[發明專利]基于貝葉斯張量分解的相似塊堆聚圖像消噪方法及系統

在審

• 申請號: 201711030903.4
• 申請日: 2017-10-30
• 公開（公告）號: CN109727200A
• 公開（公告）日: 2019-05-07
• 發明（設計）人: 招浩華;張麗清;趙啟斌
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

一種基于貝葉斯張量分解的相似塊堆聚圖像消噪方法及系統，通過從原始圖像中劃分出若干圖像塊，將其中相似的圖像塊堆聚組成更高階的張量，對高階張量進行張量分解得到張量矩陣和噪聲精度的聯合概率，通過交替迭代法近似估計基于聯合概率的極大對數似然模型參數和超參數并得到消噪高階張量，最后將消噪高階張量中每個圖像塊復原后得到消噪后的低階圖像。

技術領域

本發明涉及的是一種圖像處理領域的技術，具體是一種基于貝葉斯張量并行因子分解的相似塊堆聚圖像消噪方法及系統。

背景技術

現代社會數字圖像的應用已經相當普及，人們對高質量圖像要求越來越高。但在圖像獲取過程中，由于環境的影響和設備的精度問題，獲取的圖像數據會包含各種噪聲，影響了圖像的視覺效果。減少圖像噪音的影響，盡可能地恢復圖像原來的信息具有廣泛的應用前景。對應各種不同的噪聲，傳統的消噪方法有：高斯低通濾波、均值濾波、中值濾波、小波變換消噪等。近年來基于圖像特征提取的方法越來越多地應用在這上面，譬如基于稀疏編碼的消噪算法、基于圖像非局部相似性的算法、基于深層神經網路的算法等。然而，這些方法都需要把噪音具體統計指標作為輸入變量，這個在實際圖像中一般是很難直接得到的。這些方法中很多需要復雜的參數調節或者需要使用大量數據進行訓練才能較好地完成某些特定場景下的消噪任務。

發明內容

本發明針對現有技術存在的上述不足，提出一種基于貝葉斯張量分解的相似塊堆聚圖像消噪方法及系統，只需要輸入含有噪音的圖像，在做了一個初步的預處理后之后，程序會把輸入圖像中的相似的小塊組合成高階張量，實現“堆聚”，然后利用的貝葉斯張量并行因子分解模型對張量的秩進行自動估計并進行張量分解，算出消噪結果并估計噪音方差，最后根據張量分解的結果對圖像進行重構可以有效估計無噪音圖像。

本發明是通過以下技術方案實現的：

本發明通過從原始圖像中劃分出若干圖像塊，將其中相似的圖像塊堆聚組成更高階的張量，對高階張量進行張量分解得到張量矩陣和噪聲精度的聯合概率，通過交替迭代法近似估計基于聯合概率的極大對數似然模型參數和超參數并得到消噪高階張量，最后將消噪高階張量中每個圖像塊復原后得到消噪后的低階圖像。

所述的原始圖像，具有三階張量，即空間水平、垂直方向和顏色維度。

所述的初步消噪圖像，是指在原圖像上進行高斯濾波等簡單操作后初步去除噪聲的圖像。

所述的圖像塊，通過用滑動窗口在圖像中取出的若干小圖像塊。

所述的堆聚是指：首先用相對大一點的滑動距離生成初步消噪圖像的參考圖像塊。對于每個參考圖像塊Y_i，在圖像中的一個更小的區域，以較小滑動距離的滑動窗口生成新的圖像塊，并從其中選擇與之最相似的圖像塊以組成初步消噪圖像塊組原始圖像相同位置的圖像塊則組成原始圖像塊組當原來的圖像塊是三階張量，現在加上相似的非局部結合，則得到四階張量；使用雙滑動窗口是為了選出與Y_i更相似的圖像塊。

所述的張量分解，即對得到的多個四階張量原始圖像塊組按張量并行因子模式進行分解。張量分解算法采用貝葉斯模型，模型中參數和超參數具有條件概率關系，算法中對模型中每個參數和超參數采用先固定其他參數計算其極大對數似然的最優值的交替迭代法計算出因子，其中每個原始圖像塊組的噪音精度參數τ根據原始圖像塊組與初步消噪圖像塊組之差設定初始值。

所述的張量重構，當張量分解迭代收斂時，根據得到的因子通過重構得到消噪高階張量

所述的復原是指：將消噪高階張量中每一個圖像塊提取出來并置于原始位置得到消噪后的低階圖像。優選地，當存在多個圖像塊重疊，則取平均值作為消噪后的圖像。