基于軟閾值的非局域平均圖像去噪方法
【專利摘要】本發(fā)明公開了一種基于軟閾值的非局域平均圖像去噪方法，能夠提升經典NLM算法的去噪效果，提高整個系統(tǒng)的去噪穩(wěn)定性。本發(fā)明將軟閾值引入經典NLM算法，獲得NLM-ST算法，利用M組不同參數(shù)配置處理噪聲圖像Y獲得NLM-ST去噪圖像序列及其散度；從NLM-ST去噪圖像序列及其散度中隨機抽取N幀去噪圖像及其散度，利用MCLA方法整合生成MCLA去噪圖像及其SURE值，重復后得到的K幀去噪圖像，將其按SURE值從小到大排列，生成MCLA去噪圖像序列；從MCLA去噪圖像序列中順序提取前L幀圖像進行SMAF方法平均得到SMAF去噪圖像作為輸出。
【專利說明】基于軟閾值的非局域平均圖像去噪方法

【技術領域】
[0001] 本發(fā)明涉及一種改進非局域平均圖像去噪方法，屬于數(shù)字圖像處理中的圖像復原 領域。

【背景技術】
[0002] 圖像噪聲普遍存在于圖像采集、量化、傳輸?shù)冗^程中，尤其是在微光夜視成像、熱 成像以及核磁共振成像（MRI)成像等領域，圖像噪聲仍是限制圖像質量的重要因素。降低 圖像噪聲不僅有助于觀察者理解圖像內容，還為后續(xù)的目標探測、識別、跟蹤等高級圖像處 理任務奠定基礎。
[0003] 圖像去噪是圖像處理的基本問題，目前已出現(xiàn)了多種去噪方法，其中最值得關注 的是非局域平均（Non-LocalMeans，NLM)算法。相比于傳統(tǒng)的高斯平滑濾波、各向異性濾 波以及雙邊濾波，NLM算法提出了一種新穎的假設：圖像具有自相似性，即局部圖像細節(jié)可 能在整幅圖像中重復出現(xiàn)。NLM算法利用局部圖像的相似程度作為權重，加權平均所有鄰域 圖像塊來估計中心塊的原始圖像。NLM算法可以獲得更好的去噪效果，展現(xiàn)出了廣泛的應用 前景。
[0004] 然而，經典NLM算法采用高斯函數(shù)作為權重函數(shù)，這使得即使完全不相似的圖像 塊間的權重仍大于零。尤其是在圖像邊緣像素點的復原過程中，這樣的小權重將會大量出 現(xiàn)，它們的積累將嚴重偏置NLM算法的估計，最終導致圖像細節(jié)損失。因此，為了進一步提 高經典NLM算法的去噪效果，如何有效抑制小權重積累是亟待解決的問題。


【發(fā)明內容】

[0005] 有鑒于此，本發(fā)明提供了一種基于軟閾值的NLM算法（NLM-ST)，利用軟閾值有效 剔除小權重，進而提升經典NLM算法的去噪效果；利用基于蒙特卡洛的線性整合（MCLA)方 法整合多幀NLM-ST去噪圖像，突破單一NLM-ST去噪表現(xiàn)的極限；利用簡單滑動平均濾波 (SMAF)方法平滑MCLA去噪圖像序列，進一步提高整個系統(tǒng)的去噪穩(wěn)定性。
[0006] 為了解決上述技術問題，本發(fā)明是這樣實現(xiàn)的：
[0007] -種基于軟閾值的非局域平均圖像去噪方法，包括：
[0008] 第一步：利用M組參數(shù)配置處理噪聲圖像Y獲得去噪圖像序列

【權利要求】
1. 一種基于軟閾值的非局域平均圖像去噪方法，其特征在于，包括： 第一步：利用M組參數(shù)配置處理噪聲圖像Y獲得去噪圖像序列
及其散度
步驟101 :將軟閾值權重
代替經典非局域平均去噪NLM算法 中的用于度量以像素i和j為中心的圖像塊相似度的權重wu，從而構造出軟閾值非局域平 均去噪NLM-ST算法；其中，wT為設定的權重閾值；利用NLM-ST算法計算噪聲圖像Y的去噪 圖像XST; 步驟102 :根據(jù)Stein無偏風險估計SURE方法中對散度的定義，計算去噪圖像iST的 散度
，并在散度計算所使用的權重相對于像素值的偏導計算公式中加入指示 函數(shù)
步驟103 :分別利用M組不同參數(shù)配置
進行步驟101和步驟102 的計算，獲得去噪圖像序列
及其散度
；其中，m表示第m組參數(shù)， a、S、h分別為NLM算法所需的高斯核半徑、搜索區(qū)域半徑和控制權重衰減的濾波參數(shù)； 第二步：從去噪圖像序列
及其散度
中，隨機抽取N<M幀去 噪圖像
及其散度
》利用基于蒙特卡洛的線性組合MCLA方法整合 生成MCLA去噪圖像f&及其SURE ;重復這一步驟K次，K彡10,得到的K幀去 M.CLA\ / 噪圖像，并按SURE值從小到大排列，生成MCLA去噪圖像序列?
， 第三步：從
中順序提取前L<K幀圖像
，利用簡單滑動平均濾 波SMAF方法平均得到SMAF去噪圖像文^#作為輸出。
2. 如權利要求1所述的方法，其特征在于，采用如下公式計算閾值wT : wT =入Twstein =入Texp{_ 〇 2/h2}，入tG [〇, 1] 其中，wstein =exp{-2 〇2/2h2}，2 〇2為對于同一圖像塊的兩個不同噪聲版本之間的歐式 距離的期望，。為已知的圖像噪聲標準差，h為NLM算法中控制權重衰減的濾波參數(shù)。
3. 如權利要求1所述的方法，其特征在于，第二步具體為：

步驟201 :從 及其散度 中隨機抽取N<M幀去噪圖像序列 iI
及其散度

步驟202 :利用MCLA方法整合 ，生成MCLA去噪圖像女 AMCLA.，
式中，
》c= [Cl,c2，…，cN]T為加權系數(shù)；加權系數(shù)C可以 通過最小化
得到，
式中，
，。為圖像噪聲標準 差，D表示圖像像素總數(shù)；
相對于C的偏導數(shù)為：
將式（17)代入式（14)和（15)，得到MCLA去噪圖像文.及其
；計
算MCLA去噪圖像文 的散度 M(,LA
) 步驟203 :重復K次步驟201和202,生成K幀去噪圖像，按其SURE值從小到大排列，得 到MCLA去噪圖像序列
4. 如權利要求1所述的方法，其特征在于，第二步中進一步獲取MCLA去噪圖像序列
所述第三步為：從
中順序提取前L<K幀圖
像 ，利用SMAF方法平均得到SMAF去噪圖像& asmaf 及其
；采用不同LG{1，2,. . .，K}獲得不同SMAF去噪圖像
及其
，取具有最小SURE值的SMAF去噪圖像
作為輸出，其中
5.如權利要求4所述的方法，其特征在于，第三步具體為： 步驟301 :從
中順序提取如L<K巾貞圖像
，利用SMAF方法平均得到SMAF去噪圖像f及其 AsMAF
其中，D表示圖像像素總數(shù)； 步驟302:采用不同參數(shù)LE{1，2，...，1(}，獲得不同5嫩？去噪圖像
及其
，取具有最小SURE值的SMAF去噪圖像
作為輸出。
【文檔編號】G06T5/00GK104408694SQ201410710618
【公開日】2015年3月11日 申請日期:2014年11月27日 優(yōu)先權日:2014年11月27日
【發(fā)明者】金偉其, 路陸, 王霞 申請人:北京理工大學