[发明专利]基于超像素聚类和稀疏表示的图像去噪方法

说明书

本发明提出了一种基于超像素聚类和稀疏表示的图像去噪方法，用于解决现有图像去噪方法中存在的去噪图像峰值信噪比低和细节信息丢失的技术问题，实现步骤：1.输入一幅待去噪图像；2.对图像进行超像素分割和超像素聚类，得到多簇相似超像素；3.对每簇相似超像素分别进行图像块提取和字典训练；4.计算每个图像块在对应的字典下的稀疏系数；5.寻找每个图像块的相似图像块，并计算相似图像块的稀疏系数加权和；6.利用相似图像块的稀疏系数加权和，对每个图像块的稀疏分解过程进行约束，得到新稀疏系数；7.判断当前迭代次数是否大于最大迭代次数Λ，若是，执行步骤8，否则，迭代次数加1，执行步骤5；8.重构待去噪图像，得到去噪图像。

技术领域

本发明属于数字图像处理技术领域，涉及一种图像去噪方法，特别涉及一种基于超像素聚类和稀疏表示的图像去噪方法，可应用于图像分类、目标识别、边缘检测等要求对图像进行去噪预处理的场合。

背景技术

由于受到成像设备和成像环境的限制，数字图像在采集、转换或传输的过程中不可避免地受到噪声的污染。噪声的存在使得图像质量下降，并影响到后续图像处理。为了获得高质量的图像，就必须对图像进行去噪处理。因此，图像去噪在图像处理领域占据着重要的地位。

随着国内外图像去噪技术不断发展，研究人员相继提出了许多图像去噪方法。目前图像去噪方法主要分为三类：空间域去噪方法，频率域去噪方法，稀疏变换域去噪方法。空间域去噪方法主要是利用局部窗口内像素灰度值的连续性来对当前像素点的灰度值进行调整，达到去噪的目的。该类去噪方法主要包括均值滤波，中值滤波、非局部均值滤波(non-local means,NLM)等，其中最经典的是NLM算法。NLM算法通过对相似图像块做加权平均来估计参考块的中心点，从而降低噪声，虽然NLM算法相比其它空间域去噪方法，取得了较好的去噪效果，但是峰值信噪比仍然较低，同时去噪后的图像边缘、纹理区域模糊。

频率域去噪方法主要是将图像从空间域变换到频率域，再对频率域系数进行处理，最后将频率域系数反变换到空间域，得到去噪后的图像，该类去噪方法主要包括小波变换去噪方法和多尺度几何分析。小波变换去噪方法缺少方向选择性，不适宜表示图像边缘、轮廓等线性奇异性的结构特征，且过于依赖阈值的选择，导致其去噪效果差。多尺度几何分析缺乏灵活性，对不同的结构特征需要选择不同的变换，而一幅图像含有多种不同的结构。

稀疏变换域去噪方法主要通过对含噪图像进行学习，得到能够反映图像特征的字典，然后利用得到的字典对图像进行重构，从而达到去噪的目的。这类去噪方法中比较经典的方法有K-SVD算法。K-SVD算法在提取的图像块中随机选取若干图像块作为训练样本，训练得到具有数据自适应性的字典，但由于随机选取若干图像块作为训练样本的操作忽视了图像的结构特征、边缘特征和纹理特征，导致得到的字典不能对图像的这些特征进行很好地描述，并且由于训练得到的字典存在噪声，导致稀疏分解得到的稀疏系数图像信息的描述不准确，最终导致去噪图像峰值信噪比较低，边缘、纹理等细节信息丢失，图像去噪效果差。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于超像素聚类和稀疏表示的图像去噪方法，用以解决现有图像去噪方法中存在的去噪图像峰值信噪比低和细节信息丢失的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

步骤1，输入一幅含有标准方差为δ的高斯白噪声的图像I_n；