[发明专利]基于空间自适应全变差的CS迭代阈值图像去噪重建方法

说明书

本发明提出了一种基于空间自适应全变差的CS迭代阈值图像去噪重建方法，步骤为：初始化重建图像和初始含噪观测值；对获得的重建图像进行迭代更新获得估计值；基于优化阈值软阈值算子进行轮廓波变换获得去噪估计值轮廓波稀疏系数；将获得的去噪估计值轮廓波稀疏系数输入到基于空间自适应全变差CS重建模型中获得重建图像轮廓波系数；使用基于轮廓波维纳滤波算子进行滤波获得重建图像轮廓波系数；将重建图像轮廓波系数进行轮廓波逆变换获得重建图像。本发明采用基于优化阈值软阈值算子的轮廓波变换进行稀疏变换，不仅能够将图像数据与噪声信息进行有效分离，同时能够有效去除隐藏在图像各层中的噪声信息获得高质量的图像稀疏系数，提高了去噪重建能力。

技术领域

本发明涉及图像去噪的技术领域，尤其涉及一种基于空间自适应全变差的CS迭代阈值 图像去噪重建方法，适用于高分辨率高噪声图像的去噪重建，尤其涉及夜间高噪声条件下的 高分辨率图像的去噪重建。

背景技术

目前，利用计算机视觉技术提升国家重要安全区域和城市敏感公共场所的全天候实时监 控和有效人员管理已经成为世界各国高度重视的研究课题。尤其是在夜间光照条件差的环境 下，由于相机传感器的工作特性，在夜间环境下获得的图像信息通常含有大量的噪声信息，进而影响了夜间图像获取的质量。如何从含有高随机噪声图像或者视频中实现对重要人员的 有效跟踪监视和重要区域的人员识别以及进出管理，已经成为目前图像处理领域的一个重要 发展方向，对于目前疫情防控具有重要意义。此外，随着图像传感器技术的快速发展，获得 的图像分辨率也越来越高，高分辨率图像虽然能够扩展我们的视野，但海量数据的处理给现有的图像处理技术带来了一定的压力。因此，高分辨率高噪声图像去噪重建方法，尤其是夜 间环境下的高分辨率高噪声去噪重建技术是目前各国学者争相努力的方向，为大数据的处理 提供强有力的技术支持。

为了能够有效解决高分辨率图像的重建问题，国外学者提出了著名的压缩感知(Compressed Sensing,CS)理论，并在该理论的基础上设计相应的图像重建算法，以提高高分辨率图像的重建速度以及重建质量，并取得了一定的成就。CS理论主要包括三个主要部分： 稀疏变换过程、测量矩阵设计以及重建算法的设计过程。本发明的创新部分主要在稀疏变换 过程以及重建算法的设计两方面。

目前，常用的稀疏变换主要采用小波变换，但小波变换很难对高维数图像数据进行最稀 疏表示。此外，在CS去噪重建算法设计当中，没有充分有效利用稀疏变换过程，进而影响 了图像的去噪重建质量。针对高分辨率高噪声图像去噪重建，如何在CS稀疏变换过程中引 入噪声去除机制，对后续CS高分辨率高噪声图像去噪重建方法的去噪性能具有一定的影响。

因此，必须设计一种高性能高噪声高分辨率图像的稀疏变换方法，在进行图像稀疏变换 的过程中能够将图像有效数据信息与噪声信息进行最大程度分离；在此基础上，设计一种重 建速度快、重建精度高的CS高噪声高分辨率图像去噪重建方法有效解决高噪声条件下高分辨率图像的去噪重建问题，对于目前疫情防控具有重要意义。

发明内容

针对现有CS去噪重建算法没有充分利用稀疏变换信息，影响图像的去噪重建质量的技 术问题，本发明提出一种基于空间自适应全变差(Spatial Adaptive TotalVariation,SATV)的 CS迭代阈值图像去噪重建方法，提高了稀疏变换的去噪能力，提高了高噪声高分辨率图像的 去噪重建质量，能够有效去除高噪声条件下高分辨率图像的高质量重建。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于空间自适应全变差的CS 迭代阈值图像去噪重建方法，其步骤为：

步骤1：初始化重建图像f₀＝0，迭代索引值根据输入的原始清晰图像f获得初 始含噪观测值y；

步骤2：利用初始含噪观测值y对获得的重建图像进行迭代更新，获得估计值

步骤3：将获得的估计值输入到基于优化阈值软阈值算子χ(x)进行轮廓波变换，获 得去噪估计值轮廓波稀疏系数