[發明專利]基于ICA和NLTV的圖像去噪方法

有效

• 申請號: 201611222995.1
• 申請日: 2016-12-26
• 公開（公告）號: CN106803239B
• 公開（公告）日: 2019-07-26
• 發明（設計）人: 金燕;蔣文宇;萬宇;趙羿;杜偉龍;王雪麗
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

基于ICA和NLTV的去噪方法，步驟如下：(1)首先輸入N×N大小的含噪圖像u₀；(2)設置本發明去噪方法中的相關參數；(3)對含噪圖像u₀進行NLTV第一輪去噪，得到初步去噪圖像u₁；(4)構建混合矩陣S，對S進行中心化后得到矩陣S_e，對S_e進行白化處理，得到處理結果Z；(5)建立初始解混矩陣B；(6)建立隨機列向量L；(7)對L進行迭代運算；(8)若滿足L迭代運算停止條件，則轉向步驟(9)，否則返回步驟(7)；(9)用迭代運算結果L替換B的一個列向量，如果B的每個列向量都被替換過一次，則轉向步驟(10)，否則返回步驟(6)；(10)進行W＝B^TS運算，得到u₂；(11)對u₂進行NLTV第二輪去噪，得到最后去噪結果圖像u_final。

技術領域

本發明屬于圖像處理技術領域，涉及了去除加性噪聲的圖像去噪領域。

背景技術

圖像去噪旨在通過對被噪聲污染的圖像進行某種處理，以降低噪聲對原始有用信息的影響，盡可能的還原出被噪聲污染前的原始圖像。

獨立分量分析(Independent Component Analysis，ICA)是20世紀 90年代發展起來的一種新的信號處理技術。基本的ICA是指從多個源信號的線性混合信號中分離出各源信號的技術。除了需要已知源信號是統計獨立外，無其他先驗知識，ICA是伴隨著盲信源問題而發展起來的，故又稱盲分離。在時間信號處理方面由于ICA可以在n個原信號和線性混合系數都未知的情況下可以把這n個原信號從他們線性混合成的n個混合信號中分離出來，并且它的假設條件僅是這n 個原信號之間是相互獨立的，所以ICA在時間信號分離方面具有良好的應用優勢。在圖像信號處理方面，加性噪聲圖像可以看成是噪聲與純凈圖像的線性相加，而實際中噪聲和原始純凈圖像一般是相互獨立的，符合ICA應用的假設條件，所以ICA可以應用在含有加性噪聲情況下的圖像去噪處理。

但ICA方法在進行圖像去噪時，需要至少2幅帶噪聲的圖像或者一幅純凈無噪圖像和一幅噪聲圖像，并且圖像之間相互獨立。在只能提供一幅含噪圖像的情況，ICA方法不具備圖像去噪應用條件。本發明將ICA和NLTV相結合進行圖像去噪。在對含加性噪聲的輸入含噪圖像進行NLTV初步去噪后，得到初步去噪圖像，這個初步去噪圖像在一定程度上可以認為是另一張帶噪聲圖像。再利用這二幅圖像，應用ICA方法進行圖像去噪。

GUY GILBOA和STANLEY OSHER提出的非局部TV模型 (Nonlocal TotalVariation,NLTV)是將GUY GILBOA和STANLEY OSHER提出的非局部算子(見文獻：NONLOCALOPERATORS WITH APPLICATIONS TO IMAGE PROCESSING.SIAM Multiscale Modeling andSimulation.Vol.7,No.3,pp.1005–1028)引入到 Rudin-Osher-Fatemi提出的總變分(Total Variation，TV)模型中得到的，NLTV模型具有在去除圖像噪聲的同時能較好地保留圖像的紋理細節的特點。本文中所提到的NLTV模型是指GUY GILBOA和 STANLEY OSHER提出的非局部TV模型。

發明內容

本發明要解決ICA技術只能應用于只有單一輸入含噪圖像情況下的圖像去噪問題的缺點，提出一種基于ICA和NLTV的圖像去噪方法，提高了ICA在圖像去噪領域的應用價值。