[发明专利]基于奇异值权重函数的非局部TV模型图像去噪方法

说明书

一种基于奇异值权重函数的非局部TV模型图像去噪方法。步骤如下：(1)首先输入噪声图像。(2)设置算法的相关参数，包括非局部搜索窗口大小N₁×N₁、邻域窗口大小N₂×N₂、像素相似度权重函数的参数h、j、高斯核的标准差σ，分裂的Bregman迭代辅助变量的初始值b⁰、保真参数λ，以及平滑参数θ。(3)通过奇异值分解方法获得图像块的最大奇异值。(4)构建基于该最大奇异值的新的像素相似度权重函数。(5)应用步骤(4)构建的权重函数，建立非局部TV模型。(6)对步骤(5)建立的非局部TV模型采用分裂的Bregman算法进行求解。(7)通过分裂的Bregman算法数值迭代运算获得去噪图像。(8)如果迭代满足停止条件，输出迭代最优结果图像并转向步骤(9)，如果不满足停止条件，则返回步骤(7)继续迭代。(9)将步骤(8)的迭代最优结果图像作为最后去噪结果图像。

技术领域

本发明属于图像处理技术领域，具体涉及去除加性噪声的图像去噪领域和改进的非局部TV模型的图像去噪方法。

背景技术

图像去噪旨在通过对被噪声污染的图像进行某种处理，以降低噪声对原始有用信息的影响，尽可能地还原出被噪声污染前的图像。

GUY GILBOA和STANLEY OSHER提出的非局部TV模型(Nonlocal Total Variation,NLTV)是将GUY GILBOA和STANLEY OSHER提出的非局部算子(见文献：NONLOCAL OPERATORSWITH APPLICATIONS TO IMAGE PROCESSING.SIAM Multiscale Modeling andSimulation.Vol.7,No.3,pp.1005–1028)引入到Rudin-Osher-Fatemi提出的总变分(TotalVariation，TV)模型中而得到的，NLTV模型具有在去除图像噪声的同时能较好地保留图像的纹理细节的特点，该模型包含保真项和正则项。保真项表示观测图像(即待去噪的图像)与去噪后图像的接近程度；正则项表达去噪后图像光滑程度的先验知识。在正则项中，像素相似度权重函数具有很重要的作用，其表达式与含噪图像的图像块中各像素灰度值直接相关，但是由于噪声的存在，噪声会对像素灰度值产生干扰，进而影响像素相似度权重。

奇异值分解是一种基于特征向量的矩阵变换方法，在信号处理、模式识别、数字水印技术等方面都得到了应用。由于图像具有矩阵结构，因此本发明将其用于提取图像块的主要特征，将提取的图像主要特征用于构建新的像素相似度权重函数，以降低噪声对像素相似度权重的影响，再将构建的新的像素相似度权重函数应用到NLTV模型，得到新的NLTV模型，用于图像去噪。

本文中所提到的NLTV模型是指GUY GILBOA和STANLEY OSHER提出的非局部TV模型。

发明内容

本发明的目的是克服目前现有基于非局部理论的图像去噪技术中，在图像受到噪声干扰后，图像的像素值被噪声污染而改变，像素相似度权重赋值会受到噪声干扰的缺陷。本发明通过构建一种新型的像素相似度权重函数来减少噪声的干扰，提高像素相似度权重赋值的准确性。本发明所述的基于奇异值权重函数的非局部TV模型图像去噪方法包括如下步骤：

(1)首先输入N₀×N₀大小的待去噪的图像f；

(2)设置本发明方法的相关参数，包括非局部搜索窗口大小N₁×N₁、邻域窗口大小N₂×N₂、像素相似度权重函数的参数h和j，高斯核的标准差σ，分裂的Bregman迭代辅助变量b^k的初始值b⁰、平滑参数θ，以及保真参数λ；

(3)通过奇异值分解方法获得图像f中各邻域图像块(图像块大小为N₂×N₂)的奇异值矩阵和最大奇异值；