[發明專利]一種基于廣義自回歸異方差模型的噪聲方差估計方法

有效

• 申請號: 201510076452.2
• 申請日: 2015-02-11
• 公開（公告）號: CN104616266B
• 公開（公告）日: 2017-08-08
• 發明（設計）人: 張振軍
• 申請（專利權）人: 張振軍
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京市盈科律師事務所11344
• 代理人: 張瑞杰

1.一種基于廣義自回歸異方差模型的噪聲方差估計方法，其特征在于，包括以下步驟：

步驟1，讀取被噪聲污染的含噪圖像；

步驟2，對含噪圖像做非子采樣輪廓波變換；

步驟3，對步驟2中的每個高頻子帶系數矩陣做去均值濾波處理；

步驟4，將去均值濾波處理后的二維高頻子帶系數矩陣轉換為一維序列數據；

步驟5，對一維序列數據建立廣義自回歸異方差模型，并求得其殘差序列；

步驟6，對殘差序列建立統計學模型；

步驟7，根據步驟5中求得的殘差序列和步驟6的統計學模型，采用極大似然估計的方法計算統計學模型的參數；

步驟8，根據步驟7中統計學模型的參數求得含噪圖像中的噪聲的方差。

2.根據權利要求1所述的一種基于廣義自回歸異方差模型的噪聲方差估計方法，其特征在于，

所述步驟1的具體步驟為：

讀取被噪聲污染的含噪圖像g_x,y＝f_x,y+n_x,y，

其中：f_x,y為清晰圖像，n_x,y為噪聲圖像；含噪圖像g_x,y、清晰圖像f_x,y、噪聲圖像n_x,y的大小均為N×M；n_x,y服從均值為0、方差為σ²的正態分布；下標x,y分別表示圖像的行坐標與列坐標，1≤x≤N,1≤y≤M；

所述步驟2的具體步驟為：

對含噪圖像g_x,y做L級非子采樣輪廓波變換，即NSCT，其中，在第i級的方向數為2^i-1，得到大小為N×M的低頻子帶系數矩陣和各級各方向上的高頻子帶系數矩陣高頻子帶系數矩陣的個數為1≤i≤L,1≤j≤2^i-1，j為在第i級上的方向數，L為大于2的自然數；

其中，為f_x,y的NSCT的系數矩陣，為n_x,y的NSCT的系數矩陣。

3.根據權利要求2所述的一種基于廣義自回歸異方差模型的噪聲方差估計方法，其特征在于，所述步驟3的具體步驟為：

采用以下公式對每個高頻子帶系數矩陣去均值濾波處理，

其中，為系數矩陣去均值濾波處理后得到的矩陣。

4.根據權利要求3所述的一種基于廣義自回歸異方差模型的噪聲方差估計方法，其特征在于，所述步驟4的具體步驟為：

按照從左到右、從上到下的順序依次回形讀取去均值濾波后的二維系數矩陣中的元素，得到一維序列數據序列數據既包含有噪聲圖像的信息，又包含有清晰圖像的信息。

5.根據權利要求4所述的一種基于廣義自回歸異方差模型的噪聲方差估計方法，其特征在于，所述步驟5的具體步驟為：

對一維序列數據建立r階廣義自回歸異方差模型，r為大于3的自然數，

為均值為0的殘差序列，

采用Gram-Schmidt正交法確定廣義自回歸異方差模型的階數r，采用最小二乘估計的方法求得廣義自回歸異方差模型的自回歸系數進而得到均值為0的殘差序列

所述殘差序列包括兩部分：其中，為清晰圖像的殘差信息，為噪聲圖像的殘差信息。

6.根據權利要求5所述的一種基于廣義自回歸異方差模型的噪聲方差估計方法，其特征在于，所述步驟6的具體步驟為：

用均值為0、方差為(σ^(i,j))²的正態分布模型對噪聲圖像的殘差信息建模，得到模型：

用(1,1)階廣義自回歸異方差模型GARCH(1,1)對清晰圖像的殘差信息建模，得到模型：

其中：α₀＞0,α₁≥0,β₁≥0，α₁+β₁＜1；

從而，殘差序列服從的統計學模型為：

所述統計學模型中包含的參數有