[發明專利]基于超像素聚類和稀疏表示的圖像去噪方法

有效

• 申請號: 201710138742.4
• 申請日: 2017-03-09
• 公開（公告）號: CN106934398B
• 公開（公告）日: 2019-11-01
• 發明（設計）人: 王海;肖雪;趙偉;劉巖;秦紅波
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/40
• 分類號: G06K9/40;G06T5/00;G06K9/46;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 韋全生;王品華

本發明提出了一種基于超像素聚類和稀疏表示的圖像去噪方法，用于解決現有圖像去噪方法中存在的去噪圖像峰值信噪比低和細節信息丟失的技術問題，實現步驟：1.輸入一幅待去噪圖像；2.對圖像進行超像素分割和超像素聚類，得到多簇相似超像素；3.對每簇相似超像素分別進行圖像塊提取和字典訓練；4.計算每個圖像塊在對應的字典下的稀疏系數；5.尋找每個圖像塊的相似圖像塊，并計算相似圖像塊的稀疏系數加權和；6.利用相似圖像塊的稀疏系數加權和，對每個圖像塊的稀疏分解過程進行約束，得到新稀疏系數；7.判斷當前迭代次數是否大于最大迭代次數Λ，若是，執行步驟8，否則，迭代次數加1，執行步驟5；8.重構待去噪圖像，得到去噪圖像。

技術領域

本發明屬于數字圖像處理技術領域，涉及一種圖像去噪方法，特別涉及一種基于超像素聚類和稀疏表示的圖像去噪方法，可應用于圖像分類、目標識別、邊緣檢測等要求對圖像進行去噪預處理的場合。

背景技術

由于受到成像設備和成像環境的限制，數字圖像在采集、轉換或傳輸的過程中不可避免地受到噪聲的污染。噪聲的存在使得圖像質量下降，并影響到后續圖像處理。為了獲得高質量的圖像，就必須對圖像進行去噪處理。因此，圖像去噪在圖像處理領域占據著重要的地位。

隨著國內外圖像去噪技術不斷發展，研究人員相繼提出了許多圖像去噪方法。目前圖像去噪方法主要分為三類：空間域去噪方法，頻率域去噪方法，稀疏變換域去噪方法?？臻g域去噪方法主要是利用局部窗口內像素灰度值的連續性來對當前像素點的灰度值進行調整，達到去噪的目的。該類去噪方法主要包括均值濾波，中值濾波、非局部均值濾波(non-local means,NLM)等，其中最經典的是NLM算法。NLM算法通過對相似圖像塊做加權平均來估計參考塊的中心點，從而降低噪聲，雖然NLM算法相比其它空間域去噪方法，取得了較好的去噪效果，但是峰值信噪比仍然較低，同時去噪后的圖像邊緣、紋理區域模糊。

頻率域去噪方法主要是將圖像從空間域變換到頻率域，再對頻率域系數進行處理，最后將頻率域系數反變換到空間域，得到去噪后的圖像，該類去噪方法主要包括小波變換去噪方法和多尺度幾何分析。小波變換去噪方法缺少方向選擇性，不適宜表示圖像邊緣、輪廓等線性奇異性的結構特征，且過于依賴閾值的選擇，導致其去噪效果差。多尺度幾何分析缺乏靈活性，對不同的結構特征需要選擇不同的變換，而一幅圖像含有多種不同的結構。

稀疏變換域去噪方法主要通過對含噪圖像進行學習，得到能夠反映圖像特征的字典，然后利用得到的字典對圖像進行重構，從而達到去噪的目的。這類去噪方法中比較經典的方法有K-SVD算法。K-SVD算法在提取的圖像塊中隨機選取若干圖像塊作為訓練樣本，訓練得到具有數據自適應性的字典，但由于隨機選取若干圖像塊作為訓練樣本的操作忽視了圖像的結構特征、邊緣特征和紋理特征，導致得到的字典不能對圖像的這些特征進行很好地描述，并且由于訓練得到的字典存在噪聲，導致稀疏分解得到的稀疏系數圖像信息的描述不準確，最終導致去噪圖像峰值信噪比較低，邊緣、紋理等細節信息丟失，圖像去噪效果差。

發明內容

本發明的目的在于克服上述現有技術存在的缺陷，提出了一種基于超像素聚類和稀疏表示的圖像去噪方法，用以解決現有圖像去噪方法中存在的去噪圖像峰值信噪比低和細節信息丟失的技術問題。

為實現上述目的，本發明采取的技術方案包括如下步驟：

步驟1，輸入一幅含有標準方差為δ的高斯白噪聲的圖像I_n；