有相似結(jié)構(gòu)的窗口，以窗口之間的相似度為權(quán)值對當(dāng)前像素的灰度值進(jìn)行調(diào)整。由于這種方法在去噪領(lǐng)域良好的性能，自提出以來迅速引起眾多學(xué)者的廣泛關(guān)注，但是它仍然存在以下問題：1：算法復(fù)雜性比較大；2：權(quán)值計算準(zhǔn)確性欠佳；3：圖像的邊緣與細(xì)節(jié)仍存在一定程度的模糊。

非局部均值算法里兩個像素點之間的相似性是通過以它們兩者為中心的塊得到，即用塊的相似性表示點的相似性，首先，計算兩像素點對應(yīng)塊之間的距離；然后，根據(jù)不同的權(quán)值函數(shù)得到兩像素點之間的權(quán)值，權(quán)值越大，兩像素點越相似。NL方法中對應(yīng)的權(quán)值函數(shù)是指數(shù)形式，其表示兩像素點對應(yīng)塊之間的歐氏距離越小，則兩像素點之間的權(quán)值越大，這是從實際物理意義上考慮的，但這種指數(shù)形式的權(quán)值函數(shù)存在參數(shù)難以自適應(yīng)以及相似點之間權(quán)值分布不穩(wěn)定的缺陷；BNL方法中認(rèn)為兩相似點對應(yīng)塊之間的歐氏距離經(jīng)過修正后服從卡方分布，并將這種卡方分布轉(zhuǎn)變成高斯分布，設(shè)計了一種基于概率分布的權(quán)值函數(shù)，但是這種權(quán)值函數(shù)在兩相似點之間距離很小的時候權(quán)值也很小，這在實際物理意義下是錯誤的。

綜上，無論是NL方法還是BNL方法，它們的權(quán)值函數(shù)都存在缺陷，這導(dǎo)致它們對像素點之間的相似性計算并不精確，使圖像像素恢復(fù)值偏離其真實值過大。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了基于聯(lián)合相似性的非局部均值去噪方法，通過推導(dǎo)并設(shè)計出一種新的權(quán)值函數(shù)，使得相似點相似性計算更加精確，進(jìn)一步提高圖像去噪效果。

實現(xiàn)本發(fā)明目的的技術(shù)方案包括如下步驟：

(1)對輸入的含噪自然圖像中待修正像素點x_i的搜尋區(qū)域像素點x_j，進(jìn)行塊的均值和方差預(yù)選取，得到像素點x_i的相似集合，i從1到I×I，I×I表示輸入圖像的大小，j從1到N×N，N×N表示以待修正像素點x_i為中心的搜尋區(qū)域的大小；

(2)對滿足預(yù)選取條件的點，計算待修正像素點與其相似集合內(nèi)像素點之間的歐氏距離，并對歐氏距離修正，得到距離d(v(x_i)，v(x_j))，該距離服從高斯分布，v(x_i)是以x_i為中心的M×M大小的塊，v(x_j)是以x_j為中心的M×M大小的塊；

(3)根據(jù)上述距離d(v(x_i)，v(x_j))，利用如下公式計算計算待修正像素點x_i與其相似集合內(nèi)點x_j之間的權(quán)值w(v(x_i)，v(x_j))：