CN108765322A - 图像去噪方法及装置 - Google Patents
图像去噪方法及装置 Download PDFInfo
- Publication number
- CN108765322A CN108765322A CN201810468116.6A CN201810468116A CN108765322A CN 108765322 A CN108765322 A CN 108765322A CN 201810468116 A CN201810468116 A CN 201810468116A CN 108765322 A CN108765322 A CN 108765322A
- Authority
- CN
- China
- Prior art keywords
- image
- structure group
- denoising
- dictionary
- mixed noise
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 239000006002 Pepper Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种图像去噪方法及装置,涉及图像处理技术领域。方法应用于一电子设备,所述方法包括:获取含有混合噪声的待去噪图像后,对所述待去噪图像进行滤波处理,获得初始图像;再基于所述初始图像,构造多个结构组并对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典;然后基于所述每个结构组对应的学习字典,建立混合噪声去除模型;以及对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。该方法更准确且提高计算效率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种图像去噪方法及装置。
背景技术
图像在传输过程中容易受传感器、相机抖动以及传输信道等因素的影响,导致图像容易受到多种噪声的同时污染,如混合高斯噪声和脉冲噪声,从而引起图像的视觉质量下降。为了移除图像中的混合噪声,需要借助于图像的先验和背景知识,而先验知识的获取依赖于图像的建模。目前图像去噪方法准确性低。
发明内容
本发明的目的在于提供一种图像去噪方法及装置,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本发明实施例提供了一种图像去噪方法,应用于一电子设备,所述方法包括:获取含有混合噪声的待去噪图像;对所述待去噪图像进行滤波处理,获得初始图像;基于所述初始图像,构造多个结构组;对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典;基于所述每个结构组对应的学习字典,建立混合噪声去除模型;对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。
第二方面,本发明实施例提供了一种图像去噪装置,运行于一电子设备,所述装置包括获取单元、滤波单元、结构组构造单元、字典构造单元、建立单元和迭代计算单元。获取单元,用于获取含有混合噪声的待去噪图像。滤波单元,用于对所述待去噪图像进行滤波处理,获得初始图像。结构组构造单元,用于基于所述初始图像,构造多个结构组。字典构造单元,用于对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。建立单元,用于基于所述每个结构组对应的学习字典,建立混合噪声去除模型。迭代计算单元,用于对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。
本发明实施例提供了一种图像去噪方法及装置,应用于一电子设备,所述方法包括:获取含有混合噪声的待去噪图像后,对所述待去噪图像进行滤波处理,获得初始图像;再基于所述初始图像,构造多个结构组并对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典;然后基于所述每个结构组对应的学习字典,建立混合噪声去除模型;以及对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。该方法更准确且提高计算效率。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为可应用于本发明实施例提供的电子设备的结构框图;
图2为本发明实施例提供的图像去噪方法的流程图;
图3为本发明实施例提供的图像去噪方法中Lena图像的去噪结果比较示意图;
图4为本发明实施例提供的图像去噪方法中boat图像的去噪结果比较示意图;
图5为本发明实施例提高的图像去噪装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请发明人在发明本申请实施例中发现现有技术为:传统的传统稀疏表示和加权编码的图像混合去噪方案简述有:首先输入含高斯和椒盐混合噪声污染的退化图像y,设字典为φ,对退化图像y进行自适应中值滤波获取一幅初始图像x(0),然后初始化编码残差e=y-x(0),并初始化μ=0,μ表示非局部相似图像块编码系数向量。其次,对混合高斯和椒盐噪声进行联合建模,最终去除混合噪声的模型可表示为:
其中,w表示加权矩阵,对角线元素wii=wi。wii表示为其范围为wii∈[0,1]。a是一个大于0的常量,用来抑制权重wii的衰减程度。λ表示正则化因子,||·||1表示l1范数。表示估计的编码系数向量。最后基于模型(1)进行K次循环迭代运算,最终获取去噪后的图像x=φα(K)。
进一步地,本申请发明人发现基于传统的稀疏表示和加权编码的图像混合去噪方法分析了混合噪声的尖峰重尾分布特性,并且得出了这种分布难以采用常规参数模型来建模的结论。结合传统稀疏表示和非局部自相似性先验信息,通过对编码残差进行加权建模以抑制混合噪声,取得了较好的去除混合噪声的效果。但是,传统方法编码残差仅仅是通过原始噪声图像与所有像素点平均值的差值来获取,在计算非局部自相似图像块先验时,仍然利用了传统的做法,即没有排除脉冲噪声,导致获取的先验不够准确。另一方面基于传统稀疏表示和加权编码的图像混合去噪方法在字典学习和编码过程中对每个图像块都需要单独处理,由此需要求解一个高复杂度的大规模优化问题,这样容易导致稀疏编码系数的求解不够准确,最终导致该方案的计算效率较低,难以满足实时处理的需要。
鉴于此,本申请实施例提供了一种图像去噪方法及装置,以提高准确度及计算效率。
图1示出了一种可应用于本发明实施例中的电子设备100的结构框图。如图1所示,电子设备100可以包括存储器102、存储控制器104、一个或多个(图1中仅示出一个)处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116和图像去噪装置。
存储器102、存储控制器104、处理器106、外设接口108、输入输出模块110、音频模块112、显示模块114、射频模块116各元件之间直接或间接地电连接,以实现数据的传输或交互。例如,这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。图像去噪方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器102中的软件功能模块,例如所述图像去噪装置包括的软件功能模块或计算机程序。
存储器102可以存储各种软件程序以及模块,如本申请实施例提供的图像去噪方法及装置对应的程序指令/模块。处理器106通过运行存储在存储器102中的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现本申请实施例中的图像去噪方法。
存储器102可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器106可以是一种集成电路芯片,具有信号处理能力。上述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口108将各种输入/输出装置耦合至处理器106以及存储器102。在一些实施例中,外设接口108、处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出模块110用于提供给用户输入数据实现用户与电子设备100的交互。所述输入输出模块110可以是,但不限于,鼠标和键盘等。
音频模块112向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示模块114在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示模块114可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器106进行计算和处理。
射频模块116用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通信网络或者其他设备进行通信。
可以理解,图1所示的结构仅为示意,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
于本发明实施例中,电子设备100可以作为用户终端,或者作为服务器。用户终端可以为PC(personal computer)电脑、平板电脑、手机、笔记本电脑、智能电视、机顶盒、车载终端等终端设备。
在本实施例中,电子设备中安装有环境为64位Windows7操作***及Matlab2010。电子设备的硬件配置包括CPU 2.6G和内存8G。
请参阅图2,本发明实施例提供了一种图像去噪方法,应用于一电子设备,所述方法包括:步骤S200、步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。
步骤S200:获取含有混合噪声的待去噪图像。
在本实施例中,混合噪声可以包括高斯噪声和椒盐噪声。例如,待去噪图像y可以为受高斯噪声方差为20,椒盐噪声比率为30%的混合噪声同时污染的退化图像。
步骤S210:对所述待去噪图像进行滤波处理,获得初始图像。
可选地,步骤S210可以包括:
基于自适应中值滤波算法对所述待去噪图像进行滤波处理,获得初始图像。
例如,对待去噪图像y进行自适应中值滤波算法滤波处理,获得初始图像x(0),然后初始化编码残差e=y-x(0)。
在步骤S200之后,在步骤S210之前,所述方法还包括:
初始化相关参数。
例如,所述相关参数可以包括图像块矩阵的行值Bs,相似块的个数c,正则化因子μ,λ。
步骤S220:基于所述初始图像,构造多个结构组。
可选地,步骤S220可以包括:
将所述初始图像划分为多个图像块;基于块匹配算法,分别对所述多个图像块中的每个图像块进行相邻块搜索,根据搜索结果获得所述每个图像块对应的多个相似图像块;将所述每个图像块对应的多个相似图像块构成一个结构组,以获得多个结构组。
例如,初始图像x(0)的大小为N×N,将初始图像划分为多个大小为Bs×Bs的图像块xk,如Bs的值16,其中k=1,2,...,n。然后对每个图像块,采用块匹配算法搜索与这个图像块最匹配相似的c个相似图像块,并将c个相似图像块构成集合接着将集合中的所有相似图像块排成一个矩阵构成一个结构组,记为同理,获得将所述每个图像块对应的多个相似图像块构成一个结构组,从而获得多个结构组。
在本申请实施例中,结合图像的非局部相似性和稀疏先验,寻找具有相似的图像块并构成一个结构组,将单个结构组作为稀疏表示模型的基本单元,而不是单个的图像块作为基本单元,考虑到了图像块之间的相关性,提高准确度。
步骤S230:对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。
可选地,步骤S230可以包括:
基于奇异值分解方法对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。
例如,对每个结构组采用奇异值分解方法构造对应的学习字典
在本实施例中,每一个结构组都有一个对应的字典,具有较好的图像内容自适应性,提高准确度,提高计算效率。
步骤S240:基于所述每个结构组对应的学习字典,建立混合噪声去除模型。
步骤S240可以包括:
建立混合噪声去除模型为:
其中,为编码系数向量的估计值,wG为结构组加权矩阵,为第i个结构组加权矩阵,表示为 a为大于0的常数,y为所述待去噪图像,为所述多个结构组中第i个结构组对应的学习字典,φG为所有的组合,αG为所述多个结构组中第i个结构组对应的稀疏编码系数矩阵,αG为所有的组合,λ表示正则化因子,||αG||0表示αG的l0范数。
在本申请实施例中,混合噪声去除模型为组稀疏表示模型,以克服基于传统稀疏表示模型和加权编码的图像混合去噪方法的计算效率问题。
步骤S250:对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。
作为一种实施方式,步骤S250可以包括:
调用分离Bregman迭代算法求解计算所述混合噪声去除模型直到满足预设迭代次数,输出去噪后的图像。
进一步地,所述预设迭代次数为K,所述调用分离Bregman迭代算法求解计算所述混合噪声去除模型直到满足预设迭代次数,输出去噪后的图像,包括:
定义g(αG)=λ||αG||0以及u=φGαG;
调用分离Bregman迭代算法,将转化为以下三个式子分别进行求解:以及μ,λ均表示对于0的正则化因子;
分离Bregman迭代算法(Split Bregman Iteration,SBI)求解的优化问题过程如下:
给定αG,针对对u求偏导数,计算得到u的估计值 I表示恒等矩阵;
给定u,针对对αG求偏导数,计算得到αG的估计值 Τ=(λ×Bs×c)/(μN)表示一个阈值,N表示图像矩阵的行数或列数, 表示学习字典的逆矩阵,hard(·)表示硬阈值算子,⊙表示两个向量的Hadamard积运算,1表示所有元素均为1的向量;
基于计算u(k+1);
计算r(k+1)=u(k+1)-b(k+1),Τ=(λ×Bs×c)/(μN);
计算更新残差e(k)=y-x(k),根据计算结构组权重wG;
将所有的学习字典聚合以更新字典φG;
将所有的稀疏编码系数聚合以更新
基于更新b(k+1);
基于以上,进行K次循环迭代运算后,输出去噪后的图像x=φGαG (K)。即重复步骤S230-步骤S240,进行K次循环迭代运算后,输出去噪后的图像。
为了更进一步地说明本申请实施例提供的图像去噪方法的去噪性能,选用了两幅待去噪图像,分别是Lena和Boat,像素大小均为512×512。同时,本申请实施例提供的图像去噪方法与现有技术中的2种混合噪声滤波方法进行了性能比较,现有技术中的2种混合噪声滤波方法包括文献1即J.Jiang,L.Zhang,J.Yang.Mixed noise removal by weightedencoding with sparse nonlocal regularization.IEEE Transactions on ImageProcessing,2014,23(6):2651-2662和文献2即K.Dabov,A.Foi,V.Katkovnik,andK.Egiazarian.Image Denoising by Sparse 3-D Transform-Domain CollaborativeFiltering.IEEE Transactions Image Processing,2007,16(8):2080-2095,文献1和文献2方法的参数根据原文中建议的值进行设置。
本申请实施例提供的图像去噪方法中,参数设置为:Bs的值为8,即图像块大小Bs×Bs为8 8;每个结构组包括的相似图像块个数c设置为60;结构组的大小为64×60;相似图像块之间的间隔设为4,结构组搜索窗口的大小为40×40;正则化因子λ的取值为0.5;μ的值设为2.5e-3。
请参阅图3和图4,图3至图4分别给出了两幅待去噪图像的去噪效果对比结果。其中,图3中(a)表示受混合噪声污染的Lena图像,高斯噪声方差均为20,椒盐噪声密度为30%,图3(b)表示经过文献2去噪方法去噪后的Lena图像,图3(c)表示经过文献1去噪方法去噪后的Lena图像,图3(d)表示经过本申请实施例提供的图像去噪方法去噪后的Lena图像;图4中(a)表示受混合噪声污染的Boat图像,高斯噪声方差均为20,椒盐噪声密度为30%,图4(b)表示经过文献2去噪方法去噪后的Boat图像,图4(c)表示经过文献1去噪方法去噪后的Boat图像,图4(d)表示经过本申请实施例提供的图像去噪方法去噪后的Boat图像。
从图3和图4分别对Lena图像和Boat图像的去噪结果可以看出,本申请实施例提供的图像去噪方法输出的去噪后的Lena图像和Boat图像均具有较好地边缘保持效果,且纹理结构较为清晰,没有出现过度平滑现象。本申请实施例提供的图像去噪方法利用了图像的结构组稀疏表示和非局部相似性,同时结合了加权编码方法,达到较好的混合噪声滤波效果。
进一步地,对混合去噪算法进行客观评价,本实施例采用了(peak signal-to-noise ratio,PSNR)和特征结构相似度(structural similarity index,FSIM)对滤波后的图像质量进行评价。表1给出了Lena和Boat图像在高斯噪声方差和椒盐噪声密度分别为10、20%;20、30%;3种去噪方法的性能比较结果。从表1中可以看出,本申请实施例提供的图像去噪方法在峰值信噪比和结构相似度指标方面都不同程度的得到了提升,去除混合高斯椒盐噪声的效果较好。
表1 Lena和Boat图像去噪后的性能结果比较
本发明实施例提供了一种图像去噪方法,应用于一电子设备,所述方法包括:获取含有混合噪声的待去噪图像后,对所述待去噪图像进行滤波处理,获得初始图像;再基于所述初始图像,构造多个结构组并对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典;然后基于所述每个结构组对应的学习字典,建立混合噪声去除模型;以及对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。该方法更准确且提高计算效率。
请参阅图5,本发明实施例提供了一种图像去噪装置400,运行于一电子设备,所述装置400包括获取单元410、滤波单元420、结构组构造单元430、字典构造单元440、建立单元450和迭代计算单元460。
获取单元410,用于获取含有混合噪声的待去噪图像。
滤波单元420,用于对所述待去噪图像进行滤波处理,获得初始图像。
滤波单元420,用于基于自适应中值滤波算法对所述待去噪图像进行滤波处理,获得初始图像。
结构组构造单元430,用于基于所述初始图像,构造多个结构组。
所述结构组构造单元430,用于:将所述初始图像划分为多个图像块;基于块匹配算法,分别对所述多个图像块中的每个图像块进行相邻块搜索,根据搜索结果获得所述每个图像块对应的多个相似图像块;将所述每个图像块对应的多个相似图像块构成一个结构组,以获得多个结构组。
字典构造单元440,用于对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。
所述字典构造单元440,用于基于奇异值分解方法对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。
建立单元450,用于基于所述每个结构组对应的学习字典,建立混合噪声去除模型。
建立单元450,用于建立混合噪声去除模型为:其中,为编码系数向量的估计值,wG为结构组加权矩阵,为第i个结构组加权矩阵,表示为a为大于0的常数,y为所述待去噪图像,为所述多个结构组中第i个结构组对应的学习字典,φG为所有的组合,αG为所述多个结构组中第i个结构组对应的稀疏编码系数矩阵,αG为所有的组合,λ表示正则化因子,||αG||0表示αG的l0范数。
迭代计算单元460,用于对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。
迭代计算单元460,用于调用分离Bregman迭代算法求解计算所述混合噪声去除模型直到满足预设迭代次数,输出去噪后的图像。
所述预设迭代次数为K,迭代计算单元460,用于:
定义g(αG)=λ||αG||0以及u=φGαG;
调用分离Bregman迭代算法,将转化为以下三个式子分别进行求解:以及μ,λ均表示对于0的正则化因子;
给定αG,针对对u求偏导数,计算得到u的估计值 I表示恒等矩阵;
给定u,针对对αG求偏导数,计算得到αG的估计值 Τ=(λ×Bs×c)/(μN)表示一个阈值,N表示图像矩阵的行数或列数, 表示学习字典的逆矩阵,hard(·)表示硬阈值算子,⊙表示两个向量的Hadamard积运算,1表示所有元素均为1的向量;
基于计算u(k+1);
计算r(k+1)=u(k+1)-b(k+1),Τ=(λ×Bs×c)/(μN);
计算更新残差e(k)=y-x(k),根据计算结构组权重wG;
将所有的学习字典聚合以更新字典φG;
将所有的稀疏编码系数聚合以更新
基于更新b(k+1);
基于以上,进行K次循环迭代运算后,输出去噪后的图像x=φGαG (K)。
以上各单元可以是由软件代码实现,此时,上述的各单元可存储于存储器102内。以上各单元同样可以由硬件例如集成电路芯片实现。
本发明实施例提供的图像去噪装置400,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种图像去噪方法,其特征在于,应用于一电子设备,所述方法包括:
获取含有混合噪声的待去噪图像;
对所述待去噪图像进行滤波处理,获得初始图像;
基于所述初始图像,构造多个结构组;
对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典;
基于所述每个结构组对应的学习字典,建立混合噪声去除模型;
对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述初始图像,构造多个结构组,包括:
将所述初始图像划分为多个图像块;
基于块匹配算法,分别对所述多个图像块中的每个图像块进行相邻块搜索,根据搜索结果获得所述每个图像块对应的多个相似图像块;
将所述每个图像块对应的多个相似图像块构成一个结构组,以获得多个结构组。
3.根据权利要求1所述的方法,其特征在于,所述对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典,包括:
基于奇异值分解方法对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。
4.根据权利要求1所述的方法,其特征在于,所述基于所述每个结构组对应的学习字典,建立混合噪声去除模型,包括:
建立混合噪声去除模型为:
其中,为编码系数向量的估计值,wG为结构组加权矩阵,为第i个结构组加权矩阵,表示为 a为大于0的常数,y为所述待去噪图像,为所述多个结构组中第i个结构组对应的学习字典,φG为所有的组合,αG为所述多个结构组中第i个结构组对应的稀疏编码系数矩阵,αG为所有的组合,λ表示正则化因子,||αG||0表示αG的l0范数。
5.根据权利要求4所述的方法,其特征在于,所述对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像,包括:
调用分离Bregman迭代算法求解计算所述混合噪声去除模型直到满足预设迭代次数,输出去噪后的图像。
6.根据权利要求5所述的方法,其特征在于,所述预设迭代次数为K,所述调用分离Bregman迭代算法求解计算所述混合噪声去除模型直到满足预设迭代次数,输出去噪后的图像,包括:
定义g(αG)=λ||αG||0以及u=φGαG;
调用分离Bregman迭代算法,将转化为以下三个式子分别进行求解:以及μ,λ均表示对于0的正则化因子;
给定αG,针对对u求偏导数,计算得到u的估计值 I表示恒等矩阵;
给定u,针对对αG求偏导数,计算得到αG的估计值 Τ=(λ×Bs×c)/(μN)表示一个阈值,N表示图像矩阵的行数或列数, 表示学习字典的逆矩阵,hard(·)表示硬阈值算子,⊙表示两个向量的Hadamard积运算,1表示所有元素均为1的向量;
基于计算u(k+1);
计算r(k+1)=u(k+1)-b(k+1),Τ=(λ×Bs×c)/(μN);
计算更新残差e(k)=y-x(k),根据计算结构组权重wG;
将所有的学习字典聚合以更新字典φG;
将所有的稀疏编码系数聚合以更新
基于更新b(k+1);
基于以上,进行K次循环迭代运算后,输出去噪后的图像x=φGαG (K)。
7.根据权利要求1所述的方法,其特征在于,所述对所述待去噪图像进行滤波处理,获得初始图像,包括:
基于自适应中值滤波算法对所述待去噪图像进行滤波处理,获得初始图像。
8.一种图像去噪装置,其特征在于,运行于一电子设备,所述装置包括:
获取单元,用于获取含有混合噪声的待去噪图像;
滤波单元,用于对所述待去噪图像进行滤波处理,获得初始图像;
结构组构造单元,用于基于所述初始图像,构造多个结构组;
字典构造单元,用于对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典;
建立单元,用于基于所述每个结构组对应的学习字典,建立混合噪声去除模型;
迭代计算单元,用于对所述混合噪声去除模型进行循环迭代计算,直到满足预设迭代次数,输出去噪后的图像。
9.根据权利要求8所述的装置,其特征在于,所述结构组构造单元,用于:将所述初始图像划分为多个图像块;基于块匹配算法,分别对所述多个图像块中的每个图像块进行相邻块搜索,根据搜索结果获得所述每个图像块对应的多个相似图像块;将所述每个图像块对应的多个相似图像块构成一个结构组,以获得多个结构组。
10.根据权利要求8所述的装置,其特征在于,所述字典构造单元,用于基于奇异值分解方法对所述多个结构组中的每个结构组进行字典构造,获得所述每个结构组对应的学习字典。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468116.6A CN108765322B (zh) | 2018-05-16 | 2018-05-16 | 图像去噪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810468116.6A CN108765322B (zh) | 2018-05-16 | 2018-05-16 | 图像去噪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765322A true CN108765322A (zh) | 2018-11-06 |
CN108765322B CN108765322B (zh) | 2021-04-27 |
Family
ID=64008201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810468116.6A Active CN108765322B (zh) | 2018-05-16 | 2018-05-16 | 图像去噪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765322B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712205A (zh) * | 2018-12-10 | 2019-05-03 | 重庆邮电大学 | 一种基于非局部自相似模型的图像压缩感知重建方法 |
CN110322407A (zh) * | 2019-06-03 | 2019-10-11 | 辽宁师范大学 | 基于深度残差网络的图像椒盐噪声去除方法 |
CN110661549A (zh) * | 2019-11-11 | 2020-01-07 | 广东石油化工学院 | 一种利用字典原子的plc信号重构方法和*** |
CN110728641A (zh) * | 2019-10-12 | 2020-01-24 | 浙江工业大学 | 一种遥感图像脉冲噪声去除方法及装置 |
CN111242137A (zh) * | 2020-01-13 | 2020-06-05 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
WO2021012965A1 (zh) * | 2019-07-23 | 2021-01-28 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
CN113837958A (zh) * | 2021-09-09 | 2021-12-24 | 南方医科大学 | 扩散加权图像去噪算法、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050128355A1 (en) * | 2003-12-11 | 2005-06-16 | Samsung Electronics Co., Ltd. | Method of removing noise from digital moving picture data |
CN105761234A (zh) * | 2016-01-28 | 2016-07-13 | 华南农业大学 | 一种基于结构稀疏表示的遥感影像融合方法 |
CN106157254A (zh) * | 2015-04-21 | 2016-11-23 | 南京理工大学 | 基于非局部自相似性的稀疏表示遥感图像去噪方法 |
CN106204482A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于加权稀疏的混合噪声去除方法 |
CN106254720A (zh) * | 2016-07-19 | 2016-12-21 | 四川大学 | 一种基于联合正则化的视频超分辨率重建方法 |
WO2017143334A1 (en) * | 2016-02-19 | 2017-08-24 | New York University | Method and system for multi-talker babble noise reduction using q-factor based signal decomposition |
CN107301629A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于变换域联合稀疏表示的图像重构方法 |
-
2018
- 2018-05-16 CN CN201810468116.6A patent/CN108765322B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050128355A1 (en) * | 2003-12-11 | 2005-06-16 | Samsung Electronics Co., Ltd. | Method of removing noise from digital moving picture data |
CN106157254A (zh) * | 2015-04-21 | 2016-11-23 | 南京理工大学 | 基于非局部自相似性的稀疏表示遥感图像去噪方法 |
CN105761234A (zh) * | 2016-01-28 | 2016-07-13 | 华南农业大学 | 一种基于结构稀疏表示的遥感影像融合方法 |
WO2017143334A1 (en) * | 2016-02-19 | 2017-08-24 | New York University | Method and system for multi-talker babble noise reduction using q-factor based signal decomposition |
CN106204482A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于加权稀疏的混合噪声去除方法 |
CN106254720A (zh) * | 2016-07-19 | 2016-12-21 | 四川大学 | 一种基于联合正则化的视频超分辨率重建方法 |
CN107301629A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于变换域联合稀疏表示的图像重构方法 |
Non-Patent Citations (6)
Title |
---|
JIELIN JIANG ET AL: ""Mixed Noise Removal by Weighted Encoding With Sparse Nonlocal Regularization"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
LICHENG LIU ET AL: ""Weighted Joint Sparse Representation for Removing Mixed Noise in Image"", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
SHUTAO LI ET AL: ""Group-Sparse Representation With Dictionary Learning for Medical Image Denoising and Fusion"", 《 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
张健: ""基于稀疏表示模型的图像复原技术研究"", 《中国博士学位论文全文数据库·信息科技辑》 * |
赵井坤: ""基于非局部相似性和稀疏表示的图像去噪技术研究"", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
韩玉兰: ""基于非局部均值和稀疏表示理论的图像去噪研究"", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712205A (zh) * | 2018-12-10 | 2019-05-03 | 重庆邮电大学 | 一种基于非局部自相似模型的图像压缩感知重建方法 |
CN110322407A (zh) * | 2019-06-03 | 2019-10-11 | 辽宁师范大学 | 基于深度残差网络的图像椒盐噪声去除方法 |
WO2021012965A1 (zh) * | 2019-07-23 | 2021-01-28 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
CN110728641A (zh) * | 2019-10-12 | 2020-01-24 | 浙江工业大学 | 一种遥感图像脉冲噪声去除方法及装置 |
CN110661549A (zh) * | 2019-11-11 | 2020-01-07 | 广东石油化工学院 | 一种利用字典原子的plc信号重构方法和*** |
CN110661549B (zh) * | 2019-11-11 | 2021-05-04 | 广东石油化工学院 | 一种利用字典原子的plc信号重构方法和*** |
CN111242137A (zh) * | 2020-01-13 | 2020-06-05 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
CN111242137B (zh) * | 2020-01-13 | 2023-05-26 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
CN113837958A (zh) * | 2021-09-09 | 2021-12-24 | 南方医科大学 | 扩散加权图像去噪算法、介质及设备 |
CN113837958B (zh) * | 2021-09-09 | 2023-08-04 | 南方医科大学 | 扩散加权图像去噪算法、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108765322B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765322A (zh) | 图像去噪方法及装置 | |
Yang et al. | BM3D-Net: A convolutional neural network for transform-domain collaborative filtering | |
Zhang et al. | Image denoising method based on a deep convolution neural network | |
CN105335947B (zh) | 图像去噪方法和图像去噪装置 | |
Minaee et al. | An ADMM approach to masked signal decomposition using subspace representation | |
Cui et al. | Image compressed sensing using non-local neural network | |
Zhang et al. | Removal of impulse noise in color images based on convolutional neural network | |
Bouboulis et al. | Adaptive kernel-based image denoising employing semi-parametric regularization | |
CN108805840A (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
CN113362250B (zh) | 一种基于双树四元小波与深度学习的图像去噪方法及*** | |
Ma et al. | Decomposition approach for low-rank matrix completion and its applications | |
Li et al. | Improved BM3D denoising method | |
Ono et al. | Color-line regularization for color artifact removal | |
Singh et al. | ResDNN: deep residual learning for natural image denoising | |
Chen et al. | Removing Gaussian noise for colour images by quaternion representation and optimisation of weights in non‐local means filter | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
Wen et al. | Learning flipping and rotation invariant sparsifying transforms | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
Xie et al. | Color and direction-invariant nonlocal self-similarity prior and its application to color image denoising | |
Zhu et al. | Generative high-capacity image hiding based on residual CNN in wavelet domain | |
Zhang et al. | An image denoising method based on BM4D and GAN in 3D shearlet domain | |
Yeganli et al. | Super-resolution using multiple structured dictionaries based on the gradient operator and bicubic interpolation | |
Shi et al. | A competent image denoising method based on structural information extraction | |
Ulu et al. | MLFAN: Multilevel Feature Attention Network With Texture Prior for Image Denoising | |
CN114565772A (zh) | 集合特征提取方法、装置、电子设备及存储介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231214 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: No. 401, Zhimin Avenue, Xinzhou District, Shangrao City, Jiangxi Province Patentee before: SHANGRAO NORMAL University |
|
TR01 | Transfer of patent right |