[发明专利]一种基于含噪声图像分布约束的贝叶斯图像去噪方法

说明书

本发明属于数字图像处理和计算机视觉技术领域，尤其涉及一种基于含噪声图像分布约束的贝叶斯图像去噪方法。本方法根据贝叶斯后验概率理论，从含噪声图像对无噪声图像进行估计依赖于对无噪声图像先验分布的建模。本发明首先提出在加性噪声分布模型已知情况下，从含噪声图像样本中学习得到无噪声图像的分布的方法。本方法将无噪声图像先验分布的约束转化为含噪声图像先验分布的约束进行贝叶斯去噪，通过无监督的方式训练图像去噪神经网络的贝叶斯去噪实现方法。发明方法可以充分利用含噪声图像样本精确学习无噪声图像隐式分布特征，进而实现高效的图像去噪。

技术领域

本发明属于数字图像处理和计算机视觉技术领域，尤其涉及一种基于含噪声图像分布约束的贝叶斯图像去噪方法。

背景技术

在摄影、公共安全监控、医学影像、显微成像等图像采集过程中，由于物理信号的随机特征、环境干扰以及系统自身的状态变化等因素，采集到的图像不可避免含有噪声，从而显著影响着图像质量。图像去噪方法旨在降低图像中随机噪声成分并恢复图像有效信息，是图像处理中的一类重要方法和技术。

经典图像去噪方法包括均值滤波、中值滤波、高斯低通滤波等多种滤波方法。这些滤波器限制图像中的噪声有关分量从而达到去除噪声的效果。滤波方法既可以在图像域实施也可在图像经过特定变换后的变换域实施，如频域，小波域等。但滤波方法在图像细节保持上具有固有的劣势。除解析的滤波方法外，基于贝叶斯后验概率分布的图像迭代优化方法是另一类图像去噪方法，该类方法通过引入额外的惩罚项如全变分最小化，马尔可夫随机场势能函数极小化等达到去除噪声的目的。贝叶斯后验估计方法可以产生较为精确的无噪声图像估计，但其结果显著依赖于施加的惩罚项。

近年来，随着人工神经网络和深度学习技术的发展，将深度学习方法应用于图像去噪显著提升了图像去噪的效果，在去除噪声的同时相比经典方法可以更为精确的恢复图像细节信息。虽然多样化的神经网络在很多应用中展现出强大的图像去噪和图像恢复能力，其均依赖于大量训练数据集。有监督学习需要配对的含噪声图像和无噪声图像作为真值共同训练网络。生成对抗学习可以从非配对的无噪声图像数据集中提取无噪声图像的分布规律和特征，进而进行图像去噪，取消了对数据的配对要求。然而在大多数应用中，真实无噪声数据往往难以获得或获取成本高昂，从而为深度学习在图像去噪的应用中带来困难。

发明内容

本发明的目的是提出一种基于含噪声图像分布约束的贝叶斯图像去噪方法，利用实际易获得的含噪声数据集以及噪声模型推测出无噪声图像分布特征，进而利用无噪声图像分布实现对无噪声图像的估计，完成对含噪声图像的去噪。

本发明提出的基于含噪声图像分布约束的贝叶斯图像去噪方法，包括以下步骤：

(1)根据含噪声图像分布，计算无噪声图像分布的距离代价函数；

(2)根据步骤(1)的无噪声图像分布的距离代价函数，对含噪声图像进行贝叶斯去噪。

上述方法步骤(1)中根据含噪声图像分布，计算无噪声图像分布的距离代价函数，对于分布可准确或近似解析表达的图像，采用基于特征函数的方法估计无噪声图像的分布的距离代价函数，包括以下步骤：

(1)将成像系统产生的含噪声图像随机向量记为Z，以解析形式估计含噪声图像随机向量Z的概率密度函数f_Z，将含噪声图像随机向量Z中所含的加性噪声随机向量记为N，以解析的形式估计加性噪声随机向量N的概率密度函数f_N；

(2)对步骤(1)中的概率密度函数f_Z和f_N分别进行傅里叶变换，得到含噪声图像随机向量的特征函数以及加性噪声随机向量的特征函数

(3)将成像系统产生的无噪声图像随机向量记为S，将步骤(2)中含噪声图像随机向量的特征函数与加性噪声随机向量的特征函数相除，得到无噪声图像随机向量S的特征函数