[发明专利]基于PCNN和图像熵的各向异性扩散的图像去噪方法

说明书

本发明公开了基于PCNN和图像熵的各向异性扩散的图像去噪方法，首先，采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；然后，进行阈值寻优，得到最优去噪阈值k；最后，根据求得的边缘检测算子En和最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪。本发明不仅能有效去除图像噪声，同时能较完整地保留了图像的区域信息。

技术领域

本发明属于图像处理技术领域，特别涉及了基于PCNN和图像熵的各向异性扩散的图像去噪方法。

背景技术

在图像处理与计算机领域中，图像去噪是最基本的问题之一。偏微分方程(Partial Differential Equation,PDE)能反映未知变量关于时间的导数和关于空间变量的导数之间制约关系。利用偏微分方程完善的数值分析理论对图像进行处理，因而基于偏微分方程的方法在图像去噪中得到了广泛的应用。

20世纪90年代初期，国外学者Perona和Malik首次提出了经典的各向异性扩散PM模型，该模型由一个关于图像梯度模值的扩散函数控制图像的扩散程度，使图像在梯度模值小的区域进行大规模地扩散，在梯度模值大的区域进行小规模扩散。1992年，Osher和Rudin等提出基于图像的全变差正则化模型(ROF模型)，从而更好地保持图像的边缘纹理等细节特征，更突出了PDE在图像去噪中的重要地位。随后出现了大量的基于偏微分方程的图像去噪方法的研究。有学者提出了一系列改进的各向异性扩散模型，有效地提高了模型的边缘检测能力。有学者提出了一种ROF模型和四阶模型的组合图像去噪模型，该模型是通过某一权函数将运用AOS算法求解出的ROF模型和四阶PDE模型进行了加权组合，相对某单一去噪模型在消除“阶梯效应”现象和保留边缘信息方面有所改善。有学者提出了一种基于图像熵的各向异性扩散滤波方法(IEAD模型)，该方法使用图像熵作为边缘检测算子，避免了由于均值和方差等统计量的估计带来的误差，提高了边缘检测能力。

基于偏微分方程的图像去噪扩散强度通常使用梯度信息检测边缘，但当边缘部分被噪声严重污染时，这些方法不能有效检测出这些边缘，因而无法保留边缘包含的特征。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供基于PCNN和图像熵的各向异性扩散的图像去噪方法，不仅能有效去除图像噪声，同时能较完整地保留了图像的区域信息。

为了实现上述技术目的，本发明的技术方案为：

基于PCNN和图像熵的各向异性扩散的图像去噪方法，包括以下步骤：

(1)采用脉冲耦合神经网络对噪声图像进行处理，得到熵序列En，将En作为边缘检测算子；

(2)进行阈值寻优，得到最优去噪阈值k；

(3)根据步骤(1)求得的边缘检测算子En和步骤(2)求得的最优去噪阈值k，采用改进的各向异性扩散模型对图像进行去噪，

所述改进的各向异性扩散模型为

其中，

是高斯核函数，σ为尺度函数，