CN105678704B - 一种基于视觉感知的非局部中值盲降噪方法 - Google Patents
一种基于视觉感知的非局部中值盲降噪方法 Download PDFInfo
- Publication number
- CN105678704B CN105678704B CN201510738612.5A CN201510738612A CN105678704B CN 105678704 B CN105678704 B CN 105678704B CN 201510738612 A CN201510738612 A CN 201510738612A CN 105678704 B CN105678704 B CN 105678704B
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- image
- visual
- pixels
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008447 perception Effects 0.000 title abstract 2
- 230000000007 visual effect Effects 0.000 claims abstract description 67
- 230000009467 reduction Effects 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000011946 reduction process Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 26
- 230000016776 visual perception Effects 0.000 claims description 22
- 238000013139 quantization Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 206010049155 Visual brightness Diseases 0.000 claims 1
- 230000008439 repair process Effects 0.000 abstract description 8
- 230000003044 adaptive effect Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000011002 quantification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241001504519 Papio ursinus Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于视觉感知的非局部中值盲降噪方法，包括下述步骤：基于数字图像中像素的视觉离群测度构造脉冲噪声盲检测器，视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果得到；提取图像的非局部信息，构造非局部中值计算模型；依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项；构建非局部中值降噪泛函模型，自适应修复图像中噪声像素。本发明的盲降噪方法，根据脉冲噪声视觉特性、图像本身自相似性和离群数据挖掘，统一处理数字图像中不同模型、密度的脉冲噪声，可解决实际降噪过程中脉冲模型未知、高密度噪声及图像多模态复杂性导致的噪声像素难以有效修复的问题。
Description
技术领域
本发明涉及图像处理技术领域，尤其是数字图像降噪技术，具体而言涉及一种基于视觉感知的非局部中值盲降噪方法，适于对数字图像中未知模型脉冲噪声的盲降噪。
背景技术
脉冲噪声是数字图像中一类常见的干扰信号，在图像的采集、传输以及存储过程中，因成像***、传输介质及记录设备的不完善、错误等因素而产生。依据亮度值分布通常将脉冲噪声分为三种，分别是固定值、随机值以及固定值随机值混合型。抑制数字图像中的脉冲噪声是图像分析、理解及识别的前提和基础，也是该领域的一个重点和难点问题。针对具体脉冲模型，国内外研究机构和研究人员开展了广泛的研究，得到了大量的降噪方法，总的来说，可分为变换域降噪和空域降噪两类。
变换域降噪方法的思路是，将观测图像进行转化，在变换域中抑制噪声，然后通过反变换得到最终降噪结果。这类方法以变换域系数的分布特点及字典表示域的稀疏性为先验，具有强大的多分辨性和稀疏表示能力，但系数操作复杂、对参数设置和初始条件依赖性强，而且通常没有全局解，修复高密度噪声图像、复杂图像时，易引入虚假信息，破环对比度，如产生“振铃”、“阶梯”、“重叠”。
空域降噪方法是直接在图像的空间域中抑制脉冲噪声，相比之下，这一方法在现有技术中的应用相对成熟，降噪结果也更接近视觉感知。脉冲噪声的空域去除方法大致可分为线性和非线性两类。均值滤波、中值滤波及其改进算法是最为典型的空域滤波算法，但仅仅利用均值、中值及其简单的变形对噪声像素修复，赋值精度低，可能会导致降噪结果模糊或细节信息丢失。理论和实验表明，基于能量泛函模型的正则化脉冲噪声去除方法可以有效地抑制噪声，并较完整地保护图像的细节。围绕正则化模型的设计，正则化参数的选取，目标函数的求解三项工作，国内外研究人员提出了l1范数+保边正则化项、l1范数+全变差项、l1范数+偏微分约束、l1范数+lp范数约束项等优秀算法。一般情况下，这些方法大多具有理想的降噪性能，可抑制脉冲并有效地保护图像的细节，但前提是先验约束准确可靠，正则化参数选取合理。在选取正则化参数时，目前大多算法采用预先统一定义，再通过大量实验优化的方式。但对图像中不同特征的噪声像素定义一致参数值，使得图像的复杂区域，高密度噪声区域保真和平滑失衡，复杂图像、高密度噪声图像修复精确性降低。
综上，现有的多数方法在脉冲模型、噪声生密度已知，待修复图像相对简单时可获得较好的降噪结果。但考虑到实际降噪过程中，很少会预先知道图像中脉冲噪声的具体模型、密度以及待修复图像的复杂程度，因而涉及图像中对未知模型脉冲噪声的盲检测、对不同特征区域像素的自适应检测、修复以及对高密度脉冲噪声的有效去除等问题时，现有的降噪方法很难有效处理。
发明内容
针对现有技术存在的缺陷或不足，本发明旨在提出一种基于视觉感知的非局部中值盲降噪方法，可在未知脉冲噪声模型、噪声密度以及图像的复杂度的情况下有效地抑制噪声，并完整地保护图像的细节信息。
本发明的另一目的在于，提供一种基于视觉感知的脉冲噪声的盲降噪装置，以及一种用于实现前述基于视觉感知的非局部中值盲降噪的计算机***。
本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的，本发明的第一方面提出一种基于视觉感知的非局部中值盲降噪方法，包括以下步骤：
步骤1、基于数字图像中像素的视觉离群测度，构造脉冲噪声盲检测器，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
步骤2、提取图像的非局部信息，构造非局部中值计算模型；
步骤3、依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项；
步骤4、依据步骤2、3建立非局部中值降噪泛函模型，自适应修复图像中噪声像素。
根据本公开，本发明的另一方面还提出一种基于视觉感知的脉冲噪声的盲降噪装置，包括：
用于基于数字图像中像素的视觉离群测度，构造脉冲噪声盲检测器的第一模块，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
用于提取图像的非局部信息，构造非局部中值计算模型的第二模块；
用于依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项的第三模块；
用于依据前述第二模块所构建的非局部中值计算模型和第三模块所建立的非局部中值正则化项构建非局部中值降噪泛函模型，该非局部中值降噪泛函模型被配置用于自适应修复图像中噪声像素。
根据本发明的改进，本发明的第三方面还提出一种用于实现基于视觉感知的非局部中值盲降噪的计算机***，该计算机***包括：
存储器；
一个或多个处理器；
一个或多个模块，该一个或多个模块被存储在所述存储器中并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行下述处理的模块：
用于基于数字图像中像素的视觉离群测度，构造脉冲噪声盲检测器的第一模块，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
用于提取图像的非局部信息，构造非局部中值计算模型的第二模块；
用于依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项的第三模块；
用于依据前述第二模块所构建的非局部中值计算模型和第三模块所建立的非局部中值正则化项构建非局部中值降噪泛函模型，该非局部中值降噪泛函模型被配置用于自适应修复图像中的噪声像素。
与现有技术相比，本发明所提出的盲降噪方案，具有显著的有益效果：
1.从视觉角度量化和融合了不同模型脉冲噪声离群特性，提出像素视觉离群测度，构造了脉冲噪声盲检测器，为不同模型的脉冲噪声统一判别，实现未知模型脉冲噪声盲检测；
2.设计了非局部中值脉冲噪声去除方法，自适应正则化参数，结合非局部中值构造降噪泛函模型，增加目标函数的先验约束，从而提高噪声像素的修复精度；
3.在未知脉冲噪声模型，噪声密度以及图像的复杂度的情况下有效地抑制噪声，并完整地保护图像的细节信息。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是根据本发明某些实施例的基于视觉感知的非局部中值盲降噪方法的流程图。
图2a-2d分别是两类脉冲干扰的图像示意图(噪声密度均为30％)。
图3a-3c分别是受到50％随机值噪声干扰的X-ray图像及其降噪处理结果示意图。
图4a-4c的分别是受到70％固定值噪声干的舌苔图像及其降噪处理结果示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
根据本发明的实施例，总体来说，本发明所提出的基于视觉感知的非局部中值盲降噪方法，根据脉冲噪声视觉特性、图像本身自相似性和离群数据挖掘，统一处理数字图像中不同模型、密度的脉冲噪声，旨在解决实际降噪过程中脉冲模型未知、高密度噪声及图像多模态复杂性导致的噪声像素难以有效修复问题。
在整个盲降噪的过程大致包括两个阶段，分别是：1)基于数字图像中像素的视觉离群测度构造脉冲噪声盲检测器，对数字图像中未知模型脉冲噪声盲判别；2)在噪声像素赋值阶段，基于非局部中值降噪算法建立目标泛函模型，自适应修复图像中的噪声像素。
前述的视觉离群测度，通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果的获取，以此计算每个像素的视觉离群测度，为噪声像素的检测提供度量依据。
正如下述具体实施例所描述的，不同模型的噪声脉冲噪声的视觉共性主要体现在三个方面：空间分布孤立、联通性差、亮度异常。本发明的盲降噪方法旨在利用这些视觉共性进行量化，对量化结果进行融合，并以此来计算数字图像中像素的视觉离群测度。
在融合的基础上，我们来构建盲检测器，对数字图像中未知模型脉冲噪声盲判别。然后，在使用基于非局部中值降噪算法的目标泛函模型来对数字图像中的噪声进行自适应修复。
下面结合附图所示，更加具体地描述前述实施例的盲降噪方法的实现。
结合图1所示，根据本发明的实施例，一种基于视觉感知的非局部中值盲降噪方法，包括以下步骤：
步骤1、基于数字图像中像素的视觉离群测度，构造脉冲噪声盲检测器，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
步骤2、提取图像的非局部信息，构造非局部中值计算模型；
步骤3、依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项；
步骤4、依据步骤2、3建立非局部中值降噪泛函模型，自适应修复图像中噪声像素。
作为可选的例子，前述步骤1在实现时，包括脉冲噪声视觉共性量化、融合量化结果并构建盲检测器两个过程，下面分别进行具体的说明。
首先，结合不同模型的噪声脉冲噪声的视觉共性特点，我们对脉冲噪声视觉共性量化的处理包括：像素的空间离群量化以及像素的亮度离群量化。
a.像素的空间离群量化：依据数字图像局部联通的数据特点，利用空间离群测度，采用基于连通性的异常数挖掘算法，计算任意像素i的空间测度(IM:isolationmeasurement)IM(i)；
b.像素的亮度离群量化：基于韦伯-费希纳定律，研究目标像素局部区域最小亮度可觉差，以此结合局部空间离群测度量化像素i相对于其背景的亮度离群测度(LTM：luminance transition measurement)LTM(i)。
融合前述像素的空间离群量化以及像素的亮度离群量化的结果，我们可以获得每个像素的视觉离群测度(VPOM:visual perception outlier measurement)VPOM(i)，并在此基础上构造基于像素视觉离群测度的脉冲噪声盲检测器。
由于非局部均值去噪算法的计算模型来源于对以P为自变量函数求解极小值。
minP(Σj∈P(i)ωi,j|P-Pj|2)
式中，i表示目标像素，j表示非局部像素，Pj是j为中心的图像块，P(i)是像素i的自相似像素搜索窗口，ωi,j是像素i与j的相似度。
考虑到脉冲噪声的非线性特征，将非局部均值算法中均值求解转换成中值求解可提高噪声像素的赋值精确性，求目标像素i所有自相似像素的加权中值——非局部中值算法，解出P为自变量函数的极小值获得中值。
因此，在前述的步骤2中，我们通过下述方式来构造非局部中值计算模型：
minP(Σj∈P(i)ωi,j|P-Pj|2)
如前述的，i表示目标像素，j表示非局部像素，Pj是j为中心的图像块，P(i)是像素i的自相似像素搜索窗口，ωi,j是像素i与j的相似度。
因此求解得到的P为自变量函数的极小值即获得了非局部中值。
同时，由于噪声像素对i的修复贡献很小，所以在一些实施例中结合像素的离群测度和像素的模糊隶属度优化权重ωi,j。为了快速地解出对应的加权均值，作为优选的例子，采用设定阈值限制自相似像素个数的办法求解极小值，以降低计算复杂度，提高计算模型的收敛速度。
当然，在另一些实施例中，还可以采用现有的其他的公知的方式来求解，在此不再赘述。
我们以能量泛函模型为框架，利用非局部中值构造正则项，建立降噪泛函模型，将在以下内容中更加具体地描述。
在步骤3中，我们以像素的视觉离群度、噪声像素的检测结果(迭代过程中像素i被判断为噪声像素的次数T(i))，分析像素所处区域的局部信息，为像素自适应地确定正则化参数：
λ(i)＝λ0f1(VPOM(i))f2(T(i))
λ0是初始正则化参数，f1和f2是权重函数。
在步骤4中，我们结合局部正则项、非局部中值计算模型及自适应正则化参数构造非局部中值正则化项。
下面结合图1所示，对采用前述实施例的基于视觉感知的非局部中值盲降噪方法对数字图像进行盲降噪处理的流程进行示例性的说明。
步骤1、输入一幅受到脉冲噪声干扰的观测图像u
本步骤输入的图像u受到脉冲噪声干扰，但具体的脉冲模型未知，可能是固定值脉冲模型或随机值脉冲模型，当然甚至有可能是二者的混合模型。如图2a-2d的示例，图中的画面的噪声密度为30％。
步骤2、计算观测图像u中任一像素i的空间、亮度离群测度，融合计算结果得到图像中每个像素的视觉离群测度
a.计算图像u中任一像素i的空间离群测度
依据人眼对亮度的视觉感知在以像素i为中心的9×9领域，利用下式的可变阈值LUT(ul)，其中l＝i+k,k∈[-4,4]，计算该像素的联通像素链，以最大的联通像素链，即包含像素数目最多的像素链的像素个数来定义该像素的连通性参数C。
式中，ul表示像素链中当前像素l的亮度，LUT(l)是以像素l的亮度为背景的可变阈值。
在以像素l为中心5×5的窗口中计算与像素i亮度差最小的10个像素，找出这些像素的连通性参数取其中值C1，然后再取整个5×5窗口中所有像素的连通性参数的中值C2，取二者的比值作为像素i的连通性测度IM(i)。
b.计算图像u中任一像素i的亮度离群测度
根据空间离群测度，在以像素i为中心5×5的窗口中根据下式计算该图像块的α剪裁均值作为局部区域的背景亮度：
式中，uα是α剪裁均值，n是图像块中像素的个数，uk是将n个像素从小到大排列后的第k个值，这里取α＝18。
在以像素i为中心5×5的窗口中，计算计算与像素i亮度差最小的10个像素，计算这些像素与像素i的亮度差St,t∈[1,10]，根据费希纳定律计算像素的局部视觉亮度差，如下式：
c.融合亮度离群测度和空间离群测度，计算图像u中任一像素i的视觉离群测度VPOM(i)，该数值是判断该像素i是否属于噪声像素的依据。
VPOM(i)＝β·IM(i)+γ·LTM(i)
上式中，β和γ是亮度离群测度和空间离群测度的融合系数，这里取β＝γ＝0.5。
步骤3、利用图像u中各个像素的视觉离群测度，构建如下公式的盲检测器，通过阈值Tk检测图像中的噪声像素：
Tk＝Tk-1·0.9,k＝1,2,3,…Kmax
上式中，k是迭代次数(本发明的降噪过程采取迭代处理)，Kmax是最大迭代次数。
步骤4、提取图像u中任一像素i的非局部信息
选取以像素i为中心21×21的图像块，在此像素块中利用如下核函数计算像素i的自相似像素权重ωi,j：
上式中，ui和uj分别是i和j的像素值，λ＝16。
步骤5，计算图像u中任一像素i的正则化参数
以像素的视觉离群度、噪声像素的检测结果(迭代过程中像素i被判断为噪声像素的次数T(i))，为像素自适应地确定正则化参数。
λ(i)＝λ0f1(VPOM(i))f2(T(i))
λ0是初始正则化参数，这里取λ0＝0.01，f1和f2是权重函数，其中，
上式中，VPOM(i+k)是像素i为中心的3×3的领域内像素的视觉离群测度值。
上式中Kmax表示降噪处理过程中的最大迭代次数。
步骤6，建立目标降噪泛函模型Fr:RM×N→R，对图像u中待修复像素(步骤3检测出的噪声像素)进行估值修复
上式中，V≡{1,2,…,M}×{1,2,…,N}，其表示一幅大小为M×N的图像，r表示降噪修复图像，这里的i表示目标像素点，j是像素i的自相似像素，Q是自相似像素中与i最相似的49个像素，ri表示像素i的修复结果，rj表示像素j的修复结果，λ的取值为16。
通过求取Fr(u)的极小值对图像中的噪声像素估值修复，本实施例的降噪是是迭代算法，通过迭代逐步对图像中的脉冲噪声检测修复，最终将图像u修复。
如前述实施例所描述的盲降噪方法，下面结合一些利用该方法对数字图像进行降噪处理的例子，进一步描述其降噪效果。
1)实验条件windows8，CPU Inter(R)Core(TM)i5,2.5GHz，软件平台为Matlab7.9.1。
仿真选取的第一个数据是受到50％的随机值噪声污染的X-ray图像，如图3a，第二个数据是受到70％固定值噪声污染舌苔图像4a。第三个数据是受到30％混合噪声干扰的Lena图像、Baboon图像、Goldhill图像，Boat图像、Pepper图像。
2)实验内容与结果
在上述实验条件下分别使用传统的非局部均值方法(NLM方法)和前述实施例的方法处理第一个、第二个实验数据。NLM方法得到的降噪结果如图3b、图4b；本发明得到的降噪结果如图3c、图4c。
比较图3b、图3c以及图4b、图4c可以看出，现有技术的NLM方法降噪图像细节损失比较严重，图像的边缘出现了一定程度的破坏，本发明前述实施例的方法不但可以有效的去除噪声同时又可以保持图像的细节，从视觉效果上明显优于现有技术的NLM方法。
在上述实验条件下利用NLM方法和本发明方法对第三个数据降噪处理，计算降噪结果图像的整体峰值信噪比PSNR和平均绝对误差MAE，结果如表1。
表1—30％脉冲噪声干扰的图像修复结果的PSNR值和MAE值
从表1可以看出，本发明前述实施例的方法在混合模型脉冲噪声的降噪效果明显优于NLM算法，其反映图像质量的PSNR值较高，且反映图像细节损失的MAE值较小。
综上，本发明方法与传统的NLM方法相比在去除各种类型的脉冲噪声方面具有明显的优势，降噪性能更好，所得结果图像PSNR显著提高，细节保护更完整，并且实现了未知脉冲模型噪声的盲检测和对高密度噪声图像和复杂图像中噪声像素的自适应修复，提高了噪声像素修复的准确性。
根据本公开，本发明还涉及一种基于视觉感知的脉冲噪声的盲降噪装置，包括：
用于基于数字图像中像素的视觉离群测度，构造脉冲噪声盲检测器的第一模块，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
用于提取图像的非局部信息，构造非局部中值计算模型的第二模块；
用于依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项的第三模块；
用于依据前述第二模块所构建的非局部中值计算模型和第三模块所建立的非局部中值正则化项构建非局部中值降噪泛函模型，该非局部中值降噪泛函模型被配置用于自适应修复图像中噪声像素。
应当理解，本实施例所提出的第一模块、第二模块、第三模块以及第四模块，其功能、作用以及效果已经在以上基于视觉感知的非局部中值盲降噪方法的描述中进行了说明，其实现方式并且在前述关于盲降噪方法的实施例中做了示例性说明，在此不再赘述。
根据本发明的前述实施方式，例如基于视觉感知的非局部中值盲降噪方法以及基于视觉感知的非局部中值盲降噪装置，本发明还提出一种用于实现基于视觉感知的非局部中值盲降噪的计算机***，该计算机***包括：
存储器；
一个或多个处理器；
一个或多个模块，该一个或多个模块被存储在所述存储器中并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行下述处理的模块：
用于基于数字图像中像素的视觉离群测度，构造脉冲噪声盲检测器的第一模块，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
用于提取图像的非局部信息，构造非局部中值计算模型的第二模块；
用于依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项的第三模块；
用于依据前述第二模块所构建的非局部中值计算模型和第三模块所建立的非局部中值正则化项构建非局部中值降噪泛函模型，该非局部中值降噪泛函模型被配置用于自适应修复图像中的噪声像素。
应当理解，前述的存储器用于存放程序和数据，用于供所述处理器执行。这些存储器，例如可以是以磁盘为存储介质的存储器，或者以闪存芯片为基础的存储器等等。
显然，在本实施例的计算机***中，这些存储的模块，可由一个或多个处理器执行而实现前述基于视觉感知的非局部中值盲降噪方法所描述的盲降噪处理，达到对未知脉冲模型噪声的盲检测和对高密度噪声图像和复杂图像中噪声像素的自适应修复，提高噪声像素修复的准确性。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (1)
1.一种基于视觉感知的非局部中值盲降噪方法，其特征在于，包括以下步骤：
步骤1、基于数字图像中像素的视觉离群测度构造脉冲噪声盲检测器，所述的视觉离群测度通过量化不同模型脉冲噪声的视觉共性，融合不同视觉特征量化结果而得到；
步骤2、提取图像的非局部信息，构造非局部中值计算模型；
步骤3、依据视觉离群测度和非局部信息计算正则化参数，建立非局部中值正则化项；
步骤4、依据步骤2、3建立非局部中值降噪泛函模型，自适应修复图像中噪声像素；
其中，所述步骤1中，基于数字图像中像素的视觉离群测度构造脉冲噪声盲检测器的具体实现包括：
1-1)计算一受到脉冲噪声干扰的图像u中任一像素i的空间离群测度；
1－2)计算前述图像u中任一像素i的亮度离群测度；
1－3)融合亮度离群测度和空间离群测度，计算图像u中任一像素i的视觉离群测度VPOM(i)，该数值是判断该像素i是否属于噪声像素的依据；以及
1－4)利用图像u中各个像素的视觉离群测度VPOM(i)，构建如下公式的盲检测器，通过阈值Tk检测图像中的噪声像素：
Tk＝Tk-1·0.9,k＝1,2,3,…Kmax
上式中，k是迭代次数，Kmax是最大迭代次数；
其中，所述步骤1－1)中，任一像素i的空间离群测度的计算方式如下：
依据人眼对亮度的视觉感知在以像素i为中心的9×9邻域，利用下式的可变阈值LUT(ul)，其中l＝i+k,k∈[-4,4]，计算该像素的连通像素链，以最大的连通像素链，即包含像素数目最多的像素链的像素个数来定义该像素的连通性参数C：
式中，ul表示像素链中当前像素l的亮度，LUT(ul)是以像素l的亮度为背景的可变阈值；
在以像素l为中心5×5的窗口中计算与像素i亮度差最小的10个像素，找出这些像素的连通性参数取其中值C1，然后再取整个5×5窗口中所有像素的连通性参数的中值C2，取二者的比值作为像素i的连通性测度IM(i)，该连通性测度IM(i)即为像素i的空间离群测度；
并且，前述步骤1－2)中亮度离群测度的计算方式如下：
根据空间离群测度，在以像素i为中心5×5的图像块中根据下式计算该图像块的α剪裁均值作为局部区域的背景亮度：
式中，uα是α剪裁均值，n是图像块中像素的个数，uk是将n个像素从小到大排列后的第k个值，α＝18；
在以像素i为中心5×5的窗口中，计算与像素i亮度差最小的10个像素，计算这些像素与像素i的亮度差St,t∈[1,10]，根据费希纳定律计算像素的局部视觉亮度差，如下式：
依此计算得到的局部视觉亮度差LTM(i)即为像素i的亮度离群测度；
并且在步骤1－3)中，利用下式融合亮度离群测度和空间离群测度，计算图像u中任一像素i的视觉离群测度VPOM(i)：
VPOM(i)＝β·IM(i)+γ·LTM(i)
上式中，β和γ是亮度离群测度和空间离群测度的融合系数，取β＝γ＝0.5；
其中，前述步骤2的具体实现包括：
选取以像素i为中心21×21的图像块，在此图像块中利用如下核函数计算像素i的自相似像素权重ωi,j：
上式中，ui和uj分别是i和j的像素值，λ＝16；
其中，所述步骤3的具体实现包括：
以像素的视觉离群度、噪声像素的检测结果，为像素自适应地确定正则化参数λ(i)：
λ(i)＝λ0f1(VPOM(i))f2(T(i))
λ0是初始正则化参数，这里取λ0＝0.01，f1和f2是权重函数，T(i)是噪声像素的检测结果，即迭代过程中像素i被判断为噪声像素的次数；
其中，
上式中，VPOM(i+k)是像素i为中心的3×3的邻域内像素的视觉离群测度值；
上式中Kmax表示降噪处理过程中的最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510738612.5A CN105678704B (zh) | 2015-11-02 | 2015-11-02 | 一种基于视觉感知的非局部中值盲降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510738612.5A CN105678704B (zh) | 2015-11-02 | 2015-11-02 | 一种基于视觉感知的非局部中值盲降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105678704A CN105678704A (zh) | 2016-06-15 |
| CN105678704B true CN105678704B (zh) | 2018-09-25 |
Family
ID=56946801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510738612.5A Active CN105678704B (zh) | 2015-11-02 | 2015-11-02 | 一种基于视觉感知的非局部中值盲降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105678704B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832967B (zh) * | 2017-11-23 | 2021-09-14 | 福建农林大学 | 一种适用于竹林空间的声景协调度动态评价方法 |
| KR20200116763A (ko) | 2019-04-02 | 2020-10-13 | 삼성전자주식회사 | 키-밸류 커플링을 이용한 유사성 처리 방법 및 장치 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102209385A (zh) * | 2011-05-25 | 2011-10-05 | 厦门雅迅网络股份有限公司 | 一种基于空间离群数据挖掘算法计算基站位置的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9063226B2 (en) * | 2009-01-14 | 2015-06-23 | Microsoft Technology Licensing, Llc | Detecting spatial outliers in a location entity dataset |
-
2015
- 2015-11-02 CN CN201510738612.5A patent/CN105678704B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102209385A (zh) * | 2011-05-25 | 2011-10-05 | 厦门雅迅网络股份有限公司 | 一种基于空间离群数据挖掘算法计算基站位置的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Adaptive Impulse Detection Using Center-Weighted;Tao chen et al;《SIGNAL PROCESSING LETTERS》;20010131;第8卷(第1期);全文 * |
| 一种有效的脉冲噪声去除算法;胡积宝 等;《计算机工程与应用》;20140601;第50卷(第11期);全文 * |
| 一种有效的脉冲噪声去除算法研究;朱柱;《信息与电脑》;20150723(第14期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105678704A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209952B (zh) | 基于改进ssd和迁移学习的水下目标检测方法 | |
| Jiao et al. | Local stereo matching with improved matching cost and disparity refinement | |
| Yu et al. | Image denoising using trivariate shrinkage filter in the wavelet domain and joint bilateral filter in the spatial domain | |
| EP3132418B1 (en) | Non local image denoising | |
| Long et al. | Adaptive surface normal constraint for depth estimation | |
| Hosseini et al. | Real-time impulse noise suppression from images using an efficient weighted-average filtering | |
| Abiko et al. | Blind denoising of mixed Gaussian-impulse noise by single CNN | |
| Muduli et al. | A novel technique for wall crack detection using image fusion | |
| CN104657951A (zh) | 图像乘性噪声移除方法 | |
| CN111968047A (zh) | 一种基于生成式对抗网络的自适应光学图像盲复原方法 | |
| Siravenha et al. | Evaluating inpainting methods to the satellite images clouds and shadows removing | |
| CN110889817B (zh) | 图像融合质量评价方法及装置 | |
| Zhang et al. | NAMF: A Nonlocal Adaptive Mean Filter for Removal of Salt‐and‐Pepper Noise | |
| CN105678704B (zh) | 一种基于视觉感知的非局部中值盲降噪方法 | |
| CN107610056B (zh) | 基于全变分的混合加权维纳滤波图像去噪方法 | |
| CN111340741B (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
| Ponomaryov et al. | Fuzzy color video filtering technique for sequences corrupted by additive Gaussian noise | |
| CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
| CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
| Wang et al. | Infrared image edge detection based on improved Canny algorithm | |
| Huang et al. | Fast color-guided depth denoising for RGB-D images by graph filtering | |
| Ding et al. | Optimum inpainting for depth map based on l 0 total variation | |
| Biswas | Impulse noise suppression in color images using median filter and deep learning | |
| Chen et al. | A Self-supervised SAR Image Despeckling Strategy Based on Parameter-sharing Convolutional Neural Networks | |
| Nair et al. | An efficient directional weighted median switching filter for impulse noise removal in medical images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |