CN113409307A - 基于异质噪声特性的图像去噪方法、设备及介质 - Google Patents

Abstract

本公开实施例中提供了一种基于异质噪声特性的图像去噪方法、设备及介质，属于图像处理技术领域，具体包括：将初始图像对应的三维数据集转化为二维数据集，并将二维数据集进行归一化操作后分解，得到初始数据集；根据初始数据集计算概率密度分布函数，并建立分解模型；优化分解模型，得到对应的参数公式；将全部参数公式进行迭代，得到分解模型中各参数的值；得到目标图像；判断目标图像的质量是否符合标准；若是，则输出目标图像；若否，则继续进行迭代直到符合标准。通过本公开的方案，对图像数据进行预处理并建立服从目标数据集中每个像素点的分解模型，再经过迭代分解模型中各参数的值，输出去噪后的目标图像，提高了计算效率和去噪效果。

Description

基于异质噪声特性的图像去噪方法、设备及介质

技术领域

本公开实施例涉及图像处理技术领域，尤其涉及一种基于异质噪声特性的图像去噪方法、设备及介质。

背景技术

目前，图像预处理在数字图像处理中占有很重要的地位，图像质量的好坏直接影响了图像的分类、识别和分割。其中，图像去噪是图像预处理的基本流程，图像去噪效果的好坏直接影响了图像后续的处理过程。随着科技的发展以及大数据时代的来临，图像去噪不单单是处理某一张图像，而是需要处理一整套图像数据集。现有图像去噪方法，是根据数据集中图像的相似性，提取出数据集的低秩子空间，去噪效果较差，或者使用混合高斯分布和混合指数幂分布刻画数据集中的噪声，导致计算量巨大。

可见，现有的图像去噪方法存在计算效率和去噪效果较差的问题。

发明内容

有鉴于此，本公开实施例提供一种基于异质噪声特性的图像去噪方法、设备及介质，至少部分解决现有技术中存在的计算效率和去噪效果较差的问题。

第一方面，本公开实施例提供了一种基于异质噪声特性的图像去噪方法，包括：

将初始图像对应的三维数据集转化为二维数据集，并将所述二维数据集进行归一化操作后分解，得到初始数据集，其中，所述初始数据集包括第一矩阵和第二矩阵；

根据所述初始数据集计算概率密度分布函数，并根据所述概率密度分布函数建立服从所述目标数据集中每个像素点的分解模型；

利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式；

将全部所述参数公式进行迭代，得到所述分解模型中各参数的值；

根据所述分解模型中各参数的值计算所述第一矩阵对应的向量和所述第二矩阵对应的向量，得到目标图像；

判断所述目标图像的质量是否符合标准；

若所述目标图像的质量符合标准，则输出所述目标图像；

若所述目标图像的质量不符合标准，则继续进行迭代直到所述目标图像的质量符合标准。

根据本公开实施例的一种具体实现方式，所述概率密度分布函数为

z_ij～IG(a₀，b₀)，其中，x_ij为所述初始数据集的每一个像素点，u_i和v_j分别为所述第一矩阵和所述第二矩阵的第i行和第j列向量，z_ij为高斯分布的方差，a₀和b₀为预设常数。

根据本公开实施例的一种具体实现方式，所述分解模型的表达式为

τ_i～G(c₀，d₀)，τ_v～G(e₀，f₀)，其中，τ_u为u_i的先验分布，τ_v为v_j的先验分布，c₀、d₀、e₀和f₀均为预设常数。

根据本公开实施例的一种具体实现方式，所述利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式的步骤，包括：

根据所述变分贝叶斯方法计算所述分解模型各参数的后验分布；

分别根据所述分解模型各参数的后验分布计算所述分解模型各参数的迭代公式；

将所述迭代公式作为所述分解模型各参数对应的参数公式。

根据本公开实施例的一种具体实现方式，所述分解模型各参数中u_i的后验分布和v_j的后验分布为高斯分布的后验分布均为高斯分布；

τ_u的后验分布和τ_v的后验分布为伽马分布；

z_ij的后验分布为逆伽马分布。

根据本公开实施例的一种具体实现方式，所述判断所述目标图像的质量是否符合标准的步骤，包括：

判断所述目标图像的均方根误差是否小于或等于阈值；

若所述目标图像的均方根误差小于或等于所述阈值，则判定所述目标图像的质量符合标准；

若所述目标图像的均方根误差大于所述阈值，则判定所述目标图像的质量不符合标准。

第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于异质噪声特性的图像去噪方法。

第三方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于异质噪声特性的图像去噪方法。

第四方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于异质噪声特性的图像去噪方法。

本公开实施例中的基于异质噪声特性的图像去噪方案，包括：将初始图像对应的三维数据集转化为二维数据集，并将所述二维数据集进行归一化操作后分解，得到初始数据集，其中，所述初始数据集包括第一矩阵和第二矩阵；根据所述初始数据集计算概率密度分布函数，并根据所述概率密度分布函数建立服从所述目标数据集中每个像素点的分解模型；利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式；将全部所述参数公式进行迭代，得到所述分解模型中各参数的值；根据所述分解模型中各参数的值计算所述第一矩阵对应的向量和所述第二矩阵对应的向量，得到目标图像；判断所述目标图像的质量是否符合标准；若所述目标图像的质量符合标准，则输出所述目标图像；若所述目标图像的质量不符合标准，则继续进行迭代直到所述目标图像的质量符合标准。

本公开实施例的有益效果为：通过本公开的方案，对图像数据进行预处理并建立服从目标数据集中每个像素点的分解模型，再经过迭代分解模型中各参数的值，输出去噪后的目标图像，提高了计算效率和去噪效果。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种基于异质噪声特性的图像去噪方法的流程示意图；

图2为本公开实施例提供的一种基于异质噪声特性的图像去噪方法涉及的分解模型示意图；

图3为本公开实施例提供的一种基于异质噪声特性的图像去噪方法涉及的各算法计算结果对比示意图；

图4为本公开实施例提供的一种基于异质噪声特性的图像去噪方法涉及的各算法去噪效果对比示意图；

图5为本公开实施例提供的另一种基于异质噪声特性的图像去噪方法涉及的各算法去噪效果对比示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

目前，图像预处理在数字图像处理中占有很重要的地位，图像质量的好坏直接影响了图像的分类、识别和分割。其中，图像去噪是图像预处理的基本流程，图像去噪效果的好坏直接影响了图像后续的处理过程。随着科技的发展以及大数据时代的来临，图像去噪不单单是处理某一张图像，而是需要处理一整套图像数据集。因此，适用于处理大数据集的低秩矩阵分解算法越来越受到学者们的重视。其主要原理是根据数据集中图像的相似性，提取出数据集的低秩子空间，从而快速且高效的去除数据集中的噪声。

根据模型分类，主流的低秩矩阵分解的建模方法可以分为两大类，即基于L1范数模型的低秩矩阵分解和基于L2范数模型的低秩矩阵分解。L1范数模型的低秩矩阵分解方法主要是基于拉普拉斯噪声分布建立数学模型求解，代表算法有RegL1ALM、VBMFL1等，而L2范数模型的低秩矩阵分解方法主要是基于高斯噪声分布建立数学模型求解，代表算法有L2Wiberg。L1范数模型对异常点具有比L2范数模型更好的鲁棒性。而相比于L1范数模型，L2模型的计算速度更快。

但是，无论是L1范数模型还是L2范数模型，都需要先从数学的角度去描述噪声。当噪声能够很好的用数学公式表达时，无论是哪一种模型都能表现出优秀的效果。为了刻画出数据集中的噪声，学者们首先选择了最常见的高斯分布来刻画数据集中掺杂的噪声，典型代表算法有L2Wiberg。然而，使用高斯分布来刻画噪声的模型只能在包含高斯噪声的数据集中发挥出最好的效果，而对于存在较多异常点的数据集中，其效果并不理想。此后，学者们开始关注拥有厚尾特点的拉普拉斯分布，使用拉普拉斯分布可以较好的处理异常点，典型的代表算法有VBMFL1、PRMF。但是，自然界中的噪声非常复杂，仅仅使用一种概率分布也很难刻画出数据集中的噪声。所以，有学者提出了基于混合高斯分布和混合指数幂分布来刻画噪声，其代表分别有MOG和PMOEP。使用混合高斯分布和混合指数幂分布虽然能够较好的刻画数据集中复杂的噪声，但同时也增加了算法的复杂度，在一些性能较差的计算机上是需要运行很长时间。

从低秩矩阵分解算法的发展过程来看，学者们通过使用越来越复杂的概率密度函数来刻画数据集中的噪声，虽然算法处理的精度越来越好，同时也需要更长的运算时间。此外，这些算法都是使用同一个概率密度分布来刻画数据集中每一个像素点的噪声，这样做就忽略了噪声的独特性，导致模型需要训练更多的次数来调节模型的参数去达到整体最优的效果。因此，考虑每一个像素点上噪声的差异性或许能够提高模型的计算精度和减少模型的运算时间。

本公开实施例提供一种基于异质噪声特性的图像去噪方法，所述方法可以应用于电子图像的异质噪声的去噪过程。

参见图1，为本公开实施例提供的一种基于异质噪声特性的图像去噪方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

S101，将初始图像对应的三维数据集转化为二维数据集，并将所述二维数据集进行归一化操作后分解，得到初始数据集，其中，所述初始数据集包括第一矩阵和第二矩阵；

具体实施时，考虑到所述初始图像对应的数据集一般是三维的，不便于计算处理，可以先将所述初始图像对应的三维数据集转化为二维数据集，并将所述二维数据集进行归一化操作，在进行归一化操作后的二维数据集为高维矩阵，可以对所述二维数据集进行处理，将其由高维矩阵分解为两个低维矩阵，形成所述初始数据集，减小异常点对算法的影响，以使得后续的计算过程中误差更小，所述初始数据集可以包括所述初始图像中所有行向量的第一矩阵，以及，所述初始图像中所有列向量的第二矩阵，所述第一矩阵和所述第二矩阵均为低维矩阵。

S102，根据所述初始数据集计算概率密度分布函数，并根据所述概率密度分布函数建立服从所述目标数据集中每个像素点的分解模型；

可选的，所述概率密度分布函数为

z_ij～IG(a₀，b₀)，其中，x_ij为所述初始数据集的每一个像素点，u_i和v_j分别为所述第一矩阵和所述第二矩阵的第i行和第j列向量，z_ij为高斯分布的方差，a₀和b₀为预设常数。

进一步的，所述分解模型的表达式为

τ_u～G(c₀，d₀)，τ_v～G(e₀，f₀)，其中，τ_u为u_i的先验分布，τ_v为v_j的先验分布，c₀、d₀、e₀和f₀均为预设常数。

具体实施时，可以给定一个尺寸为m×n的数据,

其中，m表示为数据矩阵的维数，n为数据的个数，每一个列向量包含了一张图片的全部信息。低秩矩阵分解问题可以表述为一个最优化问题

其中

与

是低维矩阵(r＜＜min(m，n))。W是缺失矩阵，如果x_ij丢失，那么w_ij＝0，否则w_ij＝1。⊙表示哈达玛乘积。

表示L_p范数。

公式(1-1)在最大似然估计框架下等效为

其中，x_ij为所述初始数据集的每一个像素点，u_i和v_j分别为所述第一矩阵和所述第二矩阵的第i行和第j列向量，ε_ij表示数据集x_ij里的噪声。

假设每一个像素点的噪声满足不同的高斯分布

∈_ij～N(0，z_ij)，z_ij～IG(a₀，b₀) (1-3)

其中N(0，z_ij)表示均值为0，方差为z_ij的高斯分布，IG(·)表示逆伽马分布，a₀和b₀是逆伽马分布的超参数，通常可以简单的将其设置为10⁶。

由此可得出每一个像素点x_ij的概率密度分布函数

z_ij～IG(a₀，b₀) (1-4)

一般来说，可以同时掌握整体结构和部分细节的先验信息。可以使用贝叶斯分层模型来估计U和V。通常，可以将U和V设为均值为零的高斯先验，并假设高斯分布的方差服从伽马分布，以使得减少先验分布对估计结果的负面影响。如图2所示，所述分解模型表示为

τ_u～G(c₀，d₀)，τ_v～G(e₀，f₀)

其中，τ_u为u_i的先验分布，τ_v为v_j的先验分布，τ_u和τ_v的先验分布分别是以c₀、d₀、和f₀为参数的伽马分布,通常也可以简单的将其设置为10⁶，当然a0,b0,c0,d0,e0,f0的初始化值也可以根据需求设置为其他常数。

S103，利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式；

考虑到采用所述分解模型直接计算，可能在精度上存在较大误差，在获得所述分解模型后，还可以利用所述变分贝叶斯方法对基于个体高斯噪声的低秩矩阵的所述分解模型进行优化，从而得到所述分解模型各参数对应的参数公式。

S104，将全部所述参数公式进行迭代，得到所述分解模型中各参数的值；

具体实施时，可以先初始化所述分解模型中各参数，然后将全部所述参数公式进行迭代，得到所述分解模型中各参数的值。

S105，根据所述分解模型中各参数的值计算所述第一矩阵对应的向量和所述第二矩阵对应的向量，得到目标图像；

具体实施时，在迭代得到所述分解模型中各参数的值后，可以根据所述分解模型中各参数的值计算所述第一矩阵对应的向量和所述第二矩阵对应的向量，得到所述目标图像，以使得去除噪音。

S106，判断所述目标图像的质量是否符合标准；

在重构得到所述目标图像后，可以计算所述目标图像的质量，同时，可以判定所述目标图像的质量是否符合标准，从而确定下一步操作流程。

若所述目标图像的质量符合标准，则执行步骤S107，输出所述目标图像；

若所述目标图像的质量不符合标准，则执行步骤S108，继续进行迭代直到所述目标图像的质量符合标准。

具体实施时，若所述目标图像的质量符合标准，则可以认为去除了所述初始图像中的噪音，可以直接将所述目标图像作为去噪后的图像输出。若所述目标图像的质量不符合标准，则可以认为所述初始图像中的噪音还没完全去除或者去除效果不够理想，则可以继续进行迭代直到所述目标图像的质量符合标准。

本实施例提供的基于异质噪声特性的图像去噪方法，通过对图像数据进行预处理并建立服从目标数据集中每个像素点的分解模型，再经过迭代分解模型中各参数的值，输出去噪后的目标图像，提高了计算效率和去噪效果。

在上述实施例的基础上，步骤S103所述的，利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式，包括：

根据所述变分贝叶斯方法计算所述分解模型各参数的后验分布；

分别根据所述分解模型各参数的后验分布计算所述分解模型各参数的迭代公式；

将所述迭代公式作为所述分解模型各参数对应的参数公式。

进一步的，所述分解模型各参数中u_i的后验分布和v_j的后验分布为高斯分布的后验分布均为高斯分布；

τ_u的后验分布和τ_v的后验分布为伽马分布；

z_ij的后验分布为逆伽马分布。

具体实施时，所述第一矩阵u_i的后验分布q(u_i)为高斯分布，即

其中，

为高斯分布的均值，

为高斯分布的方差，I为r×r的单位矩阵。

参数τ_u的后验分布q(τ_u)是一个伽马分布，即

其中伽马分布参数

的迭代公式为

低维矩阵v_j的后验分布q(v_j)为高斯分布，即

其中

为高斯分布的均值，

为高斯分布的方差，I为r×r的单位矩阵。

参数τ_v的后验分布q(τ_v)是一个伽马分布，即

其中，伽马分布的参数

和

的迭代公式为

参数z_ij的后验分布q(z_ij)是一个逆伽马分布，即

其中，逆伽马分布的参数

的迭代公式为

所述分解模型涉及的期望计算公式如表1所示，

表1

在上述实施例的基础上，步骤S105所述的，判断所述目标图像的质量是否符合标准，包括：

判断所述目标图像的均方根误差是否小于或等于阈值；

具体实施时，所述阈值可以根据测量多张无噪音的样本图像得到，或者，可以根据精度需求进行设定，在得到所述目标图像后，可以计算所述目标图像与预期图像的均方根误差，然后将所述均方根误差与所述阈值进行比对，从而确定下一步操作流程。

若所述目标图像的均方根误差小于或等于所述阈值，则判定所述目标图像的质量符合标准；

若所述目标图像的均方根误差大于所述阈值，则判定所述目标图像的质量不符合标准。

具体实施时，若所述目标图像的均方根误差小于或等于所述阈值，则可以认为所述目标图像已经达到了预期效果，则判定所述目标图像的质量符合标准，若所述目标图像的均方根误差大于所述阈值，则可以认为所述目标图像还未达到预期效果，则判定所述目标图像的质量不符合标准。

下面将结合一个具体实施例对本方案进行说明，例如，所述分解模型为VBMFG。可以利用一个医学数据集和耶律大学人脸数据集对上述方法进行验证。其中医学数据库包含了70张尺寸为190*90的心脏MRI图像，耶律大学人脸数据集包含了64张尺寸为192*168的不同曝光程度的人脸图像。为了说明模型性能的有效性，本公开采用了7种对比模型，包括CWM、ALM、Damped Wiberg(DW)、PRMF、VBMFL1、VBMFL2、MOG、PMOEP算法。本实验所采用的对比指标有均方根误差以及每次迭代所需要的时间。实验中，本公开提出的算法的参数e₀和f₀的初始化数值均设置为10⁶。模型的最大迭代次数设置为100。

首先，对数据集进行归一化处理，然后将归一化后的数据作为模型的原始输入。本公开分别对两个数据集做不同的处理，对于医学数据集，本公开设置丢失30％的像素点；对于人脸数据集，本公开设置丢失30％的像素点外还加入了[-50,50]的均匀的噪声。

考虑到可以设置不同的秩进行实验，用来确定医学数据集的最优秩。如图3所示，CWM、ALM、VBFML1、VBFML2、VBMFG、DW算法均在秩为7的情况下开始收敛，因此本公开将医学数据集的最优秩设置为7，考虑到耶鲁大学人脸数据集中的图像都位于一个四维的子空间上。因此，本公开将耶鲁大学人脸数据集的最优秩设置为4。从而得到不同低秩矩阵分解模型在两种数据集上的处理效果如表2、图4和图5所示。

表2

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于异质噪声特性的图像去噪方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于异质噪声特性的图像去噪方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于异质噪声特性的图像去噪方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、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，该模块、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，两个接连地表示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操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于异质噪声特性的图像去噪方法，其特征在于，包括：

将初始图像对应的三维数据集转化为二维数据集，并将所述二维数据集进行归一化操作后分解，得到初始数据集，其中，所述初始数据集包括第一矩阵和第二矩阵；

根据所述初始数据集计算概率密度分布函数，并根据所述概率密度分布函数建立服从所述目标数据集中每个像素点的分解模型；

利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式；

将全部所述参数公式进行迭代，得到所述分解模型中各参数的值；

根据所述分解模型中各参数的值计算所述第一矩阵对应的向量和所述第二矩阵对应的向量，得到目标图像；

判断所述目标图像的质量是否符合标准；

若所述目标图像的质量符合标准，则输出所述目标图像；

若所述目标图像的质量不符合标准，则继续进行迭代直到所述目标图像的质量符合标准。

2.根据权利要求1所述的方法，其特征在于，所述概率密度分布函数为

z_ij～IG(a₀，b₀)，其中，x_ij为所述初始数据集的每一个像素点，u_i和v_j分别为所述第一矩阵和所述第二矩阵的第i行和第j列向量，z_ij为高斯分布的方差，a₀和b₀为预设常数。

3.根据权利要求2所述的方法，其特征在于，所述分解模型的表达式为

τ_u～G(c₀，d₀)，τ_v～G(e₀，f₀)，其中，τ_u为u_i的先验分布，τ_v为v_j的先验分布，c₀、d₀、e₀和f₀均为预设常数。

4.根据权利要求3所述的方法，其特征在于，所述利用变分贝叶斯方法优化所述分解模型，得到所述分解模型各参数对应的参数公式的步骤，包括：

根据所述变分贝叶斯方法计算所述分解模型各参数的后验分布；

分别根据所述分解模型各参数的后验分布计算所述分解模型各参数的迭代公式；

将所述迭代公式作为所述分解模型各参数对应的参数公式。

5.根据权利要求4所述的方法，其特征在于，所述分解模型参数中u_i的后验分布和v_j的后验分布为高斯分布的后验分布均为高斯分布；

τ_u的后验分布和τ_v的后验分布为伽马分布；

z_ij的后验分布为逆伽马分布。

6.根据权利要求1所述的方法，其特征在于，所述判断所述目标图像的质量是否符合标准的步骤，包括：

判断所述目标图像的均方根误差是否小于或等于阈值；

若所述目标图像的均方根误差小于或等于所述阈值，则判定所述目标图像的质量符合标准；

若所述目标图像的均方根误差大于所述阈值，则判定所述目标图像的质量不符合标准。

7.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的基于异质噪声特性的图像去噪方法。

8.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-6中任一项所述的基于异质噪声特性的图像去噪方法。

Images