[发明专利]一种混合泊松、高斯和脉冲噪声的视频去噪方法

摘要

本发明公开了一种混合泊松、高斯和脉冲噪声的视频去噪方法，涉及图像处理领域，包括：首先将噪声视频每一帧图像划分为图像块，在噪声视频帧序列中通过块匹配方法对每一个图像块搜索相似图像块；然后构造泊松‑高斯混合噪声先验，建立泊松、高斯和脉冲混合噪声环境下的视频去噪模型；最后采用优化算法求解去噪模型，获得去噪后的清晰图像块，并在此基础上生成去噪后的清晰视频图像。本方法不同于传统视频去噪方法只针对某种类型的噪声，本方法针对混合泊松、高斯和脉冲噪声的视频去噪，能够更好地解决实际噪声环境下的视频去噪问题，而且与传统的视频去噪算法相比能够获得更高质量的视频去噪图像。

主权项

一种混合泊松、高斯和脉冲噪声的视频去噪方法，其特征在于包括以下步骤：步骤一：将噪声视频每一帧图像划分为图像块，在噪声视频帧序列中通过块匹配方法对每一个图像块搜索相似图像块；将噪声视频每一帧图像划分为图像块的具体方法是：对于噪声视频帧序列{I1,I2,…,In}(n为噪声视频帧数)，将每一帧图像划分为s×s像素大小的图像块，图像块之间重叠区域宽度为wo个像素。对于每一个图像块P，通过块匹配方法在噪声视频帧序列中搜索相似图像块，并在每一帧中获取m个相似图像块；对于每个相似图像块，将其所有列依次连接形成一个列向量，则所有相似块的列向量集合为：{di}(i＝1,2,…,mn)。在此基础上，用所有相似块列向量构成观测块矩阵其中D的每一列都是一个相似块列向量，Rh×w表示行数为h、列数为w的实数矩阵集合；所述步骤一中的图像块匹配方法，包括但不限于基于图像块向量之间欧式距离进行图像块匹配的方法；步骤二：构造泊松‑高斯混合噪声先验；其具体形式是：F(A,E,Z)=||(D-A-E-Z)max(A+E+σ2N)A+E+σ2N||F2---(1)]]>其中，F(A,E,Z)表示泊松‑高斯混合噪声先验；A为清晰块列向量构成的块矩阵，A的每一列为前述相似块对应的清晰块列向量；E表示块匹配误差块矩阵，E的每一列为前述相似块对应的匹配误差列向量；Z表示脉冲噪声矩阵，Z的每一列为前述相似块对应的脉冲噪声向量；D表示相似块列向量构成的观测块矩阵；max(X)表示矩阵X的最大元素，除法运算和平方根运算为矩阵逐元素进行；σ为混合泊松、高斯和泊松噪声中，高斯噪声部分的标准差。且N的所有元素都为1；步骤三：构造建立在混合泊松、高斯和脉冲噪声环境下的视频去噪模型；具体形式为：求解使得目标函数值达到最小的去噪块矩阵A、误差块矩阵E和脉冲噪声矩阵Z：minA,E,Z||A||*+λ||E||1+μ||Z||1+12ηF(A,E,Z)---(2)]]>其中，A为清晰块列向量构成的块矩阵，E表示块匹配误差块矩阵，Z表示脉冲噪声矩阵，F(A,E,Z)表示泊松‑高斯混合噪声先验，||·||*，||·||1和||·||F分别为矩阵核范数、范数和Frobenius范数,λ，μ和η为常数系数。求解出清晰图像块矩阵A之后，把A的列向量重新变换为s×s图像块，得到相似图像块对应的清晰图像块；步骤四：采用优化算法求解去噪模型，获得去噪后的清晰图像块；求解清晰图像块的优化算法，包括但不仅限于现有算法Accelerated Proximal Gradient(APG)；步骤五：将去噪后的清晰图像块合并生成清晰视频图像，具体方法是：对于第k帧(k＝1,2,…,n)清晰视频图像，设包含像素pk(x,y)的清晰图像块集合为{b1,b2,…,bv}。其中，x,y分别为该像素在视频图像中的行数和列数，pk(x,y)为(x,y)处的像素点，v为包含像素pk(x,y)的图像块个数，{b1,b2,…,bv}表示包含像素pk(x,y)的清晰图像块集合。则像素pk(x,y)的灰度值为：I(pk(x,y))=1vΣj=1vI(pkj(x,y))---(3)]]>其中，I(pk(x,y))为像素pk(x,y)的灰度值，为bj(j＝1,2,…,v)中像素pk(x,y)对应的灰度值，v为包含像素pk(x,y)的图像块个数。