[发明专利]一种基于自适应分块旋转滤波的图像去噪方法

说明书

本发明公开了一种基于自适应分块旋转滤波的图像去噪方法，包括步骤：(1)对含有高斯白噪声的图像进行粗分割，得到一级子块图像；(2)对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像；(3)根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或垂直方向；(4)对每个旋转后的二级子块图像进行奇异值分解，并使用奇异值分解的低秩逼近来获得每个去噪的二级子块图像；(5)将每个二级子块图像的近似值逆转θ度至对应的原噪声子块的原始方向；(6)将去噪后的各个图像块进行重组得到最终的去噪图像。本发明对图像通过边缘直线拟合，利用检测出的直线长度和角度对图像进行自适应分块，能去除各种类型的噪声。

技术领域

本发明涉及图像去噪方法，尤其涉及一种基于自适应分块旋转滤波的图像去噪方法。

背景技术

图像在生成或传输过程中因受到各种噪声的干扰和影响,不可避免的会出现降质现象，存在不同程度的边缘模糊、局部和整体的对比性较差等问题，对后续图像的处理(如分割、压缩和图像理解等)会产生不利影响。因此对图像进行去噪处理提高图像质量，是图像处理中的一项基础而重要的工作。

图像空间域去噪方法很多，如：线性滤波法、中值滤波法、维纳滤波法等。图像变换域去噪方法有傅里叶变换和小波变换等。奇异值分解(Singular Value Decomposition,SVD)是一种非线性滤波，具有良好的数值稳健性，作为一种重要的非线性滤波方法，已经被广泛地应用于图像降噪和特征提取等领域中。图像矩阵的奇异值及其特征空间反映了图像中的不同成分和特征，一般认为较大的奇异值及其对应的特征向量表示图像信号，而噪声反映在较小的奇异值及其对应的特征向量上。根据一定的选择门限，低于该门限得奇异值置零(截断)，然后通过这些奇异值及其对应的特征向量重构图像进行去噪，不但可以处理不同类型的图像和噪声，且无需有关噪声的先验知识。考虑到图像的局部平稳性，又提出了图像分块奇异值分解(block-based singular value decomposition，BSVD)去噪算法。

但是一般简单的分块奇异值滤波方法没有考虑到奇异值滤波的行列方向性特点，且分块是固定大小的，由于图像具有多方向性，固定分块的奇异值去噪方法无法准确利用图像的方向性特点。同时，现有的奇异值去噪后重构去噪图像时所需的奇异值个数或是截止的奇异值阈值依赖于传统经验公式进行确定，只能处理同一类型的图像和噪声，还未考虑到对实际去噪效果的影响。

发明内容

发明目的：本发明的目的是提供一种利用图像的方向性特点处理多种图像和噪声的基于自适应分块旋转滤波的图像去噪方法。

技术方案：本发明的图像去噪方法，采用自适应分块获得图像子块最佳的实际方向，根据所述实际方向对各个图像块采用旋转奇异值分解(Block-Rotation-Based SVD，BRSVD)去噪，通过矩阵泛数意义下取能量最小自适应确定重构所需的奇异值个数，包括步骤如下：

(1)对含有高斯白噪声的图像进行粗分割，得到一级子块图像；

(2)对一级子块图像进行细分割，得到具有唯一主方向直线的二级子块图像；

(3)根据二级子块图像中的直线角度θ旋转每个二级子块图像至水平或竖直方向；

(4)对每个旋转后的二级子块图像进行奇异值分解，并使用奇异值分解的低秩逼近来获得每个去噪的二级子块图像；

(5)将去噪后的各个图像块进行重组得到最终的去噪图像。

进一步，步骤(1)中，具体包括如下步骤：

(101)利用Canny边缘检测算子和ZS细化检测含噪图像的边缘线条；

(102)利用霍夫变换与最小二乘法进行边缘线条的直线拟合。

进一步，步骤(2)中，具体包括如下步骤：