[发明专利]一种基于混合鲁棒权重和方法噪声的图像去噪方法

说明书

本发明提供了一种基于混合鲁棒权重和方法噪声的图像去噪方法，属于智能信息处理技术领域，主要解决传统NLM算法难以有效维持噪声抑制与细节保持之间的平衡的问题。该方法首先采用一种改进的混合鲁棒权重函数来计算图像块的相似性权重；再利用预去噪后的图像构造出方法噪声，并与两级去噪框架相结合；最后将提出的混合鲁棒权重函数和方法噪声应用到两级非局部均值去噪方法中。本发明方法能够在抑制噪声的同时，有效地保留图像中的结构细节信息，具有更优的去噪性能。

技术领域

本发明属于智能信息处理技术领域，涉及图像去噪中的非局部均值去噪方法。具体地说是一种基于混合鲁棒权重和方法噪声的图像去噪方法，可用于图像降噪、计算机视觉、影像分析等领域。

背景技术

图像去噪一直是图像处理领域中十分基础且重要的研究内容，旨在有效滤除图像中的噪声，改善图像的视觉效果。目前发展较为成熟的图像去噪方法主要包括双边滤波、基于全变分的方法、基于偏微分方程的方法、基于小波阈值的方法等。2005年，Buades等人首次提出了非局部均值(Non-local Means，NLM)去噪算法，在工业、农业、医学、遥感影像分析等领域均具有广泛的应用。与传统的基于单像素的去噪方法不同，NLM算法采用基于图像块的方法，利用图像信息的冗余性和自相似性，计算以当前像素为中心的局部图像块与基准图像块之间的加权欧式距离，很好地利用了整幅图像的相关性，但NLM算法不论是在计算速度还是去噪精度方面都具有很大的上升空间。为此，国内外诸多学者进行了大量的改进，以改善NLM算法的去噪性能，如采用新的权重函数(Goossens等人提出的改进Bisquare函数、Peter等人提出的Geman-McClure函数)替换原算法中的指数型函数来计算图像块的相似性。以上方法在权重计算精度方面均有所提升，但未能对相似性不同的图像块赋予更合适的加权，因此去噪性能还有待进一步提高。

近年来，国内外诸多学者对方法噪声进行了深入研究，并将其用于图像去噪方法的设计中。如Brunet等人分析了方法噪声在图像去噪中的用途，并对其进行了一系列的统计测试，以改善去噪性能；Xiong等人使用自适应维纳滤波对方法噪声进行处理，但普适性较差；Kumar结合小波阈值去噪方法处理方法噪声，取得了良好的去噪效果；Zhong等人利用方法噪声中的残余信号，构造出一种改进的权重距离计算方式，提高了计算相似图像块的准确性；Zhou等人先后对方法噪声进行NLM和高斯滤波，较好地提取了方法噪声中丢失的结构细节。这些方法均考虑到方法噪声中的残余信息在图像滤波中的作用，但对方法噪声的获取和利用仍不够充分。

为了在抑制噪声的同时有效地保留图像中的结构细节，结合非局部均值去噪和方法噪声方法，提出了一种基于混合鲁棒权重和方法噪声的图像去噪方法。

非局部均值去噪是考虑高斯白噪声模型{y(i)＝x(i)+n(i)|i∈I}，其中x为原无噪图像，n为高斯白噪声，y为含噪图像，i为图像域I中的任一像素点。非局部均值去噪旨在利用图像中各像素点的加权平均取代该像素的灰度值，即

其中，w(i,j)表示以像素i,j为中心的两图像块之间的相似性权重函数，满足非负性(0≤w(i,j)≤1)和正则性P_i表示以像素i为中心的3×3图像块，P_j表示以像素j为中心的3×3图像块，y(P_i)＝{y(j)|j∈P_i}，y(P_j)＝{y(i)|i∈P_j}，将图像块中各像素的灰度值以向量形式表示，||·||₂表示2-范数，h为滤波参数，对图像平滑的程度加以控制，Z(i)为归一化项，将相似性权重函数w(i,j)值限定在[0,1]内。

对于方法噪声，Buades给出了方法噪声(Method Noise，MN)的定义：

r＝y-d₁ (4)