[发明专利]一种基于区域相似样例学习的稀疏去噪方法

摘要

本发明公开了一种基于区域相似样例学习的稀疏去噪方法，使用含噪声的图像在图片库里进行基于SIFT‑MSER特征簇的相似区域检索，在获得相似区域后利用匹配的SIFT特征点坐标计算出相应的仿射变化矩阵；将匹配到的相似区域转换至和噪声图像相同的方向和尺度；使用仿射变换后的相似区域作为字典学习的样例，提高字典与噪声图像的相关性；最后进行高频补偿提高去噪图像的纹理信息。本发明获得了很好的去噪效果，改变了过完备字典的学习样例，通过选择相似区域获得学习样例，影响过完备字典的原子结构，使得字典中的原子能够更好的表示图像的有效部分，忽略噪声部分；通过高频补偿利用了相似图像的信息，提升了去噪图像的信噪比。

主权项

1.一种基于区域相似样例学习的稀疏去噪方法，其特征在于，所述基于区域相似样例学习的稀疏去噪方法：首先使用含噪声的图像在图像库里进行基于SIFT‑MSER特征簇的相似区域检索，在获得相似区域后利用匹配的SIFT特征点坐标计算出相应的仿射变化矩阵；将匹配到的相似区域转换至和噪声图像相同的方向和尺度空间；最后使用仿射变换后的相似区域作为字典学习的样例，提高字典与噪声图像的相关性；基于新字典学习去噪完成后再进行高频补偿，提高图像的边缘纹理特征信息；相似区域的获取具体包括：图像的MSER特征提取，在建立样例图像数据集Ω后，通过MSER算法和SIFT算法获取数据集Ω中每一幅图像的最大稳定极值区域和区域内部的尺度不变特征描述符；每一幅图像I计算MSER区域和SIFT特特征后按下特定的结构存储到文件中去；对灰度图像进行二值化得到一幅图的二值化序列；构建图像的SIFT‑MSER特征区域簇，先提取MSER区域，然后在MSER区域内提取SIFT特征，M是图像I的所有MSER区域的集合，S是图像I的所有SIFT特征的集合，所有特征区域簇记作：Λ＝<{m₁，S₁}，{m₂，S₂}，…，{m_n，S_n}>；M＝<{m₁}，{m₂}，…，{m_n}>；S＝<{f₁}，{f₂}，…，{f_n}>；其中，f_j＝{v_j，l_j，s_j，o_j}代表一个SIFT特征描述符，v_j是第j个SIFT关键点在l_j＝(x_j，y_j)位置处的128维向量描述符，s_j是尺度的取值，o_j是方向的取值，S_j∈S是S的一个子集，表示落在图像I的第j个最大稳定极值区域m_j内部的所有SIFT特征描述算子；m_j＝{b_j，l_j，a_j，b_j}代表MSER的一个区域，b_j是这个特征区域的像素集合，l_j是位置信息，a_j，b_j分别表示椭圆的长短轴；基于SIFT‑MSER特征簇的图像局部相似区域获取，在建立SIFT‑MSER特征簇集合后，在特征群集合中找出与噪声图像I_s的第i个特征簇Λ_i∈Λ相似的特征簇；所述相似区域的获取中用Q₁，Q₂，Q_i‑1，Q_i来表示这一系列相互嵌套的极值区域序列：其中i代表不同的阈值，Q是一个像素点的集合，绝对值代表的是该集合的基数，为极值区域的面积；根据欧氏距离的定义，定义两个SIFT‑MSER特征簇之间的距离为：绝对值代表的是该集合的基数；match(S_a，S_b)表示S_a在S_b中有匹配元素的集合，获取S_a，S_b中匹配的SIFT特征描述符；对于噪声图像的每一个MSER区域都获取C个匹配的区域，于是到匹配的MSER区域集合Ψ；学习样例的处理采用RANSAC算法，具体方法如下：输入：受到噪声严重污染的观测数据D，参数化的数学模型M，参数化模型的未知参数m₁，m₂，…，m_n；过程：执行(1)、(2)、(3)、(4)(5)(1)、随机选出一组数据为局内点，其他的数据为局外点；(2)、由局内点计算参数化模型的所有参数m₁，m₂，…，m_n；(3)、用得到的参数m₁，m₂，…，m_n去测试其他的局外点是否满足参数化模型M，某个点满足参数化模型M，将这个点移入局内点；(4)、采用最小二乘方法，重新评估模型的所有局内点；(5)、当前模型有足够小的错误率，或者达到了最大迭代次数，算法结束，否则，执行(1)、(2)、(3)、(4)；是一个DSIFT匹配对，则高频补偿后的图像块：其中I_b1是待补偿的原始图像块、为匹配到的无噪声图像块，γ为权重，这里取经验值0.25。