CN106780398B - 一种基于噪声预测的图像去噪方法 - Google Patents
一种基于噪声预测的图像去噪方法 Download PDFInfo
- Publication number
- CN106780398B CN106780398B CN201710016951.1A CN201710016951A CN106780398B CN 106780398 B CN106780398 B CN 106780398B CN 201710016951 A CN201710016951 A CN 201710016951A CN 106780398 B CN106780398 B CN 106780398B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- information
- redundancy
- image sequence
- 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 28
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000006835 compression Effects 0.000 claims description 18
- 238000007906 compression Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000012880 independent component analysis Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 8
- 238000000926 separation method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000017105 transposition 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
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于噪声预测的图像去噪方法,属于图像处理的技术领域。本发明首先通过KSVD算法去除原始图像中不必要的冗余信息,接着通过邻域窗口对KSVD算法处理后剩余的图像冗余信息进行非均值处理,避免了大范围预测噪声带来的不准确,使得除去预测噪声后的图像能够更大限度地保留细节信息,再以原始图像和非均值处理后图像的差为独立成分分析算法的观测图像,通过独立成分分析确保分离出的有用信息分量和噪声分量相互独立,在去噪的同时尽量保留图像的有用信息,保证降噪后的图像最优。
Description
技术领域
本发明公开了一种基于噪声预测的图像去噪方法,属于图像处理的技术领域。
背景技术
随着以计算机网络为基础的信息化技术的发展,人们对数字图像质量的要求越来越高,影像输出设备及一些光电器件产生的热噪声、散粒噪声和量子噪声等噪声会严重降低最终输出的图像的质量。数字图片噪声按照产生的原因可以分为内部噪声和外部噪声,按照噪声幅度随时间分布的形状来定义又可分为高斯噪声和雷利噪声,高斯噪声和椒盐噪声是数字图像中常见的两种噪声。
传统的去噪方式将噪声和有用信息同等对待,认为噪声和图像细节信息在某个变换域中分布于不同区间,然而,噪声和某些有用信息图像在某个区域中一般为相互叠加,在去除噪声的同时也会去除有用的细节信息,不同的去噪手段只能在特定的噪声信号范围之内有效,超出范围的含噪图像经过处理会大面积失真。
盲源分离是一种基于统计等热信号的处理技术,最初的经典应用为“鸡尾酒会”。盲源分离因可以分析多维数据逐渐被应用于图像融合、图像增强、特征提取、伪影消除、混合图像、消除散乱线等图像处理方面,而利用盲源分离进行图像降噪需要借助噪声的先验知识或者通过训练含噪声图像的方式进行稀疏编码压缩。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供了一种基于噪声预测的图像去噪方法,通过对原始图像的逐步降噪处理,最大限度地保留了图像细节信息解决了盲源分离算法必须要有多张图像信号源的技术问题。
本发明为实现上述发明目的采用了如下技术方案:
本发明专利是一种基于盲源分离的从含噪图像中进行一定的噪声预测的图像去噪方法,当所得图像只有一张时,需要对这张图像进行一部分去噪处理,首先要进行的是压缩,通过压缩得到图像的冗余信息,对冗余信息进行非均值处理得到噪声强度不同的图像,重复此步骤,可以得到多张含不同强度噪声的图像,再根据独立成分分析算法进行盲源分离得到去噪图像,不需要大量地拍摄照片且能够最大限度地保留细节信息。
该方法具体是:对经KSVD字典压缩的冗余信息进行非均匀处理得到含有不同强度高斯噪声的图像,原始噪声图像减去含有不同强度高斯噪声的图像得到一张初步去噪图像,再对初步去噪图像进行盲源分离,具体方法如下:
1、稀疏压缩原始噪声图像
采用KSVD压缩算法处理拍摄得到的原始噪声图像,即满足KSVD的压缩迭代条件,KSVD算法的目标函数表示为:
其中,D∈Rn×K y∈Rn x∈RK,D、Y、X分别代表字典、训练信号、训练信号的稀疏表示向量,D∈Rn×K,Y∈Rn,X∈RK,Rn×K为n×K的向量空间,Rn为n维向量空间,RK为K维向量空间,为N个训练信号的集合,为Y的解向量集合,T0为稀疏表示系数中非零分量的数目的上限,即系数向量中的最大差异度。
经过迭代变换之后,原始噪声图像中的许多噪声信息被一同剔除,保留下来的冗余信息却含有很多图像细节信息,即,经KSVD压缩处理过得到的冗余信息包含噪声信息和大量的图像细节信息,非均值处理对这些过量冗余信息进一步稀疏化;
2、非均值处理冗余信息
搜索窗口以D像素为窗口大小,邻域窗口以d像素为窗口大小,由于KSVD压缩处理后产生的冗余信息在保留了部分信息的同时还保留了大量的图像细节信息,根据邻域间的相似性确定像素的权值以估计一个相对较小的噪声信号通过计算两个邻域窗口间的相似程度为像素点y赋以权值像素点x的预测噪声为:
其中,权值表示像素点x和像素点y间的相似度,它的值由以像素点x、像素点y为中心的矩形邻域V(x),V(y)间的距离||V(x)-V(y)||2决定:
其中,
Z(x)为归一化系数,h为控制高斯函数衰减程度的平滑参数,d为邻域窗口的大小,ds为变换域,重复非均值处理可以得到由多张含不同强度噪声的图像组成的图像序列,原始噪声图像X'和预测噪声的做差得到初步的去噪图像
3、盲源分离初步去噪图像
就成为了新的观测图像,根据盲源分离:
下标i便是每帧观测图像在图像序列中的次序,i的取值1,...,m,m为观测图像的总帧数,aij是分量混合系数,S表示由图像分量sj组成的矩阵,S=[s1,s2,...,sj...,sn]T,下标j表示分量序号,j的取值1,...,n,n为分量总数;m、n为整数,且m≥n≥2,T表示矩阵转置;
通过不动点独立成分分析FastICA得到分离矩阵W,从而得到无限逼近分量Sj的分量yi,其关系式如下表示:
Y=WT=WAS→S (8)
式(8)中,Y表示由分离出的分量组成的矩阵,Y=[y1,y2,...yn]T,yi表示图像信息分量。
由于非均值处理是通过邻域窗口进行的,因此确保了不会因为大范围预测噪声造成计算不准确,使得去除预测噪声信号之后的图像可以更大限度地保留细节信息,以经过非均值处理后的图片与原始噪声图像的差作为观测图像进行盲源分离能够得到最优的去噪图像。
针对成像设备拍摄的图像序列,本发明提出一种基于噪声预测的图像去噪方法,对原始噪声图像序列进行灰度处理,通过KSVD算法对灰度处理后的原始噪声图像序列进行字典压缩得到稀疏后的冗余图像序列,对冗余信息图像序列进行邻域内相似性变换得到新的含噪图像序列,以冗余信息图像中的噪声信息和图像有用信息为独立分量进行盲源分离,统计被分离出的每个独立分量的标准方差或方差,依据独立分量标准方差或方差的特性筛选出图像有用信息独立分量。
本发明采用了上述技术方案,具有以下有益效果:首先通过KSVD去除图像中不必要的冗余信息,接着通过邻域窗口对KSVD处理后剩余的图像冗余信息进行非均值处理,避免了大范围预测噪声带来的不准确,使得除去预测噪声后的图像能够更大限度地保留细节信息,再以原始图像和非均值处理后图像的差为独立成分分析算法的观测图像,通过独立成分分析确保分离出的有用信息分量和噪声分量相互独立,在去噪的同时尽量保留图像的有用信息,保证降噪后的图像最优。
附图说明
图1为本发明涉及的图像去噪方法的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
利用成像设备拍摄一个图像序列,所拍摄的目标处于相对静止状态;之后通过对得到的灰度图像进行KSVD压缩,最大限度地保留图像信息得到包含噪声信息和图像信息有用信息的冗余信息图像序列,对冗余信息图像序列进行邻域内相似性变换处理得到新的含噪图像序列;利用盲源分离中高阶统计的独立分量分析方法对新的含噪图像序列进行分离,计算被分离出的每个分量的标准方差(Standard Deviation,SD)或方差(Vanriation),值较大者即为所求的图像有用信息分量,而多个噪声分量的标准方差彼此接近,但相对于图像有用信息的标准方差较小。
将图像噪声信息和图像有用信息视为组成图像的独立分量,组合不同噪声图像得到的较小的标准方差(Standard Deviation,SD)或方差(Vanriation)大致相同,而较大标准方差或方差对应的独立分量表示图像信息,输出较大标准方差或方差对应的独立分量所组成的图像,即完成降噪处理。
当图像只有一张时,需要对这张图像进行一部分去噪处理,首先要进行的是压缩,通过压缩得到图像的冗余信息,对冗余信息进行非均值处理得到噪声强度不同的图像,以此类推,可以得到多张含不同强度噪声的图像,再根据独立成分分析算法进行盲源分离得到去噪图像。不需要大量的拍摄照片且能够最大限度的保留细节信息。
其方法如图1所示:对KSVD字典压缩的冗余信息进行非均匀处理得到含有不同强度高斯噪声的图像,原始噪声图像减去含有不同强度高斯噪声的图像得到一张初步去噪图像,再对初步去噪图像进行盲源分离,具体方法如下:
1、稀疏压缩原始噪声图像
采用KSVD压缩算法处理拍摄得到的原始噪声图像,即满足KSVD的压缩迭代条件,KSVD算法的目标函数表示为:
其中,D∈Rn×K y∈Rn x∈RK,D、Y、X分别代表字典、训练信号、训练信号的稀疏表示向量,D∈Rn×K,Y∈Rn,X∈RK,Rn×K为n×K的向量空间,Rn为n维向量空间,RK为K维向量空间,为N个训练信号的集合,为Y的解向量集合,T0为稀疏表示系数中非零分量的数目的上限,即系数向量中的最大差异度。
经过迭代变换之后,原始噪声图像中许多噪声信息被一同剔除,保留下来的冗余信息却含有很多图像的细节信息,即,经KSVD压缩处理过得到的冗余信息包含噪声信息和大量的图像细节信息,非均值处理对这些过量冗余信息进一步稀疏化。
2、非均值处理冗余信息
搜索窗口以D像素为窗口大小,邻域窗口以d像素为窗口大小,由于KSVD压缩处理后产生的冗余信息在保留了部分噪声信息的同时还保留了大量的图像细节信息,根据邻域间的相似性确定像素的权值以估计一个相对较小的噪声信号。通过计算两个邻域窗口间的相似程度为像素点y赋以权值像素点x的预测噪声为:
其中,权值表示像素点x和像素点y间的相似度,它的值由以像素点x、像素点y为中心的矩形邻域V(x),V(y)间的距离||V(x)-V(y)||2决定:
其中,
Z(x)为归一化系数,h为控制高斯函数衰减程度的平滑参数,d为邻域窗口的大小,ds为变换域,重复非均值处理可以得到由多张含不同强度噪声的图像组成的图像序列,原始噪声图像X'和预测噪声的做差得到初步的去噪图像
3、盲源分离初步去噪图像
就成为了新的观测图像,根据盲源分离:
下标i便是每帧观测图像在图像序列中的次序,i的取值1,...,m,m为观测图像的总帧数,aij是分量混合系数,S表示由图像分量sj组成的矩阵,S=[s1,s2,...,sj,...,sn]T,下标j表示分量序号,j的取值1,...,n,n为分量总数;m、n为整数,且m≥n≥2,T表示矩阵转置;
通过不动点独立成分分析FastICA得到分离矩阵W,从而得到无限逼近分量Sj的分量yi,其关系式如下表示:
Y=WT=WAS→S (8)
式(8)中,Y表示由分离出的分量组成的矩阵,Y=[y1,y2,...,yi,...,yn]T,yi表示图像信息分量。
由于非均值处理是通过邻域窗口进行的,因此确保了不会因为大范围预测噪声造成计算的不准确,使得去除预测噪声信号之后的图像可以更大限度地保留细节信息,以经过非均值处理后的图片与原始噪声图像的差作为观测图像进行盲源分离能够得到最优的去噪图像。
Claims (6)
1.一种基于噪声预测的图像去噪方法,其特征在于,对单张原始图像进行压缩得到冗余信息,对冗余信息进行非均质处理得到多张含不同强度噪声信息的图像,对原始噪声图像和各张含不同强度噪声信息的图像取差得到一系列初步去噪图像,所述一系列初步去噪图像构成观测图像序列,对观测图像序列进行盲源分离得到最后的去噪图像。
2.根据权利要求1所述的一种基于噪声预测的图像去噪方法,其特征在于,通过KSVD算法对原始噪声图像进行字典压缩得到稀疏后的冗余信息,所述冗余信息含有噪声信息和图像细节信息。
3.根据权利要求1所述一种基于噪声预测的图像去噪方法,其特征在于,采用不动点独立成分分析FastICA算法对观测图像序列进行盲源分离得到最后的去噪图像。
4.一种基于噪声预测的图像去噪方法,其特征在于,对原始噪声图像序列进行压缩得到冗余信息图像序列,对冗余信息图像序列进行邻域内相似性变换得到新的含噪图像序列,利用盲源分离中高阶统计独立分量标准方差或方差的方法从新的含噪图像序列中分离出图像信息。
5.根据权利要求4所述一种基于噪声预测的图像去噪方法,其特征在于,利用盲源分离中高阶统计独立分量标准方差或方差的方法从新的含噪图像序列中分离出图像信息,具体方法为:以冗余信息图像中的噪声信息和图像有用信息为独立分量进行盲源分离,统计被分离出的每个独立分量的标准方差或方差,依据独立分量标准方差或方差的特性筛选出图像有用信息独立分量。
6.根据权利要求4所述一种基于噪声预测的图像去噪方法,其特征在于,对原始噪声图像序列进行压缩得到冗余信息图像序列的方法为:首先,对原始噪声图像序列进行灰度处理,然后,通过KSVD算法对灰度处理后的原始噪声图像序列进行字典压缩得到稀疏后的冗余图像序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016951.1A CN106780398B (zh) | 2017-01-10 | 2017-01-10 | 一种基于噪声预测的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710016951.1A CN106780398B (zh) | 2017-01-10 | 2017-01-10 | 一种基于噪声预测的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780398A CN106780398A (zh) | 2017-05-31 |
CN106780398B true CN106780398B (zh) | 2019-07-23 |
Family
ID=58948846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710016951.1A Active CN106780398B (zh) | 2017-01-10 | 2017-01-10 | 一种基于噪声预测的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780398B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428596A (zh) * | 2020-03-16 | 2020-07-17 | 重庆邮电大学 | 一种基于三拾音器的磨音信号检测方法 |
CN117928819B (zh) * | 2024-03-21 | 2024-05-24 | 西安思坦仪器股份有限公司 | 一种永久式无线压力计的井下压力监测方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7474756B2 (en) * | 2002-12-18 | 2009-01-06 | Siemens Corporate Research, Inc. | System and method for non-square blind source separation under coherent noise by beamforming and time-frequency masking |
TWI397057B (zh) * | 2009-08-03 | 2013-05-21 | Univ Nat Chiao Tung | 音訊分離裝置及其操作方法 |
CN103400358A (zh) * | 2013-08-27 | 2013-11-20 | 中国兵器工业导航与控制技术研究所 | 一种基于小波信息冗余的红外图像去噪算法 |
CN106204461B (zh) * | 2015-05-04 | 2019-03-05 | 南京邮电大学 | 结合非局部先验的复合正则化图像去噪方法 |
CN106251315B (zh) * | 2016-08-23 | 2018-12-18 | 南京邮电大学 | 一种基于全变分的图像去噪方法 |
-
2017
- 2017-01-10 CN CN201710016951.1A patent/CN106780398B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106780398A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gnanadurai et al. | An efficient adaptive thresholding technique for wavelet based image denoising | |
CN110992292B (zh) | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 | |
CN109685730B (zh) | 一种基于自适应非局域均值的小波去噪方法 | |
CN110930327B (zh) | 基于级联深度残差网络的视频去噪方法 | |
CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN107292316B (zh) | 一种基于稀疏表示的提升图像清晰度的方法 | |
Gopinathan et al. | Wavelet and FFT Based Image Denoising Using Non-Linear Filters. | |
CN111915518B (zh) | 基于三重低秩模型的高光谱图像去噪方法 | |
CN106780398B (zh) | 一种基于噪声预测的图像去噪方法 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN104135664A (zh) | 医学影像的数字化处理方法 | |
CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
CN110349101A (zh) | 一种多尺度联合的小波图像去噪方法 | |
Alsayyh et al. | A Novel Fused Image Compression Technique Using DFT, DWT, and DCT. | |
CN111353982B (zh) | 一种深度相机图像序列筛选方法及装置 | |
CN110163489B (zh) | 一种戒毒运动锻炼成效评价方法 | |
CN110490819A (zh) | 基于nsst和nlm滤波及硬阈值技术的图像去噪方法 | |
Li et al. | Remote sensing image enhancement based on adaptive thresholding in NSCT domain | |
CN111539894A (zh) | 一种新型图像增强方法 | |
CN108010000B (zh) | 基于邻近特征子空间拟合的压缩图像清晰化方法 | |
Kanchana et al. | Texture classification using discrete shearlet transform | |
Talebi et al. | Asymptotic performance of global denoising | |
Kumawat et al. | An integrated double hybrid fusion approach for image smoothing | |
Sale et al. | Wavelet Based selection for fusion of Medical images | |
CN114240772B (zh) | 一种多尺度结合广义核范数的图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20170531 Assignee: Anhui Sutong Intelligent Technology Co.,Ltd. Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS Contract record no.: X2021980006185 Denomination of invention: An image denoising method based on noise prediction Granted publication date: 20190723 License type: Common License Record date: 20210716 |
|
EE01 | Entry into force of recordation of patent licensing contract |