[发明专利]基于可操纵金字塔的统计模型图像去噪方法

说明书

技术领域

本发明属于图像处理领域，是涉及自然图像去噪的方法，可用于计算机视觉和信号处理等领域。

技术背景

自然图像去噪在计算机视觉、模式识别和信号处理等领域是十分重要的技术，且去噪的目的在于最大化去除噪声的同时尽量保持原始图像的边缘和纹理信息。自然图像通常都含有大量的边缘和纹理信息，如帽子的边缘和衣服上的条纹等，而传统的去噪方法对这些复杂的信息比较敏感，这就会导致去噪结果中存在严重的边缘和纹理模糊现象。又由于自然图像经过多尺度变换后，其变换系数的分布呈现“高尖峰重拖尾”状，且这些系数在各尺度内和尺度间存在很强的相关性，而要寻求能最优描述图像变换系数真实分布的统计模型是一个非常具有挑战性的工作。

针对自然图像的以上特点，其去噪方法基本可归纳为基于空域滤波和基于变换域滤波两大类去噪方法。

1.基于空域滤波的自然图像去噪方法，主要包括以下两种：

1)基于统计平滑的去噪方法，这种方法主要是利用图像像素的均值、中值或方差等统计信息来平滑图像的像素，而这种平滑技术通常都会导致图像整体的模糊。

2)基于阈值处理的去噪方法，这种方法通常都是先选取一个阈值，然后将大于阈值的像素保留，小于阈值的像素置零，虽然这种方法能有效去除噪声，但其去噪比较盲目，边缘等信息损失严重，而且去噪结果过度依赖于所选取的阈值。

以上这些方法都是直接对自然图像的像素进行处理，虽然都考虑了图像像素的统计特性，但都不充分，所以会导致去噪结果很差。

2.基于变换域滤波的自然图像去噪方法，包括以下几种：

1)基于小波变换的去噪方法：

1a)基于小波变换的阈值去噪方法，这种方法在对图像进行了小波变换后，根据小波系数间的统计特性来选取恰当的阈值进行阈值处理，但由于小波变换不具备各向异性特性，不能对图像中的方向信息做出最优表示，从而导致了去噪结果的边缘模糊，再者，去噪结果也在很大程度上依赖于阈值的选取。

1b)基于小波变换的隐马尔可夫树HMT模型去噪方法，这种方法是对图像的小波系数建立HMT模型，以此来捕捉小波系数在尺度间和尺度内的相关性，该方法除了小波变换的各向同性缺陷外，HMT模型参数的训练复杂度很高，而且参数训练的好坏在一定程度上依赖于参数的初始化。

2)基于轮廓波变换的去噪方法：这种方法先对图像进行轮廓波变换，然后再选取阈值方法或统计模型方法来对变换系数做处理，虽然轮廓波克服了小波各向同性的问题，但由于其在分解过程中用到的拉普拉斯分解和下采样操作会导致频谱混叠，而且，它在频域是各层细分的，这就在一定程度上限制了它的应用。

3)基于高斯尺度混合模型GSM的去噪方法，参见Javier Portilla，Vasily Strela，Martin J.Wainwrignt，and Eero P.Simoncelli.Image Denoising Using Scale Mixtures of Gaussians in the Wavelet Domain.[J]IEEE Transactions on Image Processing，vol.12，no.11，pp：1338-1351，2003。这种方法首先对图像进行可操纵金字塔SP变换，然后对变换系数子带的邻域进行高斯尺度混合GSM建模，最后用贝叶斯最小均方误差的方法来去噪，但由于在进行高斯尺度混合GSM建模的过程中，该方法假设系数的协方差矩阵在整个子带中是不变的，这就导致了该方法的协方差矩阵不具备自适应性，而且，由于可操纵金字塔SP变换是一种冗余的多方向分解变换，其去噪结果中难免会引入一些划痕，即吉布斯伪影，影响去噪效果。

发明内容

本发明的目的在于克服上述已有方法的不足，在基于可操纵金字塔SP的高斯尺度混合GSM模型的基础上提出了一种基于局部块和全变差TV操作的自然图像去噪方法，该方法通过局部块操作实现自适应性，结合全变差TV操作消除去噪结果中的吉布斯伪影，提高去噪效果。

实现本发明目的的具体方案是：首先对图像进行可操纵金字塔SP变换，然后将变换后的每个系数方向子带划分成相互重叠的一定大小的子块，再对每个子块进行高斯尺度混合GSM建模，在建模的过程中，同时考虑子带内和相邻尺度子带间的相关性，最后通过贝叶斯和全变差方法的处理，得到了边缘和纹理信息保持很好的去噪结果。其具体实现过程如下：

(1)对大小为L×L的干净自然图像加入空间不变的标准差为σ的零均值高斯白噪声，得到含噪图像；