[發明專利]基于稀疏自適應字典的圖像去噪方法

有效

• 申請號: 201310161279.7
• 申請日: 2013-05-05
• 公開（公告）號: CN103218791A
• 公開（公告）日: 2013-07-24
• 發明（設計）人: 鐘樺;焦李成;武忠;潘秋灃;王爽;侯彪;馬晶晶;馬文萍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

技術領域

本發明屬于圖像處理技術領域，特別涉及含加性噪聲的圖像去噪方法，可用于自然圖像和醫學CT圖像的去噪。

背景技術

圖像去噪是圖像處理領域中的非常重要的一個問題。在采集獲取圖像過程，由于設備本身的問題以及在傳輸過程中的干擾，使得獲取到的圖像難免含有噪聲，從而降低了圖像的質量，對后續處理都帶來了影響。因此，圖像去噪是必要的，也是非常有意義的。在實際當中，大部分噪聲可以近似的認為是加性的高斯白噪聲，因此去除含噪圖像中的高斯白噪聲成為圖像去噪領域中一個非常重要的方向。

傳統的去噪方法一般可以分為兩類，一類是基于空域的方法，一類是基于變換域的方法。基于空域的去噪方法中，比較經典的方法有，中值濾波，高斯濾波，雙邊濾波，以及近幾年提出的非局部均值等方法。傳統經典的方法的共性是利用圖像灰度值在局部窗口內的連續性這個特征來修正像素值，從而進行去噪。這些方法的缺點是在去除噪聲的同時模糊了圖像的細節信息，例如圖像的邊緣，紋理等。非局部均值的方法的提出在一定程度上彌補了局部的缺點，它不僅利用圖像局部的連續性，也利用圖像內容的冗余性，從而取得了一定的效果。基于變換域的去噪方法中，具有代表意義的是小波域的各種去噪方法，小波對點的奇異性表示比較好，但由于它缺少方向性，對圖像邊緣、輪廓等線性奇異性的結構特征表示不是太好，為了解決這個問題，一些新的具有多尺度多方向特性的變換應運而生，如：Brushlet變換、Curvelet變換、Contourlet變換等。這些變換在一定程度上解決了小波的缺少方向性問題，但也不足以對圖像進行通用的表示。

基于冗余字典稀疏表示的去噪方法可以歸為基于變換域的圖像去噪方法，但是稀疏表示與小波以及多尺度不同的是，它是利用圖像信號的稀疏性這個特征，來區分噪聲和信號，從而進行圖像去噪。而在進行稀疏表示時，能否得到好的字典是十分關鍵的。在訓練字典的方法中，KSVD算法是典型代表。該算法利用離散余弦變換DCT初始化字典，通過含噪圖像中的數據來學習訓練，得到更新后的字典。因為是在含噪聲圖像塊組成的數據集訓練字典，這使得訓練出來的字典具有噪聲，從而影響了去噪效果。同時該方法中字典學習速度較慢，在訓練數據集較少時存在過學習的情況。在KSVD算法基礎上提出來的S-KSVD算法雖然提升了速度，同時減輕了KSVD過學習的缺點，但卻存在去噪效果相對較差的缺點。

發明內容

本發明的目的在于針對上述已有技術的不足，提出一種基于稀疏自適應字典的圖像去噪方法，以提高訓練字典的速度和對圖像的去噪效果。

實現本發明目的的技術思路是：根據數據和字典都具有稀疏性的特點，在字典學習過程中，更新原子時將新原子限制在已得字典的列空間內。

1.一種基于稀疏自適應字典的圖像去噪方法，包括如下步驟：

(1)對含噪圖像Ω中的任一點i，以其為中心選取大小為的鄰域塊，將鄰域塊列化為向量記為y_i，得到數據集Y＝{y_i|i∈1,2,...,N}，其中N為鄰域塊的個數；

(2)利用數據集Y訓練字典：

2a)設迭代次數J為15，字典中原子的個數M＝4n，初始字典D⁽⁰⁾為大小n×M的離散余弦字典,循環變量k＝1；

2b)對數據集Y中的每一列信號y_i，求解它在字典D^(k-1)上的編碼系數α_i,即利用正交匹配追蹤OMP方法求解如下優化問題得出α_i：