CN109064425B - 一种自适应非局部总变分的图像去噪方法 - Google Patents
一种自适应非局部总变分的图像去噪方法 Download PDFInfo
- Publication number
- CN109064425B CN109064425B CN201810820477.2A CN201810820477A CN109064425B CN 109064425 B CN109064425 B CN 109064425B CN 201810820477 A CN201810820477 A CN 201810820477A CN 109064425 B CN109064425 B CN 109064425B
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- model
- local
- size
- 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 59
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 36
- 238000004088 simulation Methods 0.000 description 10
- 235000002566 Capsicum Nutrition 0.000 description 8
- 241000758706 Piperaceae Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 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
- 230000000007 visual effect Effects 0.000 description 1
Images
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
Description
技术领域
本发明属于图像去噪领域,具体涉及一种自适应非局部总变分的图像去噪方法。
背景技术
图像去噪旨在通过对被噪声污染的图像进行某种处理,以降低噪声对原始有用信息的影响,尽可能的还原出被污染前的原始图像。
GUY GILBOA和STANLEY OSHER提出的非局部TV模型(Nonlocal Total Variation,NLTV)是将GUY GILBOA和STANLEY OSHER提出的非局部梯度算子、非局部散度算子、非局部拉普拉斯算子(见文献:NONLOCAL OPERATORS WITH APPLICATIONS TO IMAGEPROCESSING.SIAM Multiscale Modeling and Simulation.Vol.7,No.3,pp.1005–1028)引入到Rudin-Osher-Fatemi提出的总变分(Total Variation,TV)模型中得到的,NLTV模型具有在去除图像噪声的同时能较好地保留图像的纹理细节的特点。NLTV模型由正则项和保真项构成,两者之间的平衡比例为1:λ/2。当λ取值较大时,NLTV模型偏重保真项,对含噪图像的平滑程度小,但边缘纹理得到较好保持;当λ取值较小时,NLTV模型偏重正则项,对含噪图像的平滑程度大,去噪后的图像残余噪声量小,但边缘纹理丢失较多。所以,如果能够根据图像的区域平坦程度自适应地取不同大小的λ值,那么,便可以得到更好的图像去噪结果,
在图像的平坦区,纹理少,所应以充分去噪为主,保纹理为次,所以λ取较小值为佳;在图像的边缘纹理区域(或非平坦区域),纹理细节丰富,应以保纹理细节为主,所以λ取较大值为佳。
在附图2中,A、B、C表示了三种典型的图像区域情况。区域A中的像素之间相似性较大,梯度较小,区域整体较为平坦;区域B中左下方、右上方的像素之间相似性较大,梯度较小,对角线相似性较小,梯度较大,区域分段平坦,并含有边缘;区域C中像素之间相似性较小,梯度较大,为纹理区域。B和C均属于非平坦区域。在平坦区域A应以充分去噪为主,即λ取较小值为佳;在边缘纹理较多区域B、C,应进行程度较小的平滑,以边缘纹理保持为主,即λ取较大值为佳。若λ在NLTV模型中为常数,则无法根据含噪图像的不同区域的平坦度进行保真项和正则项之间不同程度的平衡,也即不能根据含噪图像的不同区域的平坦度进行不同程度的平滑。
发明内容
针对NLTV模型存在不能自适应地对图像的不同区域进行不同程度的平滑问题,本发明提供了一种自适应非局部总变分的图像去噪方法。该图像去噪方法去噪效果佳,能够获得优质量的图像。
本发明提供的技术方案为:
一种自适应非局部总变分的图像去噪方法,包括以下步骤:
(1)构建NA-NLTV模型:
其中,Ω表示恢复图像u或含噪图像u0的整个图像区域,变量x表示图像中的一个像素点,|▽NLu|是正则项,保真项,λ1(x)为根据含噪图像u0计算的自适应平衡函数,用来调节NA-NLTV模型中正则项与保真项之间的平衡关系,具体为:
其中,变量y、x表示图像的像素点,θ1为函数λ1(x)的值域范围参数,λ1(x)∈(0,θ1);Ω1是以含噪图像u0中的点x∈Ω为中心的大小为s1×s1的区域,ω1(x,y)为含噪图像u0中二个像素点x和y间的非局部像素相似度权重;
式(1)中的正则项具体为:
式(3)中的u(y)、u(x)分别表示图像u在像素点y、x处的灰度值。▽NL是图像的非局部梯度算子(nonlocal gradient operator)(其定义参见文献:NONLOCAL OPERATORS WITHAPPLICATIONS TO IMAGE PROCESSING.SIAM Multiscale Modeling andSimulation.Vol.7,No.3,pp.1005–1028);
(2)利用构建NA-NLTV模型对输入的含噪图像u0进行去噪,即求解NA-NLTV模型,输出恢复图像u1。
构建的NA-NLTV模型中,通过构建识别图像的平坦区域和非平坦区域的平衡函数,根据图像的平坦程度自适应更改参数λ1(x),使得NA-NLTV模型能够根据图像区域平坦程度自适应地在平滑和纹理保持之间取得更好的平衡,去噪时,具有更好的边缘纹理保持能力。
其中,含噪图像u0的非局部像素相似性权重ω1(x,y)具体为:
其中,x和y表示图像中的二个像素点,变量x表示当前像素点,变量y表示以x为中心、大小为s1×s1的搜索窗口内的一点,ω1(x,y)是图像u0中的两个像素点x和y的相似度权重函数,表示含噪图像u0中以x为中心、大小为n1×n1的图像块和以y为中心、大小为n1×n1的图像块之间的高斯加权距离(a Gaussian weighted patchdistance),表示求和范围是以x或y为中心的n1×n1邻域内的每一像素点,共n1×n1项,是标准差为σ1的高斯核,h1是权重函数ω1(x,y)的常数参数。
为了降低图像中的噪声对非局部像素相似度权重计算的影响,以提升图像去噪质量,优选地,在获得恢复图像u1后,计算恢复图像u1的非局部像素相似性权重ω2(x,y),并基于ω2(x,y)建立NA-NLTV模型,对含噪图像u0进行去噪,输出恢复图像u2.。
优选地,所述对含噪图像u0进行二次去噪包括:
首先,计算恢复图像u1的非局部像素相似性权重ω2(x,y):
其中,表示含恢复图像u1中以x为中心、大小为n2×n2的图像块和以y为中心、大小为n2×n2的图像块之间的高斯加权距离,表示求和范围是以x或y为中心的n2×n2邻域内的每一像素点,共n2×n2项,是标准差为σ2的高斯核,h2是权重函数ω2(x,y)的常数参数;
然后,根据计算的非局部像素相似性权重ω2(x,y)计算自适应平衡函数λ2(x):
其中,θ2为函数λ2(x)的值域范围参数,λ2(x)∈(0,θ2);Ω2是以恢复图像u1中的点x∈Ω为中心的大小为s1×s1的区域;
最后,将自适应平衡函数λ2(x)代替式(1)所示NA-NLTV模型中的λ1(x),同时在计算|▽NLu|时,用ω2(x,y)去代替式(3)的ω1(x,y);经计算,输出恢复图像u2。
优选地,第一次去噪和/或第二次去噪时,利用split-Bregmant数值迭代算法对NA-NLTV模型进行求解。
优选地,在求解NA-NLTV模型之前,设置第一次去噪时利用的NA-NLTV模型的搜索窗口大小s1×s1,邻域窗口大小n1×n1,权重函数参数h1、σ1,自适应平衡函数λ1(x)值域范围参数θ1,split-Bregmant数值迭代算法中辅助变量及常数参数。设置第二次去噪时利用的NA-NLTV模型的搜索窗口大小s2×s2,邻域窗口大小n2×n2,权重函数参数h2、σ2,自适应平衡函数λ2(x)值域范围参数θ2,split-Bregmant数值迭代算法中辅助变量及常数参数。
本发明具有的有益效果为:
通过构建能识别图像的平坦区域和非平坦区域的平衡函数,建立新的自适应非局部总变分模型,使得新模型能够根据图像区域平坦程度自适应地在平滑和纹理保持之间取得更好的平衡,在去噪的同时,具有更好的边缘纹理保持能力。
另一方面,为了降低图像中的噪声对非局部像素相似度权重计算的影响,采用先对输入的含噪图像预去噪(第一次去噪),去除一部分噪声,在预去噪后的图像上计算出相似度权重函数及相应的平衡函数。通过预去噪处理来获取更加准确的像素相似度权值,进一步提升图像去噪效果。
在NA-NLTV数值求解方面,采用了适合NLTV模型优化问题的具有高效、快速特点的split-Bregman算法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明自适应非局部总变分的图像去噪方法的流程示意图;
图2是图像中平坦区域和非平坦区域像素灰度值分布特征图;
图3是利用自适应平衡函数λ(x)对House的(256×256)图的原图(a)、含σ=20高斯白噪声噪图(b)、含σ=40高斯白噪声噪图(c)的检测情况;
图4是利用自适应平衡函数λ(x)对Lena的(512×512)图的原图(a)、含σ=20高斯白噪声噪图(b)、含σ=40高斯白噪声噪图(c)的检测情况;
图5是利用自适应平衡函数λ(x)对Peppers(256×256)图的原图(a)、含σ=20高斯白噪声噪图(b)、含σ=40高斯白噪声噪图(c)的检测情况;
图6是本发明对原始Lena图像加均值为零标准差为40的高斯噪声后的图像进行去噪的仿真结果,其中,图6(a)是原始Lena图像(局部图),6(b)是待去噪的含噪图像(局部图),图6(c)是NLM方法(对比方法之一)的去噪结果(局部图),图6(d)是实验所用的NLTV方法(对比方法之二)的去噪结果(局部图),图6(e)是本发明所提出的新去噪方法的去噪结果(局部图);
图7是本发明对原始Barbara图像加均值为零标准差为40的高斯噪声后的图像进行去噪的仿真结果,其中,图7(a)是原始Barbara图像(局部图),7(b)待去噪的含噪图像(局部图),图7(c)是NLM方法(对比方法之一)的去噪结果(局部图),图7(d)是NLTV方法(对比方法之二)的去噪结果(局部图),图7(e)是本发明所提的去噪方法的去噪结果(局部图);
附图8是本发明对原始House图像加均值为零标准差为20的高斯噪声后的图像进行去噪的仿真结果,其中,图8(a)是原始House图像(整体图),8(b)待去噪的含噪图像(整体图),图8(c)是NLM方法(对比方法之一)的去噪结果(整体图),图8(d)是NLTV方法(对比方法)的去噪结果(整体图),图8(e)是本发明所提的去噪方法的去噪结果(整体图);
附图9是本发明对原始Peppers图像加均值为零标准差为30的高斯噪声后的图像进行去噪的仿真结果,其中,图9(a)是原始Peppers图像(整体图),9(b)待去噪的含噪图像(整体图),图9(c)是NLM方法(对比方法之一)的去噪结果(整体图),图9(d)是NLTV方法(对比方法之二)的去噪结果(整体图),图9(e)是本发明所提的去噪方法的去噪结果(整体图);
附图10是本发明对原始Boat图像加均值为零标准差为30的高斯噪声后的图像进行去噪的仿真结果,其中,图10(a)是原始Peppers图像(整体图),10(b)待去噪的含噪图像(整体图),图10(c)是NLM方法(对比方法之一)的去噪结果(整体图),图10(d)是NLTV方法(对比方法之二)的去噪结果(整体图),图10(e)是本发明所提的去噪方法的去噪结果(整体图)。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
为解决NLTV模型存在不能自适应地对图像的不同区域进行不同程度的平滑问题,本发明通过构建自适应平衡参数函数(简称平衡函数)λ(x),提出了一个新的自适应非局部总变分模型(我们称之为NA-NLTV),并且基于这个NA-NLTV新模型,提出了一种自适应非局部总变分图像去噪方法。
本发明构建自适应平衡参数函数(简称平衡函数)λ(x)的原则是使λ(x)能够根据图像的不同区域的平坦程度自适应取值,并用λ(x)代替经典NLTV模型中的λ。对于平衡函数λ(x)的构建,须符合以下要求:(1)λ(x)能区别出图像的平坦区域和非平坦区域;(2)λ(x)对于噪声的干扰具有较强的抗扰性。基于以上考虑,本发明构建平衡函数如下:
其中,ω(x,y)是像素点之间非局部相似权重,当ω(x,y)的滤波参数h选定后,在平坦区域,像素点之间的梯度较小,灰度变化缓慢,所以像素点之间的相似度较大,ω(x,y)的取值较大;在边缘纹理等非平坦区域,像素点之间的梯度较大,灰度变化较快,所以像素点之间的相似度与平坦区域相比相对较小,对应的ω(x,y)的取值较小。因此,以ω(x,y)为自变量的平衡函数λ(x)可以较好地反映图像平坦区域、非平坦区域分布情况。
图3、图4和图5为本发明构建的平衡函数λ(x)在不同噪声强度下对不同的图像区域的识别情况,其中图3(a)、图3(b)、图3(c)分别为House(256×256)原始无噪图像、加标准差σ=20的高斯白噪声后的图像、加标准差σ=40的高斯白噪声后的图像,图3(d)、图3(e)、图3(f)分别是对图3(a)、图3(b)、图3(c)计算出的平衡函数λ(x),深色像素点处,λ(x)值低,浅色像素点处,λ(x)值高,可见λ(x)值能较好地指示图像平坦区域和非平坦区域。
图4(a)、图4(b)和图4(c)分别为Lena(512×512)图的原始无噪图像、加标准差σ=20的高斯白噪声后的图像、加标准差σ=40的高斯白噪声后的图像,图4(d)、图4(e)和图4(f)分别对图4(a)、图4(b)和图4(c)计算出的平衡函数λ(x),深色像素点处,λ(x)值低,浅色像素点处,λ(x)值高,可见λ(x)值能较好地指示图像平坦区域和非平坦区域。
图5(a)、图5(b)、图5(c)分别为Peppers(256×256)原始无噪图像、加标准差σ=20的高斯白噪声后的图像、加标准差σ=40的高斯白噪声后的图像,图5(d)、图5(e)、图5(f)分别对图5(a)、图5(b)、图5(c)计算出的平衡函数λ(x),深色像素点处,λ(x)值低,浅色像素点处,λ(x)值高,可见λ(x)值能较好地指示图像平坦区域和非平坦区域。
从图3(d)、图4(d)、图5(d)可知,即使是图3(a)中微弱的纹理(烟囱的外墙与墙面的纹理、屋檐下方的阴影)和图4(a)中微弱的纹理(帽子上的褶皱、脸上的鼻梁)以及图5(a)中微弱的纹理(辣椒的凹凸痕迹、表面的皱纹)也能进行识别。对于图3(e)、图3(f)、图4(e)、图4(f)、图5(e)、图5(f),由于噪声产生的干扰,虽然一部分的微弱纹理无法检测,但是对图像中的主要边缘纹理非平坦区域(House的轮廓、窗户,Lena的脸型、肩膀、帽子的轮廓、帽穗,辣椒的轮廓)与平坦区域依然有好的区分度,所以从实验可知,本发明所提出的平衡函数λ(x)具有较强的抗噪声干扰性能。
综上所述,本发明提出的新模型,即NA-NLTV模型定义如下:
在式(2)中,u0是含噪图像,u是去噪后想要恢复的图像。▽NLu是图像的非局部梯度(其定义参见文献:NONLOCAL OPERATORS WITH APPLICATIONS TO IMAGE PROCESSING.SIAMMultiscale Modeling and Simulation.Vol.7,No.3,pp.1005–1028)。
本发明提出的NA-NLTV模型对于相似度权值函数ω(x,y)具有较大的依赖性。由于噪声的干扰,ω(x,y)的计算难免会出现误差。为了减小ω(x,y)的计算误差,本发明采用两步去噪法,先对含噪图像u0进行预去噪(第一次去噪),得到预去噪图像u1,再在预去噪后的图像u1上计算ω(x,y)来减小噪声对ω(x,y)的干扰,然后使用这个ω(x,y)值,应用NA-NLTV模型再对含噪图像u0正式去噪(第二次去噪),得到最后去噪图像。
具体地,如图1所示,本发明提供的自适应非局部总变分的图像去噪方法,包括以下步骤:
S101,输入N×N大小的含噪图像u0;
S102,设置相关参数,具体包括:
预去噪(第一步去噪)用的NA-NLTV模型的搜索窗口大小s1×s1,邻域窗口大小n1×n1,权重函数参数h1、σ1,自适应平衡函数λ1(x)值域范围参数θ1,求解预去噪(第一步去噪)用的NA-NLTV模型的split-Bregmant数值迭代方法的辅助变量的初始值及常数参数;
最终去噪(第二步去噪)用的NA-NLTV模型的搜索窗口大小s2×s2,邻域窗口大小n2×n2,权重函数参数h2、σ2,自适应平衡函数λ2(x)值域范围参数θ2,求解最终去噪(第二步去噪)用的NA-NLTV模型的split-Bregmant数值迭代方法的辅助变量及常数参数。
S103,计算含噪图像u0的非局部相似性权重ω1(x,y):
S104,计算含噪图像u0的自适应平衡函数λ1(x):
S105,预去噪(第一次去噪):建立预去噪用的NA-NA-NLTV模型:
▽NL是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子(nonlocal gradientoperator)(其定义参见文献:NONLOCAL OPERATORS WITH APPLICATIONS TO IMAGEPROCESSING.SIAM Multiscale Modeling and Simulation.Vol.7,No.3,pp.1005–1028),
其中,变量x表示当前像素点,变量y表示以x为中心的大小为s1×s1的搜索窗口内的一点,u(x)、u(y)分别是图像u上的点x和y的像素灰度值;ω1(x,y)是图像u0中的两个像素点x和y的相似度权重函数。
使用split-Bregman迭代算法(见文献:Tom Goldstein,Stanley Osher.Thespilt bregman method for L1regularized problems[J].Society for Industrial andApplied Mathematics,2009,2(2):323-343)求解预去噪模型,得到预去噪图像u1。
S106,计算预去噪图像u1的非局部相似性权重ω2(x,y):
S107,计算预去噪图像u1的自适应平衡函数λ2(x):
S108,去噪(第二次去噪):建立NA-NLTV模型:
▽NL是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子(nonlocal gradientoperator)(其定义见文献:NONLOCAL OPERATORS WITH APPLICATIONS TO IMAGEPROCESSING.SIAM Multiscale Modeling and Simulation.Vol.7,No.3,pp.1005–1028),
其中变量x∈Ω表示当前像素点,变量y表示以x为中心的大小为s2×s2的搜索窗口内的一点,u(x)、u(y)分别是图像u上的点x和y的像素灰度值;ω2(x,y)是图像u1中的两个像素点x和y的相似度权重函数。使用split-Bregman迭代算法求解预去噪模型,得到最终去噪图像u2。
利用上述图像去噪方法对图像进行去噪,具体实验为:
实验条件:
编程语言为c语言,编程环境是visual studio2013。实验用图为House(256×256)、Peppers(256×256)、Lena(256×256)、Barbara(512×512)、Boat(512×512)进行仿真实验,并将去噪结果与NLM、NLTV方法进行比较,参数的选取如下:当标准差为20时,预去噪(第一次去噪)用的NA-NLTV模型的搜索窗口大小为9×9,邻域窗口大小为13×13,最终去噪(第二次去噪)用NA-NLTV模型的搜索窗口大小为11×11,邻域窗口大小为15×15;当标准差为30,预去噪用的NA-NLTV的搜索窗口大小为11×11,邻域窗口大小为13×13,最终去噪用NA-NLTV的搜索窗口大小为11×11,邻域窗口大小为15×15;当标准差为40,预去噪用的NA-NLTV的搜索窗口大小为11×11,邻域窗口大小为13×13,最终去噪用NA-NLTV的搜索窗口大小为15×15,邻域窗口大小为15×15;其他参数择优选取。实验表明,平衡函数λ(x)的参数θ的取值范围在(0,2)时效果较好。初始值u0=u0,split-Bregman迭代算法的辅助变量初始值为0。实验所用的对比方法NLM、NLTV的参数也均择优选取,使其去噪后图像的PSNR最优。
实验内容:
按照上面所述的实验步骤进行c语言编程实验仿真,并将本发明方法与NLM方法、NLTV方法(采用split-Bregman算法迭代逼近来求解)进行比较。
实验结果:
实验结果见表1、表2、图6~图10。
表1各方法去噪结果的峰值信噪比PSNR
表2各方法去噪结果图像的结构相似度SSIM
实验结果表明本发明方法比NLM、NLTV方法有更高的峰值信噪比(PSNR)和结构相似度(the structural similarity index measurement,SSIM),去噪效果更好。关于SSIM请参见文献:Z.Wang,A.C.Bovik,H.R.Sheikh,and E.P.Simoncelli,“Image qualityassessment:from error visibility to structural similarity,”IEEE Transactionson Image Processing,vol.13,no.4,pp.600-612,2004。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种自适应非局部总变分的图像去噪方法,包括以下步骤:
(1)构建NA-NLTV模型:
其中,Ω表示恢复图像u或含噪图像u0的整个图像区域,变量x表示图像中的一个像素点,是正则项,保真项,λ1(x)为根据含噪图像u0计算得到的自适应平衡函数,用来调节NA-NLTV模型中正则项与保真项之间的平衡关系,具体为:
其中,变量y、x表示图像的像素点,θ1为函数λ1(x)的值域范围参数,λ1(x)∈(0,θ1);Ω1是以含噪图像u0中的点x∈Ω为中心的大小为s1×s1的区域,ω1(x,y)为含噪图像u0中的像素点x与像素点y间的非局部像素相似度权重;
式(1)中的正则项具体为:
式(3)中的u(y)、u(x)分别表示图像u在像素点y、x处的灰度值;
(2)利用构建NA-NLTV模型对输入的含噪图像u0进行第一次去噪,即求解NA-NLTV模型,输出恢复图像u1。
3.如权利要求1所述的自适应非局部总变分的图像去噪方法,其特征在于,在获得恢复图像u1后,计算u1中的两个像素点x和y的新的非局部像素相似度权重ω2(x,y),并且基于ω2(x,y)再次建立含噪图像u0的NA-NLTV模型,利用再次建立的NA-NLTV模型对含噪图像u0进行第二次去噪,输出最终恢复图像u2.。
4.如权利要求3所述的自适应非局部总变分的图像去噪方法,其特征在于,所述对含噪图像u0进行第二次去噪,包括:
首先,计算恢复图像u1的非局部像素相似性权重ω2(x,y):
其中,表示含恢复图像u1中以x为中心、大小为n2×n2的图像块和以y为中心、大小为n2×n2的图像块之间的高斯加权距离,表示求和范围是以x或y为中心的n2×n2邻域内的每一像素点,共n2×n2项,是标准差为σ2的高斯核,h2是权重函数ω2(x,y)的常数参数;
然后,根据计算的非局部像素相似性权重ω2(x,y)计算自适应平衡函数λ2(x):
其中,θ2为函数λ2(x)的值域范围参数,λ2(x)∈(0,θ2);Ω2是以恢复图像u1中的点x∈Ω为中心的大小为s1×s1的区域;
5.如权利要求1~4任一项所述的自适应非局部总变分的图像去噪方法,其特征在于,对u0第一次去噪时,利用split-Bregmant数值迭代算法对NA-NLTV模型进行求解。
6.如权利要求5所述的自适应非局部总变分的图像去噪方法,其特征在于,在求解NA-NLTV模型之前,设置第一次去噪时利用的NA-NLTV模型的搜索窗口大小s1×s1,邻域窗口大小n1×n1,权重函数参数h1、σ1,自适应平衡函数λ1(x)值域范围参数θ1,split-Bregmant数值迭代算法中辅助变量及常数参数。
7.如权利要求4所述的自适应非局部总变分的图像去噪方法,其特征在于,第二次去噪时,利用split-Bregmant数值迭代算法对NA-NLTV模型进行求解。
8.如权利要求7所述的自适应非局部总变分的图像去噪方法,其特征在于,在求解NA-NLTV模型之前,设置第二次去噪时利用的NA-NLTV模型的搜索窗口大小s2×s2,邻域窗口大小n2×n2,权重函数参数h2、σ2,自适应平衡函数λ2(x)值域范围参数θ2,split-Bregmant数值迭代算法中辅助变量及常数参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810820477.2A CN109064425B (zh) | 2018-07-24 | 2018-07-24 | 一种自适应非局部总变分的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810820477.2A CN109064425B (zh) | 2018-07-24 | 2018-07-24 | 一种自适应非局部总变分的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064425A CN109064425A (zh) | 2018-12-21 |
CN109064425B true CN109064425B (zh) | 2020-08-04 |
Family
ID=64836214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810820477.2A Active CN109064425B (zh) | 2018-07-24 | 2018-07-24 | 一种自适应非局部总变分的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689574B (zh) * | 2024-02-04 | 2024-04-26 | 大连锦辉盛世科技有限公司 | 一种用于肿瘤射频消融诊疗定位的医疗影像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1968009A2 (en) * | 2007-03-08 | 2008-09-10 | Mitsubishi Electric Corporation | Method for filtering data with arbitrary kernel filters |
CN101283911A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种冠状动脉血管轴线的四维重建方法 |
CN102637294A (zh) * | 2012-03-03 | 2012-08-15 | 西北工业大学 | 基于非下采样Contourlet变换和改进的总变分的图像增强方法 |
CN103337053A (zh) * | 2013-06-13 | 2013-10-02 | 华中科技大学 | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 |
US9286662B2 (en) * | 2013-09-26 | 2016-03-15 | Siemens Aktiengesellschaft | Single image super resolution and denoising using multiple wavelet domain sparsity |
WO2016153639A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
-
2018
- 2018-07-24 CN CN201810820477.2A patent/CN109064425B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1968009A2 (en) * | 2007-03-08 | 2008-09-10 | Mitsubishi Electric Corporation | Method for filtering data with arbitrary kernel filters |
CN101283911A (zh) * | 2008-06-05 | 2008-10-15 | 华北电力大学 | 一种冠状动脉血管轴线的四维重建方法 |
CN102637294A (zh) * | 2012-03-03 | 2012-08-15 | 西北工业大学 | 基于非下采样Contourlet变换和改进的总变分的图像增强方法 |
CN103337053A (zh) * | 2013-06-13 | 2013-10-02 | 华中科技大学 | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 |
US9286662B2 (en) * | 2013-09-26 | 2016-03-15 | Siemens Aktiengesellschaft | Single image super resolution and denoising using multiple wavelet domain sparsity |
WO2016153639A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
Non-Patent Citations (1)
Title |
---|
"自适应非局部数据保真项和双边总变分的图像去噪模型";郭黎等;《计算机应用》;20170810;第2334-2342页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109064425A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN108038906B (zh) | 一种基于图像的三维四边形网格模型重建方法 | |
CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
Zhao et al. | Single image fog removal based on local extrema | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN102298774B (zh) | 基于联合相似性的非局部均值去噪方法 | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN109754440A (zh) | 一种基于全卷积网络和均值漂移的阴影区域检测方法 | |
CN114359076A (zh) | 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法 | |
Pang et al. | Redefining self-similarity in natural images for denoising using graph signal gradient | |
CN109523559A (zh) | 一种基于改进的能量泛函模型的噪声图像分割方法 | |
Wang et al. | An efficient method for image dehazing | |
Salem | A Survey on Various Image Inpainting Techniques. | |
CN115471682A (zh) | 一种基于SIFT融合ResNet50的图像匹配方法 | |
CN115239594A (zh) | 一种基于全变差模型的文档图像去噪方法 | |
CN115457296A (zh) | 一种面向非平稳纹理结构属性的结构提取方法 | |
Yuan et al. | Perona–malik model with a new diffusion coefficient for image denoising | |
CN114627372A (zh) | 基于域内迁移学习的宽幅遥感影像舰船目标快速检测方法 | |
CN109064425B (zh) | 一种自适应非局部总变分的图像去噪方法 | |
Liu et al. | Shadow removal of text document images using background estimation and adaptive text enhancement | |
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 | |
CN116342443A (zh) | 一种近红外与可见光图像融合方法及*** | |
Xie et al. | DHD-Net: A novel deep-learning-based dehazing network | |
CN112330566B (zh) | 图像去噪的方法、装置及计算机存储介质 |
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 |