[發(fā)明專利]基于外部非局部自相似和改進(jìn)稀疏表示的圖像去噪方法

有效

• 申請?zhí)枺?/td>: 202011354601.4
• 申請日: 2020-11-26
• 公開（公告）號: CN112801884B
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計）人: 白同磊;牛小明;趙磊;冷成財
• 申請（專利權(quán)）人: 四川長虹電器股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/44;G06T7/90
• 代理公司: 四川省成都市天策商標(biāo)專利事務(wù)所(有限合伙) 51213
• 代理人: 趙以鵬

1.基于外部非局部自相似和改進(jìn)稀疏表示的圖像去噪方法，其特征在于，包含以下步驟：

(1)將外部干凈圖像數(shù)據(jù)集劃分成塊組；

(2)將外部干凈圖像的塊組分為外部平滑塊組和外部紋理塊組；

(3)學(xué)習(xí)外部平滑塊組先驗；

(4)通過高斯混合模型學(xué)習(xí)外部紋理塊組先驗；

(5)將噪聲圖像劃分成塊組；

(6)利用外部非局部自相似先驗指導(dǎo)噪聲圖像塊組聚類，同時計算噪聲圖像的平滑塊組比；

(7)利用平滑塊組比優(yōu)化稀疏表示模型的正則化參數(shù)，根據(jù)改進(jìn)的稀疏表示模型分別恢復(fù)每個子空間中的圖像塊；

所述步驟(1)將外部干凈圖像數(shù)據(jù)集劃分成塊組，包括，根據(jù)非局部自相似方法將外部干凈圖像數(shù)據(jù)集劃分成塊組，選定外部干凈圖像中的一個參考圖像塊，尺寸大小為p×p，利用歐氏距離，可以在搜索窗口W×W范圍內(nèi)找到與它最相似的M-1個圖像塊，進(jìn)而將M個相似圖像塊組成一個塊組；假設(shè)表示一個塊組，則代表由圖像塊中三個顏色通道組成的一個塊向量；去直流分量的塊組表示為：

其中，表示塊組X的直流分量；

所述步驟(2)將外部干凈圖像的塊組分為外部平滑塊組和外部紋理塊組，包括，計算每個塊組的方差，若塊組中圖像塊方差的最大值小于等于閾值ξ，則將此塊組為平滑塊組，將其標(biāo)記為若塊組中圖像塊方差的最大值大于閾值ξ，則將此塊組歸類為紋理塊組，將其標(biāo)記為

所述步驟(3)學(xué)習(xí)外部平滑塊組先驗，包括，假設(shè)從外部干凈圖像數(shù)據(jù)集中一共提取了N₁個平滑塊組，將外部平滑塊組空間表示為去除P_S的直流分量得接著求解P_S的協(xié)方差矩陣得最后得到外部平滑先驗子空間N(0,∑_k)，N(·)表示高斯分量；因為對P_S進(jìn)行了去直流處理，所以高斯分量N(0,∑_k)的均值為零向量；

所述步驟(4)通過高斯混合模型學(xué)習(xí)外部紋理塊組先驗，包括，假設(shè)從外部干凈圖像數(shù)據(jù)集中一共提取了N₂個紋理塊組，將紋理塊組空間表示為由于紋理塊組先驗屬于關(guān)鍵圖像信息，用高斯混合模型擬合塊組集合P_x的非局部自相似先驗，并用EM算法迭代J次來求解高斯混合模型的參數(shù)，若當(dāng)次迭代結(jié)果與上次迭代結(jié)果的差值小于迭代閾值θ，則提前結(jié)束迭代過程，最終得到K個外部紋理先驗子空間每個子空間N(0,∑_k)描述了某些特定紋理結(jié)構(gòu)的圖像信息，∑_k表示高斯分量的協(xié)方差矩陣；

所述步驟(5)將噪聲圖像劃分成塊組，包括，選定噪聲圖像中的一個參考圖像塊,大小為p×p，在搜索窗口W×W范圍內(nèi)找到與它最相似的M-1個圖像塊，將M個相似圖像塊組成一個塊組；假設(shè)表示噪聲圖像中的一個塊組，其中表示由圖像塊三個顏色通道結(jié)合而成的列向量；對塊組進(jìn)行去直流分量處理得：

其中，表示塊組的直流分量；

所述步驟(6)利用外部非局部自相似先驗指導(dǎo)噪聲圖像塊組聚類，同時計算噪聲圖像的平滑塊組比，包括，把外部先驗子空間作為參考子空間引導(dǎo)噪聲圖像塊組進(jìn)行聚類，把塊組投影到外部先驗子空間中，再利用概率估計的方法為噪聲圖像中的每個塊組找到最匹配的外部先驗子空間：

其中，表示塊組與第k個外部先驗子空間相匹配的概率，k＝1,2,3,…,K+1；假設(shè)從噪聲圖像中一共提取了L個塊組，其中與外部平滑先驗子空間N(0,∑_k)最匹配的塊組個數(shù)為L₀，則噪聲圖像的平滑塊組比為σ＝L₀/L；

所述步驟(7)利用平滑塊組比優(yōu)化稀疏表示模型的正則化參數(shù)，根據(jù)改進(jìn)的稀疏表示模型分別恢復(fù)每個子空間中的圖像塊，包括，假設(shè)與塊組最匹配的外部先驗子空間為N(0,∑_k)，對協(xié)方差矩陣∑_k進(jìn)行奇異值分解得：

其中，D_k是保存特征向量的外部字典，S_k是保存特征值的對角矩陣，對角陣S_k中特征值的大小表征了外部字典D_k中特征向量的重要程度；

根據(jù)稀疏表示模型原理，估計稀疏編碼系數(shù)得：

其中，D_k是由外部先驗子空間∑_k分解得到的外部字典，S_k是與D_k對應(yīng)的特征值矩陣，exp(·)表示指數(shù)函數(shù)，δ是人為設(shè)置的閾值，ε是趨近于零的正數(shù)；

利用外部字典D_k和稀疏編碼系數(shù)α_n,m對y_n,m進(jìn)行稀疏表示得：

y_n,m＝D_kα_n,m+μ_y (7)

其中，μ_y為塊組Y_n的直流分量，對去噪后的塊進(jìn)行聚合處理就可以恢復(fù)整個圖像；

稀疏編碼系數(shù)：

其中，λ是正則化參數(shù)，ε是趨近于零的正數(shù)。