[发明专利]一种利用全变差最小化和灰度共生矩阵的图像去噪方法

说明书

技术领域

本发明涉及的是一种图像处理方法。

背景技术

在图像成像及传输过程中，难免会受到各种噪声的干扰，给图像的后续使用和解析带来很多不利影响。因此，图像去噪是数字图像处理的基本任务之一，是图像特征提取、分割和模式识别等图像操作的前提。

近年来，RUDIN等人提出的基于全变差最小化的图像去噪方法因其在去噪的同时能够有效地保护图像边缘而在图像去噪领域得到广泛的研究及应用，受到越来越多研究者的重视。通常含噪图像的全变差比不含噪图像的全变差明显大，全变差最小化去噪的基本思想就是通过减少图像的全变差以达到去噪的目的。其实质是先将图像去噪问题转化为一个泛函求极值问题，再使用变分法导出一个欧拉-拉格朗日方程。然后在给定初始条件和边界条件下，通过数值计算求解出去噪图像。但该去噪模型易将噪声所在位置当做图像边缘的来处理，在图像平滑区域产生阶梯效应。

为了解决全变差最小化去噪模型的不足，很多学者对该模型提出了许多改进方法。Chambolle提出一种自适应全变差去噪模型，通过比较梯度模值和给定阈值之间的大小关系来判断是使用全变差最小化模型还是各项同性扩散模型来对图像进行去噪处理。其实质是在利用全变差最小化去噪模型能够保护图像边缘性质的同时，在图像非边缘区域使用各项同性扩散去噪模型抑制噪声，取得了不错的去噪效果。但是，该模型对阈值的选取较为敏感，而且使用梯度模值来判断图像边缘的位置精度不高，容易误判。

因此，如何利用含噪图像自身的信息，找到一种切实有效的方法来检测图像边缘等纹理信息，将含噪图像的纹理区域和平滑区域区分开，并使用一定的技术手段在含噪图像上两种不同区域上自适应的选择全变差最小化去噪方法或各项同性扩散去噪方法来进行处理，是很多研究人员不断努力的目标。

发明内容

本发明的目的在于提供在尽可能不破坏图像原始有用信息和完整性的前提下，在去除噪声的同时很好地保护边缘，减少或者消除阶梯效应的影响的一种利用全变差最小化和灰度共生矩阵的图像去噪方法。

本发明的目的是这样实现的：

本发明一种利用全变差最小化和灰度共生矩阵的图像去噪方法，其特征是：

（1）对原始含噪图像进行高斯滤波：

设含噪图像为X，其大小为M×N，灰度级范围为[0,255]，用高斯滤波器对图像X进行预处理，去掉非边缘区域孤立的噪声点，其中高斯滤波器的窗口大小为G×G、方差为σ，经过高斯滤波后的得到的图像记为X′；

（2）使用检测窗遍历由步骤（1）得到的图像，求出每个检测窗内子图像块的四个灰度共生矩阵：

1）将图像X′的灰度级由256降为32：

则X′的灰度值范围变为[1,32]；

2）选取大小为M_x×M_y的检测窗口在图像X′上沿水平和垂直方向上移动，每次移动1个像素距离，截取出大小为M_x×M_y的子图像块，并记在图像X′上点(i,j)处截取的子图像块为X_i,j，(i＝1,?,M,j＝1,?,N)；

在使用检测窗口移动前，将图像在左侧、右侧、顶部和底部四个方向分别依次扩展行和列：

在顶部和底部：

在左侧和右侧：

其中表示向下取整，M、N表示原始图像的行和列，M_x、M_y表示检测窗口的行和列，得到新的X′，有X′＝X′′′，X′的大小变为

3）计算上述每个子图像块四个方向上的灰度共生矩阵：子图像块X_i,j生成的灰度共生矩阵记为表示从灰度值为m的点到灰度值为n的点的概率，其中灰度值为m，n两点间距离为d，两点连线与x轴的夹角为θ，取θ=0°,45°,90°,135°四个方向，则得到子图像块X_i,j的四个灰度共生矩阵；

（3）由步骤（2）中得到的灰度共生矩阵求对比度图像：

定义一个大小为M×N的零矩阵CON，对以上求出的每个图像子块X_i,j(i＝1,...,M,j＝1,...,N)的四个方向上的灰度共生矩阵θ=0°,45°,90°,135°，分别计算其对比度，记为Con1(i,j),Con2(i,j),Con3(i,j),Con4(i,j)，其中对比度定义为：