CN110363726A - 一种基于正则图拉普拉斯变换的视觉降噪处理方法 - Google Patents
一种基于正则图拉普拉斯变换的视觉降噪处理方法 Download PDFInfo
- Publication number
- CN110363726A CN110363726A CN201910672445.7A CN201910672445A CN110363726A CN 110363726 A CN110363726 A CN 110363726A CN 201910672445 A CN201910672445 A CN 201910672445A CN 110363726 A CN110363726 A CN 110363726A
- Authority
- CN
- China
- Prior art keywords
- image block
- processed
- noise reduction
- image
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011946 reduction process Methods 0.000 title claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 235000015220 hamburgers Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于正则图拉普拉斯变换的视觉降噪处理方法,本发明引入图正则化稀疏编码方法,还利用能够表示图像整体结构信息的拉普拉斯图的特征向量,通过将其参与到对图像块稀疏编码的过程,构建了一种新的基于拉普拉斯图特征向量的稀疏编码模型,从而实现了图像的降噪。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于正则图拉普拉斯变换的视觉降噪处理方法。
背景技术
视觉图像中,图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了遥感图像的质量,因此在图像增强处理和分类处理之前,必须予以纠正。图像中各种妨碍人们对其信息接受的因素即可称为图像噪声。噪声在理论上可以定义为“不可预测,只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的,因而描述噪声的方法完全可以借用随机过程的描述,即用其概率分布函数和概率密度分布函数。目前大多数数字图像***中,输入图像都是采用先冻结再扫描方式将多维图像变成一维电信号,再对其进行处理、存储、传输等加工变换。最后往往还要再组成多维图像信号,而图像噪声也将同样受到这样的分解和合成。在这些过程中电气***和外界影响将使得图像噪声的精确分析变得十分复杂。另一方面图像只是传输视觉信息的媒介,对图像信息的认识理解是由人的视觉***所决定的。不同的图像噪声,人的感觉程度是不同的,这就是所谓人的噪声视觉特性课题。图像噪声在数字图像处理技术中的重要性越来越明显,如高放大倍数航片的判读,X射线图像***中的噪声去除等已经成为不可缺少的技术步骤。
图像的稀疏表示具有坚实的生物背景,它最早源于“有效编码假说”。若信号在某个基越稀疏,那么所需要的采样量则越少。因此,压缩感知理论中的一个重要的问题就是稀疏基的选取。稀疏表示的好处就在于,非零系数揭示了信号与图像的内在结构与本质属性,同时非零系数具有显式的物理意义。
本发明公开了一种基于正则图拉普拉斯变换的视觉降噪处理方法,本发明引入图正则化稀疏编码方法,还利用能够表示图像整体结构信息的拉普拉斯图的特征向量,通过将其参与到对图像块稀疏编码的过程,构建了一种新的基于拉普拉斯图特征向量的稀疏编码模型,从而实现了图像的降噪。
发明内容
针对上述现有技术的不足,本发明提供了一种基于正则图拉普拉斯变换的视觉降噪处理方法,本发明引入图正则化稀疏编码方法,还利用能够表示图像整体结构信息的拉普拉斯图的特征向量,通过将其参与到对图像块稀疏编码的过程,构建了一种新的基于拉普拉斯图特征向量的稀疏编码模型,从而实现了图像的降噪。
为了解决上述技术问题,本发明采用了如下的技术方案:
一种基于正则图拉普拉斯变换的视觉降噪处理方法,包括如下步骤:
S1、获取待处理图像;
S2、对待处理图像进行采样获取多个待处理图像块,构建待处理图像块矩阵;
S3、构建待处理图像块矩阵对应的拉普拉斯矩阵;
S4、基于拉普拉斯矩阵构建正则图稀疏编码降噪模型;
S5、更新正则图稀疏编码降噪模型中的字典及稀疏系数;
S6、基于更新后的正则图稀疏编码降噪模型对待处理图像块矩阵进行处理,得到去噪图像块矩阵;
S7、以去噪图像块覆盖待处理图像中对应的待处理图像块,计算取代过程中每个像素点覆盖的去噪图像块的个数;
S8、基于权值、对应去噪图像块的像素值及每个像素点覆盖的去噪图像块的个数,对每个像素点进行加权计算得到每个像素点的像素值,生成去噪图像。
优选地,步骤S2中:
对待处理图像进行采样,得到N个尺寸为M1×M2的待处理图像块,记录每个待处理图像块的位置,对第i个图像块Bi按列进行堆砌,得到(M1M2)×1的列向量yi,构建待处理图像块矩阵Y,Y=[y1,y2,y3,…,yN]。
优选地,步骤S3中:
基于待处理图像块矩阵Y中列向量之间的关系建立对应的拉普拉斯矩阵L,并计算拉普拉斯矩阵L中的特征向量
优选地,步骤S4中,正则图稀疏编码降噪模型表示为:
式中,b表示待处理图像,αi表示第i个待处理图像块的稀疏系数,Γ表示正则图稀疏表达系数,D表示字典,η表示字典稀疏表达系数;
为去噪图像块矩阵,为第i个去噪图像块,为处理图像块的稀疏系数矩阵,C为乘法矩阵,C=(u1,u1,…,uM)(u1,u1,…,uM)T,M<N。
优选地,步骤S5中,基于伯格曼迭代算法更新正则图稀疏编码降噪模型中的字典,基于软阈值迭代更新正则图稀疏编码降噪模型中的稀疏系数。
优选地,步骤6及步骤S8中:
式中,表示坐标为p,q的像素点加权计算后的像素值,表示坐标为p,q的像素点加权计算前的像素值,β表示拉普拉斯权值,wp,q表示坐标为p,q的像素点覆盖的去噪图像块的个数。
综上所述,本发明公开了一种基于正则图拉普拉斯变换的视觉降噪处理方法,包括如下步骤:S1、获取待处理图像;S2、对待处理图像进行采样获取多个待处理图像块,构建待处理图像块矩阵;S3、构建待处理图像块矩阵对应的拉普拉斯矩阵;S4、基于拉普拉斯矩阵构建正则图稀疏编码降噪模型;S5、更新正则图稀疏编码降噪模型中的字典及稀疏系数;S6、基于更新后的正则图稀疏编码降噪模型对待处理图像块矩阵进行处理,得到去噪图像块矩阵;S7、以去噪图像块覆盖待处理图像中对应的待处理图像块,计算取代过程中每个像素点覆盖的去噪图像块的个数;S8、基于权值、对应去噪图像块的像素值及每个像素点覆盖的去噪图像块的个数,对每个像素点进行加权计算得到每个像素点的像素值,生成去噪图像。本发明引入图正则化稀疏编码方法,还利用能够表示图像整体结构信息的拉普拉斯图的特征向量,通过将其参与到对图像块稀疏编码的过程,构建了一种新的基于拉普拉斯图特征向量的稀疏编码模型,从而实现了图像的降噪。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1是一种基于正则图拉普拉斯变换的视觉降噪处理方法的一种具体实施方式的流程图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示,一种基于正则图拉普拉斯变换的视觉降噪处理方法,包括如下步骤:
S1、获取待处理图像;
S2、对待处理图像进行采样获取多个待处理图像块,构建待处理图像块矩阵;
S3、构建待处理图像块矩阵对应的拉普拉斯矩阵;
S4、基于拉普拉斯矩阵构建正则图稀疏编码降噪模型;
S5、更新正则图稀疏编码降噪模型中的字典及稀疏系数;
S6、基于更新后的正则图稀疏编码降噪模型对待处理图像块矩阵进行处理,得到去噪图像块矩阵;
S7、以去噪图像块覆盖待处理图像中对应的待处理图像块,计算取代过程中每个像素点覆盖的去噪图像块的个数;
S8、基于权值、对应去噪图像块的像素值及每个像素点覆盖的去噪图像块的个数,对每个像素点进行加权计算得到每个像素点的像素值,生成去噪图像。
具体实施时,步骤S2中:
对待处理图像进行采样,得到N个尺寸为M1×M2的待处理图像块,记录每个待处理图像块的位置,对第i个图像块Bi按列进行堆砌,得到(M1M2)×1的列向量yi,构建待处理图像块矩阵Y,Y=[y1,y2,y3,…,yN]。
具体实施时,步骤S3中:
基于待处理图像块矩阵Y中列向量之间的关系建立对应的拉普拉斯矩阵L,并计算拉普拉斯矩阵L中的特征向量
具体实施时,步骤S4中,正则图稀疏编码降噪模型表示为:
式中,b表示待处理图像,αi表示第i个待处理图像块的稀疏系数,Γ表示正则图稀疏表达系数,D表示字典,η表示字典稀疏表达系数;
为去噪图像块矩阵,为第i个去噪图像块,为处理图像块的稀疏系数矩阵,C为乘法矩阵,C=(u1,u1,…,uM)(u1,u1,…,uM)T,M<N。
具体实施时,步骤S5中,基于伯格曼迭代算法更新正则图稀疏编码降噪模型中的字典,基于软阈值迭代更新正则图稀疏编码降噪模型中的稀疏系数。
具体实施时,步骤6及步骤S8中:
式中,表示坐标为p,q的像素点加权计算后的像素值,表示坐标为p,q的像素点加权计算前的像素值,β表示拉普拉斯权值,wp,q表示坐标为p,q的像素点覆盖的去噪图像块的个数。
综上所述,本发明公开了一种基于正则图拉普拉斯变换的视觉降噪处理方法,包括如下步骤:S1、获取待处理图像;S2、对待处理图像进行采样获取多个待处理图像块,构建待处理图像块矩阵;S3、构建待处理图像块矩阵对应的拉普拉斯矩阵;S4、基于拉普拉斯矩阵构建正则图稀疏编码降噪模型;S5、更新正则图稀疏编码降噪模型中的字典及稀疏系数;S6、基于更新后的正则图稀疏编码降噪模型对待处理图像块矩阵进行处理,得到去噪图像块矩阵;S7、以去噪图像块覆盖待处理图像中对应的待处理图像块,计算取代过程中每个像素点覆盖的去噪图像块的个数;S8、基于权值、对应去噪图像块的像素值及每个像素点覆盖的去噪图像块的个数,对每个像素点进行加权计算得到每个像素点的像素值,生成去噪图像。本发明引入图正则化稀疏编码方法,还利用能够表示图像整体结构信息的拉普拉斯图的特征向量,通过将其参与到对图像块稀疏编码的过程,构建了一种新的基于拉普拉斯图特征向量的稀疏编码模型,从而实现了图像的降噪。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管通过参照本发明的优选实施例已经对本发明进行了描述,但本领域的普通技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (6)
1.一种基于正则图拉普拉斯变换的视觉降噪处理方法,其特征在于,包括如下步骤:
S1、获取待处理图像;
S2、对待处理图像进行采样获取多个待处理图像块,构建待处理图像块矩阵;
S3、构建待处理图像块矩阵对应的拉普拉斯矩阵;
S4、基于拉普拉斯矩阵构建正则图稀疏编码降噪模型;
S5、更新正则图稀疏编码降噪模型中的字典及稀疏系数;
S6、基于更新后的正则图稀疏编码降噪模型对待处理图像块矩阵进行处理,得到去噪图像块矩阵;
S7、以去噪图像块覆盖待处理图像中对应的待处理图像块,计算取代过程中每个像素点覆盖的去噪图像块的个数;
S8、基于权值、对应去噪图像块的像素值及每个像素点覆盖的去噪图像块的个数,对每个像素点进行加权计算得到每个像素点的像素值,生成去噪图像。
2.如权利要求1所述的基于正则图拉普拉斯变换的视觉降噪处理方法,其特征在于,步骤S2中:
对待处理图像进行采样,得到N个尺寸为M1×M2的待处理图像块,记录每个待处理图像块的位置,对第i个图像块Bi按列进行堆砌,得到(M1M2)×1的列向量yi,构建待处理图像块矩阵Y,Y=[y1,y2,y3,…,yN]。
3.如权利要求2所述的基于正则图拉普拉斯变换的视觉降噪处理方法,其特征在于,步骤S3中:
基于待处理图像块矩阵Y中列向量之间的关系建立对应的拉普拉斯矩阵L,并计算拉普拉斯矩阵L中的特征向量
4.如权利要求3所述的基于正则图拉普拉斯变换的视觉降噪处理方法,其特征在于,步骤S4中,正则图稀疏编码降噪模型表示为:
式中,b表示待处理图像,αi表示第i个待处理图像块的稀疏系数,Γ表示正则图稀疏表达系数,D表示字典,η表示字典稀疏表达系数;
为去噪图像块矩阵,为第i个去噪图像块,为处理图像块的稀疏系数矩阵,C为乘法矩阵,C=(u1,u1,…,uM)(u1,u1,…,uM)T,M<N。
5.如权利要求4所述的基于正则图拉普拉斯变换的视觉降噪处理方法,其特征在于,步骤S5中,基于伯格曼迭代算法更新正则图稀疏编码降噪模型中的字典,基于软阈值迭代更新正则图稀疏编码降噪模型中的稀疏系数。
6.如权利要求5所述的基于正则图拉普拉斯变换的视觉降噪处理方法,其特征在于,步骤6及步骤S8中:
式中,表示坐标为p,q的像素点加权计算后的像素值,表示坐标为p,q的像素点加权计算前的像素值,β表示拉普拉斯权值,wp,q表示坐标为p,q的像素点覆盖的去噪图像块的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672445.7A CN110363726A (zh) | 2019-07-24 | 2019-07-24 | 一种基于正则图拉普拉斯变换的视觉降噪处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910672445.7A CN110363726A (zh) | 2019-07-24 | 2019-07-24 | 一种基于正则图拉普拉斯变换的视觉降噪处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363726A true CN110363726A (zh) | 2019-10-22 |
Family
ID=68219803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910672445.7A Pending CN110363726A (zh) | 2019-07-24 | 2019-07-24 | 一种基于正则图拉普拉斯变换的视觉降噪处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363726A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658302A (zh) * | 2021-08-23 | 2021-11-16 | 李帮音 | 一种三维动画数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789633A (zh) * | 2012-07-02 | 2012-11-21 | 河海大学常州校区 | 基于k-svd和局部线性嵌套的图像降噪***和方法 |
CN104680483A (zh) * | 2013-11-25 | 2015-06-03 | 浙江大华技术股份有限公司 | 图像的噪声估计方法、视频图像去噪方法及装置 |
CN105184742A (zh) * | 2015-08-07 | 2015-12-23 | 河海大学常州校区 | 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法 |
US20170281093A1 (en) * | 2016-04-05 | 2017-10-05 | Stefan Böhm | Method for denoising time series images of a moved structure for medical devices |
CN108564107A (zh) * | 2018-03-21 | 2018-09-21 | 温州大学苍南研究院 | 基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法 |
-
2019
- 2019-07-24 CN CN201910672445.7A patent/CN110363726A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789633A (zh) * | 2012-07-02 | 2012-11-21 | 河海大学常州校区 | 基于k-svd和局部线性嵌套的图像降噪***和方法 |
CN104680483A (zh) * | 2013-11-25 | 2015-06-03 | 浙江大华技术股份有限公司 | 图像的噪声估计方法、视频图像去噪方法及装置 |
CN105184742A (zh) * | 2015-08-07 | 2015-12-23 | 河海大学常州校区 | 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法 |
US20170281093A1 (en) * | 2016-04-05 | 2017-10-05 | Stefan Böhm | Method for denoising time series images of a moved structure for medical devices |
CN108564107A (zh) * | 2018-03-21 | 2018-09-21 | 温州大学苍南研究院 | 基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658302A (zh) * | 2021-08-23 | 2021-11-16 | 李帮音 | 一种三维动画数据处理方法及装置 |
CN113658302B (zh) * | 2021-08-23 | 2024-04-12 | 麦应俊 | 一种三维动画数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN107730451B (zh) | 一种基于深度残差网络的压缩感知重建方法和*** | |
Yang et al. | Single-image super-resolution reconstruction via learned geometric dictionaries and clustered sparse coding | |
WO2019041376A1 (zh) | 基于卷积神经网络去除磁共振图像降采样伪影的方法 | |
CN110060286B (zh) | 一种单目深度估计方法 | |
WO2009094357A1 (en) | Parallel and adaptive signal processing | |
JP2012507793A (ja) | 複雑度正規化パターンの表現、探索、及び圧縮 | |
CN110634103A (zh) | 基于生成对抗网络的图像去马赛克方法 | |
CN108765322A (zh) | 图像去噪方法及装置 | |
CN112926552B (zh) | 基于深度神经网络的遥感影像车辆目标识别模型及方法 | |
CN105590296B (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
CN110363726A (zh) | 一种基于正则图拉普拉斯变换的视觉降噪处理方法 | |
CN111815520B (zh) | 一种基于gpu-cuda编码模型的遥感影像快速处理方法 | |
CN113066033A (zh) | 一种彩色图像的多阶段去噪***及方法 | |
CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、***及存储介质 | |
CN114821239B (zh) | 一种有雾环境下的病虫害检测方法 | |
CN116385281A (zh) | 一种基于真实噪声模型与生成对抗网络的遥感图像去噪方法 | |
CN110929731A (zh) | 一种基于探路者智能搜索算法的医疗影像处理方法及装置 | |
CN113066023B (zh) | 一种基于自校准卷积神经网络的sar图像去斑方法 | |
CN110266318B (zh) | 一种在压缩感知信号重建中基于梯度投影算法的测量矩阵优化方法 | |
CN113435243B (zh) | 一种高光谱真实下采样模糊核估计方法 | |
CN111598797B (zh) | 一种基于非凸张量范数和全变分的高光谱图像恢复方法 | |
CN115089162A (zh) | 一种基于无人机视频的呼吸率检测方法及装置 | |
CN114098721A (zh) | 心冲击图信号的提取方法、装置以及设备 | |
CN112927169A (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |