[发明专利]基于改进噪声估计的LRA-SVD自适应细节保留降噪算法

说明书

本发明公开了一种基于改进噪声估计的LRA‑SVD自适应细节保留降噪算法，包括对亚表面缺陷图像进行噪声估计；利用噪声估计值以及LRA‑SVD算法对原始图像进行降噪；将原始图像与初步降噪算法做差，获得初始方法去噪图像；计算去噪图像与方法噪声之间的相关系数，如果相关系数大于阈值，则进行迭代正则化降噪过程：将方法噪声乘以一定的系数加入到去噪图像中作为新含噪图像；利用改进的噪声估计方法对新含噪图像进行噪声估计，利用噪声估计值和LRA‑SVD算法对新含噪图像降噪；利用原始图像与新降去图像做差；计算新去噪图像与新方法噪声之间的相关系数，如果相关系数小于阈值则停止迭代，获得降噪后的亚表面缺陷图像；否则进行新一轮正则化降噪。

技术领域

本发明涉及图像处理技术领域，更具体的说是涉及一种基于改进噪声估计的LRA-SVD自适应细节保留降噪算法。

背景技术

常规基于滤波的降噪方法在消除噪声的同时也会导致亚表面缺陷高频信息丢失，如何在保持亚表面缺陷细节信息的同时尽可能多地去除噪声是暗场共焦图像处理需要解决的问题之一。

近年来，图像的非局部自相似性先验在降噪算法中得到了广泛的应用，以非局部理论和低秩理论为基础的低秩降噪算法，通过对图像中的相似块进行分组，组成图像块组矩阵；然后对每个组合矩阵进行奇异值分解，保留大数值奇异值对矩阵进行低秩逼近从而获得良好的降噪效果。然而，如何估计要保留的奇异值的数目或如何估计不含噪矩阵的秩是此类方法需要解决的问题。Guo等人提出的LRA-SVD算法有效地解决了矩阵秩的合理估计问题，该方法利用SVD域内的最优能量压缩性质，通过硬阈值截断的方法保留大奇异值来实现矩阵的低秩估计。然而该方法依靠噪声先验，对噪声估计准确性要求较高，噪声偏差会导致秩的判断不准确，秩过低会造成细节丢失，秩过高会使噪声残留；并且该方法忽略了较大的奇异值上也存在噪声这一事实，采用硬阈值法将小数值奇异值全部舍去，导致一些分布在大奇异值向量空间的噪声信息残留，同时导致分布在较小奇异值向量空间的细节信息被舍弃，从而导致降噪后的图像丢失细节信息。

并且现有算法在迭代正则化降噪过程中由于采用与原始图像相同的噪声估计方法，导致对新组合含噪图像的噪声估计不准确，从而降低了迭代降噪结果的准确率，增加了算法的时间复杂度。

因此，如何提供一种能够克服上述缺陷的亚表面缺陷图像自适应细节保留降噪算法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于改进噪声估计的LRA-SVD自适应细节保留降噪算法，可以克服传统LRA-SVD算法由于依靠噪声先验，对噪声估计准确性要求较高，噪声偏差会导致秩的判断不准确，秩过低会造成细节丢失，秩过高会使噪声残留的问题；并且可以克服由于LRA-SVD方法忽略了较大的奇异值上也存在噪声这一事实，采用硬阈值法将小数值奇异值全部舍去，导致一些分布在大奇异值向量空间的噪声信息残留，同时导致分布在较小奇异值向量空间的细节信息被舍弃，从而导致降噪后的图像丢失细节信息的问题。本发明降低了对噪声估计算法的高精度要求，在实现自适应降噪减少噪声残留的同时可以最大程度地保留图像的细节信息，通过改进迭代降噪过程中的噪声估计算法，大幅度提高了计算效率，大大减少了计算开销，本发明用于暗场共焦亚表面缺陷图像降噪。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进噪声估计的LRA-SVD自适应细节保留降噪算法，包括：

S1：获取原始亚表面缺陷图像，通过噪声估计算法对原始亚表面缺陷图像进行噪声估计；

S2：通过噪声估计值以及LRA-SVD算法对原始亚表面缺陷图像进行降噪，获得初始去噪图像；

S3：将原始亚表面缺陷图像与初始去噪图像作差获取初始方法噪声图像；

S4：计算初始去噪图像与初始方法噪声图像之间的相关系数，判断相关系数是否大于预设阈值，若大于则进行S5迭代正则化降噪过程，若不大于则获得降噪后的亚表面缺陷图像；