[发明专利]一种权值窗口自适应非局部均值图像去噪方法

摘要

本发明公开了一种权值窗口自适应非局部均值图像去噪方法，能够根据图像局部结构特性自适应控制权值窗口的大小，在保护边缘结构的同时抑制噪声，从而使得图像质量显著提高，它包括如下步骤：第一步，初始化读入一帧噪声图像；第二步，构建结构张量矩阵；第三步，根据所构建的结构张量矩阵，构建边缘结构指示符，定位像素点所在区域特征；第四步，利用边缘结构指示符对图像进行区域分类；第五步，根据每个像素点所属区域的类别，确定每个像素点的邻域大小；第六步，根据所确定的邻域大小，构建邻域间的相似性度量函数；第七步，筛选相似性最高的S个点；第八步，构建去噪模型，得到去噪图像。

主权项

一种权值窗口自适应非局部均值图像去噪方法，其特征在于，该方法包括以下步骤：步骤1：读入一帧大小为M₁×M₂×3的噪声彩色图像u₀，其中M₁和M₂为正整数，分别表示图像矩阵的行数和列数，然后将输入的噪声彩色图像从RGB彩色空间转换到YCbCr彩色空间，转换后的噪声图像记为f，大小为M₁×M₂×3；步骤2：构建噪声图像f所有像素点(i,j)的结构张量矩阵T_σ(i,j)$T_{\mathrm{\σ}}(i,j)=\left[\begin{array}{cc}{G}_{\mathrm{\σ}}(i,j)*{\left(f_x(i,j)\right)}^2& G_{\mathrm{\σ}}(i,j)*f_x(i,j)f_y(i,j)\\ G_{\mathrm{\σ}}(i,j)*f_x(i,j)f_y(i,j)& G_{\mathrm{\σ}}(i,j)*{\left(f_y(i,j)\right)}^2\end{array}\right],$其中，f_x(i,j)表示噪声图像f在点(i,j)处沿坐标轴x方向的导数，f_y(i,j)表示噪声图像f在点(i,j)处沿坐标轴y方向的导数，G_σ(i,j)表示标准差为σ的高斯核函数，其表达式为：$G(i,j)=\frac{1}{{2\mathrm{\π\σ}}^2}\exp [-(i^2+j^2)/{2\mathrm{\σ}}^2]$其中，exp表示公知的以e为底的指数函数，标准差σ取值范围为0.5；步骤3：构建边缘结构指示符，具体方法为：利用雅克比方法求得结构张量矩阵T_σ(i,j)在噪声图像f中所有像素点(i,j)处的主特征值λ₁(i,j)和次特征值λ₂(i,j)分别为：$\begin{array}{c}{\mathrm{\λ}}_1(i,j)=\frac{1}{2}\{G_{\mathrm{\σ}}(i,j)*{\left(f_x(i,j)\right)}^2+G_{\mathrm{\σ}}(i,j)*{\left(f_y(i,j)\right)}^2\\ +\sqrt{{(G_{\mathrm{\σ}}(i,j)*{\left(f_x(i,j)\right)}^2-G_{\mathrm{\σ}}(i,j)*{\left(f_y(i,j)\right)}^2)}^2+4{(G_{\mathrm{\σ}}(i,j)*f_x(i,j)f_y(i,j))}^2}\}\end{array},$$\begin{array}{c}{\mathrm{\λ}}_2(i,j)=\frac{1}{2}\{G_{\mathrm{\σ}}(i,j)*{\left(f_x(i,j)\right)}^2+G_{\mathrm{\σ}}(i,j)*{\left(f_y(i,j)\right)}^2\\ -\sqrt{{(G_{\mathrm{\σ}}(i,j)*{\left(f_x(i,j)\right)}^2-G_{\mathrm{\σ}}(i,j)*{\left(f_y(i,j)\right)}^2)}^2+4{(G_{\mathrm{\σ}}(i,j)*f_x(i,j)f_y(i,j))}^2}\}\end{array},$然后根据结构张量矩阵T_σ(i,j)的主特征值λ₁(i,j)和次特征值λ₂(i,j)，构建如下边缘结构指示符ρ(i,j)：ρ(i,j)＝0.3×ln(|λ₁(i,j)‑λ₂(i,j)|)其中，|·|表示绝对值，ln是公知的以e为底的对数函数；步骤4：利用边缘结构指示符ρ(i,j)，按照如下方法对噪声图像f的所有像素点(i,j)进行区域分类：其中，V表示区域分类的总类数，且为正整数，取V＝6，C_p(p＝1,2,…,V)表示第p类像素点集，p为区域分类的序号，λ_min表示整个图像区域中最小的次特征值，λ_max表示整个图像区域中最大的主特征值；步骤5：根据每个像素点所属区域的类别，按照如下方式选取邻域N_i,j的大小R(i,j)：步骤6：构建像素点(i,j)的邻域N_i,j和任意像素点(k,l)的邻域N_k,l的相似性度量函数w(i,j,k,l)为：$w(i,j,k,l)=\exp \{-\frac{{\left|\right|N_{k,l}-N_{i,j}\left|\right|}_2^2}{h^2}\}$其中，(k,l)表示一个与(i,j)不同的像素点的坐标，表示N_k,l‑N_i,j的L₂范数，h表示权值函数的衰减因子，取h＝1；步骤7：根据相似性度量函数w(i,j,k,l)，按照如下方式，从噪声图像f中筛选出与像素点(i,j)相似度最高的S个点，取S＝20：$\stackrel{\‾}{B_{i,j}}=\{(k_1,l_1),(k_2,l_2)\·\·\·,(k_S,l_S)|w(i,j,k_1,l_1)\≥w(i,j,k_2,l_2)\≥\·\·\·\≥w(i,j,k_S,l_S)\}$其中表示与像素点(i,j)相似度最高的S个像素点的集合；步骤8：对噪声图像f去噪，具体方法为：对于噪声图像f中的每一个像素点(i,j)，根据下式去噪，得到像素点(i,j)去噪后的像素值$\stackrel{\‾}{f}(i,j)=\frac{1}{Q(i,j)}\underset{(k,l)\∈\stackrel{\‾}{B_{i,j}}}{\mathrm{\Σ}}w(i,j,k,l)f(k,l)$其中，Q(i,j)为(i,j)处的归一化常数，Q(i,j)的表达式为$Q(i,j)=\underset{(k,l)\∈\stackrel{\‾}{B_{i,j}}}{\mathrm{\Σ}}w(i,j,k,l)$得到所有像素点去噪后的像素值后，即构成噪声图像f去噪后的图像