專利名稱：基于Treelet和非局部均值的圖像去噪的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及高噪聲情況下的自然圖像的去噪，可用于開 展森林資源調(diào)查、土地利用與覆蓋的變化檢測、環(huán)境變化評估、災(zāi)害評估、城市規(guī)劃、國防軍 情監(jiān)控、醫(yī)學(xué)影像、天文學(xué)影像等領(lǐng)域的數(shù)字圖像預(yù)處理。
背景技術(shù)：
圖像去噪的主要目的是解決實(shí)際圖像由于噪聲干擾導(dǎo)致的圖像質(zhì)量下降問題。通 過去噪可以提高圖像質(zhì)量，增大信噪比，更好地體現(xiàn)圖像所攜帶的信息，因此圖像去噪技術(shù) 在很多領(lǐng)域中都占據(jù)著很重要的位置。根據(jù)圖像的特點(diǎn)和噪聲的統(tǒng)計(jì)特征，多年來已經(jīng)提出了很多的圖像去噪方法，現(xiàn) 有消除噪聲即濾波的已有方法主要分為空間域?yàn)V波和頻率域?yàn)V波。圖像的空間域?yàn)V波方法 是直接對圖像的灰度做運(yùn)算，圖像的頻率域?yàn)V波方法則是在某種變換域內(nèi)對圖像的變換系 數(shù)進(jìn)行運(yùn)算，然后反變換回圖像空間域的。其中空間域的濾波因不需要對原圖像進(jìn)行變換 和反變換，方法直接簡潔，在一定領(lǐng)域內(nèi)較為常用。常用的空間濾波方法有擬合圖像和平滑 圖像的方法。這些方法以平滑數(shù)據(jù)的方式去除噪聲，通常也會模糊數(shù)據(jù)本身，使得紋理等細(xì) 節(jié)結(jié)構(gòu)無法得到較好的保持。非局部均值去噪方法利用圖像的信息冗余特性，通過對待去 噪像素點(diǎn)的鄰域窗口內(nèi)的所有像素點(diǎn)進(jìn)行加權(quán)平均取得新的像素灰度值，并且在對每個像 素點(diǎn)進(jìn)行加權(quán)平滑的過程中考慮了局部結(jié)構(gòu)的相似性，充分利用了圖像的冗余性以及局部 結(jié)構(gòu)信息，因此取得到了較好的濾波效果。在非局部均值方法中其每一個相似塊實(shí)際就是一種無序含噪的高維數(shù)據(jù)，若相似 窗大小為5X5像素，則圖像中每個像素的鄰域特征向量為25維，因此計(jì)算特征向量間的相 似性需要大量的存儲空間和計(jì)算時(shí)間，算法的復(fù)雜度較高。Huang等人和Lee等人發(fā)現(xiàn)圖 像中的強(qiáng)度數(shù)據(jù)在低維空間中更為集中，這意味著圖像在低維空間中更能體現(xiàn)其相關(guān)性。 ^zabou等人最早提出將非局部均值方法中的相似窗的鄰域特征向量投影至其低維的子空 間中計(jì)算，通過主成分分析PCA得到鄰域觀察值向量的低維子空間，并將鄰域特征向量間 的相似性權(quán)重在低維空間中計(jì)算，降低了非局部均值方法的時(shí)間消耗，且精度有所提高，但 主成分分析獲得的低維特征是針對高維數(shù)據(jù)的特定方向進(jìn)行投影，當(dāng)高維數(shù)據(jù)的分布不明 顯時(shí)，獲得的低維特征將會產(chǎn)生誤差。Tolga等人同樣提出了一種基于字典的主成分分析方 法，在提取的前d個低維主成份空間中計(jì)算每個像素點(diǎn)的權(quán)重取得了更優(yōu)的去噪效果，但 需要對獲得的字典耗費(fèi)大量時(shí)間進(jìn)行訓(xùn)練，算法復(fù)雜度高。在本發(fā)明中我們引入了一種新的自適應(yīng)多尺度分析和表示方法-Treelet，該方法 通過對高維數(shù)據(jù)的逐層降維分解更能反映數(shù)據(jù)潛在的結(jié)構(gòu)以及變量之間的相關(guān)性，對于高 維無序、含噪數(shù)據(jù)的分析要優(yōu)于PCA等降維方法，因此本發(fā)明將Treelet與非局部均值方法 相結(jié)合，提出了一種基于Treelet和非局部均值的圖像去噪方法，該方法相比前兩種方法 在高噪聲下的去噪效果更優(yōu)。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對非局部去噪中高維數(shù)據(jù)的計(jì)算問題，提出一種基于 Treelet和非局部均值的圖像去噪方法，以減少了計(jì)算復(fù)雜度，克服現(xiàn)有方法對自然圖像去 噪產(chǎn)生的視覺模糊現(xiàn)象，提高去噪后圖像的可視性。為實(shí)現(xiàn)上述目的，本發(fā)明的去噪方法包括如下步驟(1)對輸入加噪圖像逐像素取5X5的滑窗Ni,計(jì)算其協(xié)方差矩陣Σ(2)根據(jù)滑窗Ni的協(xié)方差矩陣 計(jì)算圖像的Treelet變換的尺度向量Φ (2a)依據(jù)滑窗Ni的協(xié)方差矩陣 計(jì)算圖像的相似度矩陣M
Σ
Ji Σ
\ mm η
Σ 其中，m和η分別為協(xié)方差陣f;的位置索引；云_為1的第m行第η列的矩陣元素， 分別為 的第m行第m列的矩陣元素以及第η行第η列的矩陣元素；(2b)定義Treelet變換分解的層數(shù)1 =0，1，…，20，初始化和變量的下標(biāo)集δ (0) ={1，2，L，25}，當(dāng)1 = 0時(shí)，初始化Treelet分解的協(xié)方差矩陣為:Σ(0) = Σ，相似度矩陣為 Mw =M，初始化基矩陣Btl為25X25的單位矩陣；(2c)由當(dāng)前1層Treelet分解的相似度矩陣M'中找出最相似的兩個變量(a,y ) = argmaxM(0其中，α和β分別表示當(dāng)前1層Treelet分解的協(xié)方差矩陣 中的位置索引，分 別對應(yīng)第一主成分和第二主成分；(2d)對當(dāng)前1層的Treelet分解的協(xié)方差矩陣 進(jìn)行局部主成分分析變換， 即通過雅克比旋轉(zhuǎn)矩陣J，計(jì)算當(dāng)前聚類層級1的基矩陣& = B1^1J,并更新相似度矩陣 Mw = ”J和協(xié)方差矩陣= Jrt(M)J，
雅克比旋轉(zhuǎn)矩陣
LOL
權(quán)利要求
1. 一種基于Treelet和非局部均值的圖像去噪方法，包括如下步驟(1)對輸入加噪圖像逐像素取5X5的滑窗Ni,計(jì)算其協(xié)方差矩陣Σ(2)根據(jù)滑窗Ni的協(xié)方差矩陣 計(jì)算圖像的Treelet變換的尺度向量Φ (2a)依據(jù)滑窗Ni的協(xié)方差矩陣 計(jì)算圖像的相似度矩陣M
2.根據(jù)權(quán)利要求1所述的圖像去噪方法，其中步驟(1)所述的對輸入圖像逐像素取 5X5的滑窗，計(jì)算其協(xié)方差矩陣 ，按如下公式計(jì)算
3.根據(jù)權(quán)利要求1所述的圖像去噪方法，其中步驟(4)所述的由尺度空間中的特征向 量MNi)對圖像逐像素進(jìn)行非局部均值濾波，按如下步驟進(jìn)行(4a)在以像素點(diǎn)i為中心的21X21像素大小的搜索區(qū)域Si內(nèi)，逐個計(jì)算鄰域Nj的特 征向量集f (Nj)與MNi)的歐氏距離I If(Ni)I(Nj) I I2 ；(4b)將上述歐式距離代入如下公式，得到像素i的去噪后的灰度值ν’ (i)
全文摘要
本發(fā)明公開了一種基于Treelet和非局部均值的圖像去噪方法，主要解決現(xiàn)有的非局部均值方法對被高噪聲腐蝕的自然圖像去噪效果不佳的問題。其實(shí)現(xiàn)步驟是(1)對輸入的圖像計(jì)算其協(xié)方差矩陣；(2)對協(xié)方差矩陣計(jì)算圖像Treelet變換的尺度向量；(3)對圖像逐像素取滑窗與尺度向量相乘，得到特征向量函數(shù)；(4)由特征向量函數(shù)對圖像逐像素濾波，得到去噪后的圖像。本發(fā)明具有對高噪聲腐蝕的自然圖像去噪效果好的優(yōu)點(diǎn)，能恢復(fù)出圖像原有的特征，可用于變化檢測、目標(biāo)識別時(shí)對圖像的預(yù)處理。
文檔編號G06T5/00GK102063708SQ20111000195
公開日2011年5月18日 申請日期2011年1月6日 優(yōu)先權(quán)日2011年1月6日
發(fā)明者侯彪, 公茂果, 張曉華, 曹娟, 焦李成, 王桂婷, 王爽, 蓋超, 鐘樺 申請人:西安電子科技大學(xué)