[发明专利]一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法

说明书

技术领域

本发明涉及计算机图像处理领域，具体涉及一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法。

背景技术

冲激噪声由于在信号获取过程中传感器损坏、故障或者时间错误所导致。中值滤波器就是一种用来处理冲激噪声的有效方法。抑制冲激噪声通常包含两个步骤——噪声检测和噪声去除。标准的中值滤波器(Standard Median Filter,SMF)在冲激噪声密度很高的情况下并不是很有效，并且当冲激噪声密度大于50％时，经过中值滤波器处理过的图像经常会由于细节丢失和新引入的伪影导致复原图像严重的退化。

至今人们发明了很多方法来克服标准中值滤波器的缺点。自适应的中值滤波器(Adaptive Median Filter,AMF)通过只用中值替代那些被噪声污染的像素同时不改变没有被污染的像素值从而提升中值滤波器的效果。此外，自适应的中值滤波器递归的扩大滤波窗口直到确认到一个未被污染的中值。基于决策的算法(Decision Based Algorithm,DBA)和自适应中值滤波器相似除了当中值被标记为一个被污染的像素时DBA是用一个邻域像素值来替代被污染的像素。改进的基于决策的非对称的中值滤波器(Modified Decision Based Unsymmetric Trimmed Median Filter,MDBUTMF)能提高DBA的效果，它在中值估算时去除未被污染的像素并且当窗口中所有的像素都被污染的时候将被污染的像素值设成所选窗口的平均值。为了在抑制噪声的同时达到保存边缘的效果，提出了一个二阶段算法，它包含一个基于中值检测的滤波器和一个规格最优化的保存边缘的项。还有人提出多尺度的自适应中值滤波器来抑制椒盐噪声。

在抑制冲激噪声方面，中值方法易产生细节模糊和阶梯伪影从而导致图像退化。这个问题对于高密度噪声情况和结构模糊情况更为严重。原因可能归结于中值方法只是把从一个窗口像素得到的中值信息作为中值滤波并且没有利用到结构连续性信息。

发明内容

针对现有技术的不足，本发明在假设灰度值符合高斯分布的基础上，通过递归的高斯极大似然估计方法(Recursive Gaussian Maximum Likelihood Estimation，RGMLE)，在RGMLE算法的框架下，使用合并的确定性和相似性(certainty&similarity)信息来估计方差，提出了基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法(RGMLE-CS)，是一种新的冲激噪声抑制方法。本发明专注于噪声去除方面，只考虑已知灰度的椒盐噪声，通过递归计算像素的高斯极大似然估计值来复原图像。通过分析未被噪声污染的像素的估计误差可以得到一个控制递归次数的鲁棒算法。

为了实现上述目的，本发明采用以下技术方案：

本发明基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法，包括以下步骤：

步骤1、扫描大小为(m×n)的噪声图像x，检测椒盐噪声，得到掩膜图像M^o；

步骤2、由M^o计算噪声密度ρ，定义M^u为递归中标记未被噪声污染像素的位置的矩阵，并将M^u初始化为M^o；定义PSNR_U为噪声图像中未被噪声污染的像素对应位置处估计的像素值关于未被污染像素的峰值信噪比，初始化为0；定义Γ为第k次迭代的PSNR_U(k)与第k-1次迭代的PSNR_U(k-1)的差值，并初始化为无穷大，其中k＝1,2，…,50；

步骤3、若Γ大于0且ρ<＝70％，或者ρ>＝70％，则依次对噪声图像x中每个像素x_j(j＝1,2,3,…m×n)按照步骤4和步骤5进行处理；