[发明专利]一种斑点噪声污染图像的非局部均值滤波方法

摘要

本发明公开了一种斑点噪声污染图像的非局部均值滤波方法，包括以下步骤：通过脉冲发送皮层模型迭代计算斑点噪声污染图像的神经元点火状态图序列，由神经元点火状态图序列抽取Renyi熵向量，基于Renyi熵向量对斑点噪声污染图像进行非局部均值滤波，以得到去噪后的灰度值。本发明可以从含斑点噪声的图像中提取出旋转、平移和缩放不变性，比传统的方法能够利用更多的图像信息来进行去噪，此外，本发明能够更加合理地计算两个图像像素块之间的相似度，并能明显抑制图像噪声，提高图像的峰值信噪比，从而更有效地保护了图像的细节信息。

主权项

1.一种斑点噪声污染图像的非局部均值滤波方法，其特征在于，包括以下步骤：（1）通过脉冲发送皮层模型迭代计算斑点噪声污染图像的神经元点火状态图序列，具体采用以下等式：F_ij[n]＝fF_ij[n-1]+N_ij+N_ij∑W_ijklY_kl[n-1]                (1)Θ_ij[n]＝gΘ_ij[n-1]+hY_ij[n]                             (3)其中Θ_ij、F_ij、Y_ij分别为阈值振子、状态振子以及神经元在噪声图中像素点（i，j）处的点火状态，其初始值皆为0，i和j为像素点的坐标，N_ij为激励源，即输入噪声图像归化一后的结果，n为迭代次数，f和g为取值在（0,1）间的衰减系数，h为较大标量值，W_ijkl是在像素点（i，j）和（k，l）处的神经元的权值系数，k和l为像素点的坐标；（2）由神经元点火状态图序列抽取Renyi熵向量，具体包括以下子步骤：（2-1）通过以下等式计算像素点（i，j）的Renyi熵；H(Wij[n])=11-alogΣk=01(pijk)a---(4)]]>pij1=Uij[n](2Lc+1)×(2Lc+1)---(5)]]>其中W_ij[n]为神经元点火状态图序列Y_ij[n]中以像素点（i，j）为中心的大小为（2L_c+1）×（2L_c+1）的图像块，且W_ij[n]＝{Y_pq[n]||p-i|≤L_c,|q-j|≤L_c}，I_ij为像素点（i，j）的灰度值，L_C是图像块的半径，p和q是满足条件（||p-i|≤L_c,|q-j|≤L_c）的像素点的坐标，其组合(p,q)构成了图像块的所有点的坐标，Y_pq[n]是像素点(p,q)处的神经元点火状态图序列，H(W_ij[n])是W_ij[n]的Renyi熵，U_ij[n]是点火神经元的数量，为W_ij[n]中点火神经元的概率，参数a的值为2。（2-2）对噪声图中的所有像素点,重复步骤（2-1），以获得Renyi熵向量:V_ij＝{H(W_ij[1]),H(W_ij[2]),...,H(W_ij[n_max])}，其中n_max为最大迭代次数。（3）基于Renyi熵向量对斑点噪声污染图像进行非局部均值滤波，以得到去噪后的灰度值；具体而言，去噪后的灰度值由以下等式计算得出：Dij=Σk=i-Ldi+LdΣl=i-Ldi+LdSijkl·IklΣk=i-Ldi+LdΣl=i-Ldi+LdSijkl---(6)]]>Sijkl=(1-||Vij-Vkl||2d)2||Vij-Vkl||2<d0||Vij-Vkl||2≥d---(7)]]>其中D_ij为像素点（i，j）去噪后的灰度值，S_ijkl是噪声图像中像素点（i，j）和像素点（k，l）的结构相似度，d为控制滤波程度的衰减参数，||·||₂表示欧氏范数。对于像素点（i，j），在噪声图中取以（i，j）为中心、大小为（2L_d+1）×（2L_d+1）的搜索窗口进行计算，L_d为搜索窗口的半径。