[发明专利]基于尺度混合模型和低秩逼近的视频去噪方法

摘要

本发明公开了一种基于尺度混合模型和低秩逼近的视频去噪方法，主要解决现有技术难以精确去除高斯脉冲混合噪声的问题。其方案是：1.采用中值滤波法获得视频的初始估计，并在测试图像的前后帧里寻找相似图像块矩阵；2.用拉普拉斯尺度混合模型对异常点集合建模，将异常点估计问题转为异常点和隐藏因子联合求解的问题，以去除混合噪声带来的异常点；3.对相似图像块矩阵进行低秩逼近，利用非局部低秩模型计算出去噪后图像；4.用拉普拉斯尺度混合模型和非局部低秩模型迭代计算得到恢复的单帧图像；5.重复1‐4得到去噪后的视频。本发明能去除混合噪声，保留图像细节信息，视觉效果更好，可用于视频多媒体、遥感影像、医学影像去噪。

主权项

一种基于尺度混合模型和低秩逼近的视频去噪方法，包括：(1)对输入含噪视频序列y＝{y₁,...,y_t,...,y_T}∈R^M×N×T进行中值滤波预处理，得到初始估计视频其中y_t∈R^M×N代表含噪视频y的第t帧图像，代表初始视频y⁰的第t帧图像，t∈{1,2,...,T}，T代表视频中的图像帧数，M和N代表单帧图像的维度；(2)利用初始估计视频y⁰中的第t‑1帧图像第t帧图像和t+1帧图像创建的相似块矩阵X_i,t，生成相似块矩阵索引集合G_i,t：$X_{i,t}=\[x_{i_1,t},x_{i_2,t-1},...,x_{i_s,t},...,x_{i_m,t+1}\]$G_i,t＝[(i₁,t),(i₂,t‑1)...,(i_s,t),...,(i_m,t+1)],其中表示为第s个与x_i,t相似并且从中提取的大小为n的图像块，i＝1,2,...,I，I为聚类后相似块矩阵的个数，(i_s,t)代表对应的索引，s＝1,2,...,m，m为相似块的个数；(3)联合第t帧含噪图像y_t的前后P帧含噪图像y_t‑1和y_t+1，获得去噪后的图像这里P取1：(3a)利用拉普拉斯尺度混合模型，将奇异点矩阵分解为隐性变量因子θ和拉普拉斯变量β的点乘积：${\hat{s}}_t=\underset{\mathrm{\θ},{\hat{s}}_t=\mathrm{\θ}\·\mathrm{\β}}{\arg min}\left|\right|y_t-{\hat{x}}_t-\mathrm{\θ}\·\mathrm{\β}|{|}_2^2+4{\mathrm{\σ}}_w^2\underset{j}{\Σ}log({\mathrm{\θ}}_j+\mathrm{\ϵ})+2\sqrt{2}\underset{j}{\Σ}|{\mathrm{\β}}_j|$其中·代表点乘，β_j和θ_j分别代表β和θ的第j个元素，j＝1,2,...,mn，是高斯噪声的方差，ε＝10^‑5，用来保证计算的稳定性；(3b)对(3a)的分解式进行计算，得到隐性变量因子θ和拉普拉斯变量β：(3b1)将(3a)的分解式转化为如下目标函数，计算隐性变量因子θ：$\mathrm{\θ}=\underset{\mathrm{\θ}}{\arg min}\left|\right|y_t-{\hat{x}}_t-\mathrm{\θ}\·\mathrm{\β}|{|}_2^2+4{\mathrm{\σ}}_w^2\underset{j}{\Σ}log({\mathrm{\θ}}_j+\mathrm{\ϵ});$(3b2)将(3a)的分解式转化为如下目标函数，计算拉普拉斯变量β：$\mathrm{\β}=\underset{\mathrm{\β}}{\arg min}\left|\right|y_t-{\hat{x}}_t-\mathrm{\θ}\·\mathrm{\β}|{|}_2^2+2\sqrt{2}\underset{j}{\Σ}|{\mathrm{\β}}_j|;$(3b3)通过(3b1)计算出的θ和(3b2)计算出的β得到奇异点矩阵(3c)利用非局部低秩模型和(3b3)得到的计算去噪后的图像(3d)重复(3a)‑(3c)共L次，按步骤(2)中的方法在恢复后的视频图像中更新相似块矩阵X_i,t和索引集合G_i,t；(3e)重复(3a)‑(3d)共Q次，Q为迭代次数最大值，得到去噪后的图像(4)重复(3a)‑(3e)共T次，重构出的干净视频序列：