本發(fā)明涉及一種圖像去噪方法，屬于圖像處理領(lǐng)域，尤其是一種以保護(hù)圖像細(xì)節(jié)特征為目的的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法。

背景技術(shù)：

在圖像處理中，圖像去噪屬于底層的預(yù)處理環(huán)節(jié)。盡管如此，針對(duì)目標(biāo)識(shí)別、圖像分割、特征信息提取等對(duì)圖像質(zhì)量要求較高的后續(xù)處理，圖像去噪環(huán)節(jié)不可或缺。一種好的圖像去噪算法不僅能有效去除噪聲，在去噪同時(shí)還能極大程度的保留圖像的邊緣細(xì)節(jié)特征。研究者們以有效去噪為基點(diǎn)，提出了許多圖像去噪算法。有別于均值濾波、高斯濾波、雙邊濾波等幾種經(jīng)典空域去噪方法，buades等人于2005年創(chuàng)造性的提出非局部均值去噪方法(non-localmeans，nlm)，不再針對(duì)單一像素而是對(duì)圖像塊進(jìn)行處理，通過(guò)計(jì)算兩個(gè)圖像子塊之間的歐氏距離來(lái)確定兩子塊中心點(diǎn)像素的相似程度，得到更為精確的鄰域灰度值的權(quán)值系數(shù)，能夠達(dá)到較為理想的去噪效果，推動(dòng)著圖像去噪進(jìn)入又一個(gè)嶄新的歷程。近年來(lái)，很多學(xué)者從算法性能提升方向出發(fā)，在nlm的基礎(chǔ)上又提出一些改進(jìn)。提出nlm-pca算法，通過(guò)主成分分析(pca)將圖像子塊投影到低維子空間進(jìn)行相似性度量，但該算法特征向量的構(gòu)造是基于搜索窗內(nèi)所有圖像子塊，包含了相似度低的子塊特征，且僅保留主要特征分量，使相似性度量不夠準(zhǔn)確，去噪的同時(shí)丟失了細(xì)節(jié)特征。將bf思想推廣到nlm過(guò)程中，加入空間鄰近度因子改進(jìn)權(quán)重度量，在一定程度上更好地保護(hù)了圖像的結(jié)構(gòu)細(xì)節(jié)，但絕對(duì)的降低遠(yuǎn)距離圖像子塊對(duì)中心圖像子塊的影響，忽略了長(zhǎng)邊緣等邊緣延伸較長(zhǎng)的情況，不具有魯棒性?，F(xiàn)有技術(shù)還提出采用兩幅受相同噪聲分布與噪聲強(qiáng)度干擾的噪聲圖像在nlm的基礎(chǔ)上進(jìn)行首次去噪，利用殘留圖像的梯度圖像進(jìn)行二次去噪。盡管梯度圖像能部分反映圖像的細(xì)節(jié)特征，但殘留圖像中大量的噪聲對(duì)梯度的提取影響較大，使二次去噪時(shí)相似性度量不準(zhǔn)確。

現(xiàn)有的改進(jìn)算法在去噪效果上都取得一定提升，但大多算法在圖像子塊間相似性度量環(huán)節(jié)忽略了不同的圖像子塊紋理特征的分布不同，使相似性度量不具有魯棒性，不利于去噪后圖像邊緣細(xì)節(jié)的保護(hù)。考慮去噪質(zhì)量和紋理特征保護(hù)的綜合平衡，提出一種改進(jìn)的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問(wèn)題，特別創(chuàng)新地提出了一種融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法。

本發(fā)明在權(quán)重度量時(shí)加入特征因子和紋理因子，利用kl變換的特征提取和改進(jìn)的新型灰色關(guān)聯(lián)度模型能在一定程度上反映圖像子塊紋理結(jié)構(gòu)的局部分布的優(yōu)勢(shì)，將kl變換、灰色關(guān)聯(lián)度與nlm算法結(jié)合，進(jìn)行權(quán)值重構(gòu)，使權(quán)值度量更為精確，以達(dá)到提升去噪性能的目的，本發(fā)明提供了一種融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法，包括如下步驟：

s1，采用非局部均值去噪方法對(duì)含噪圖像進(jìn)行預(yù)去噪處理；

s2，基于非局部均值去噪方法的基本原理，改進(jìn)圖像子塊間相似性度量的方式，進(jìn)行權(quán)值重構(gòu)；

s3，在相似性度量中，加入基于kl變換的特征因子，充分而完整的利用kl變換的特征提取功能，較精確的捕捉圖像的特征

s4，在相似性度量中，加入基于新型灰色關(guān)聯(lián)度的紋理因子，從紋理方向出發(fā)，進(jìn)一步提高相似性度量的準(zhǔn)確性，保護(hù)去噪后圖像的細(xì)節(jié)紋理；

s5，以預(yù)去噪圖像為基礎(chǔ)，采用加入了特征因子和紋理因子進(jìn)行權(quán)值重構(gòu)的改進(jìn)的非局部均值去噪方法進(jìn)行二次去噪。

所述的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法，優(yōu)選的，所述s1包括：

采用傳統(tǒng)非局部均值去噪方法對(duì)含噪圖像進(jìn)行預(yù)處理得到圖像提高后續(xù)步驟中相似性度量的準(zhǔn)確性。

所述的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法，優(yōu)選的，所述s2包括：

在相似性度量時(shí)加入特征因子和紋理因子，將kl變換、灰色關(guān)聯(lián)度與非局部均值去噪方法融合，進(jìn)行權(quán)值重構(gòu)，從紋理特征的方向出發(fā)，使相似性度量更為準(zhǔn)確；新的權(quán)重系數(shù)計(jì)算函數(shù)表達(dá)式概述如下：

ω^new(i,j)＝ω1(i,j)ω2(i,j)

ω1(i,j)是基于kl變換的特征因子，ω2(i,j)是基于新型灰色關(guān)聯(lián)度的紋理因子。

所述的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法，優(yōu)選的，所述s3包括：

利用kl變換的特征提取功能構(gòu)造權(quán)重系數(shù)計(jì)算函數(shù)中新型的特征因子；為避免單個(gè)圖像子塊的隨機(jī)變化，利用相鄰相關(guān)特性，僅選取預(yù)去噪圖像中以像素i為中心的中心圖像子塊及其八鄰域像素所在圖像子塊構(gòu)造變換空間；采用kl變換后各圖像子塊在投影向量空間上坐標(biāo)的歐氏距離計(jì)算圖像子塊間的特征因子ω1(i,j)。

所述的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法，優(yōu)選的，所述s4包括：

s4-1，在傳統(tǒng)灰色關(guān)聯(lián)度模型的基礎(chǔ)上進(jìn)行改進(jìn)，利用相鄰像素差值，使改進(jìn)后的新型灰色關(guān)聯(lián)度能在一定程度上反映圖像子塊的紋理分布；改進(jìn)的新型灰色關(guān)聯(lián)度模型具體描述如下；

將圖像中以像素i為中心，尺寸大小為m×n的圖像子塊按行堆砌變換為行向量，令n＝m×n

將圖像中以像素j為中心的圖像子塊變換為行向量

ω為搜索窗內(nèi)所有像素的集合；

求取相應(yīng)的相鄰差值序列，分別為pi、pj；

pi＝(pi(1),pi(2),…,pi(n-1))

pj＝(pj(1),pj(2),…,pj(n-1))

其中

rnew(pi,pj)表示基于紋理明暗及方向變化的以像素i和像素j為中心的圖像子塊間的新型灰色關(guān)聯(lián)度；

s4-2，采用新型灰色關(guān)聯(lián)度構(gòu)造紋理因子ω2(i,j)；

其中

z2(i)＝∑j∈ωrnew(pi,pj)。

所述的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法，優(yōu)選的，所述s5包括：

以預(yù)去噪圖像為基礎(chǔ)，采用加入了特征因子和紋理因子進(jìn)行權(quán)值重構(gòu)的改進(jìn)的非局部均值去噪方法進(jìn)行二次去噪；去噪過(guò)程表示為

為簡(jiǎn)化計(jì)算量，在相似性度量時(shí)，j的取值范圍不是圖像中所有像素，而變化為一定尺寸的搜索窗內(nèi)的所有像素；ω即代表搜索窗內(nèi)所有像素的集合；則為采用加入了特征因子和紋理因子進(jìn)行權(quán)值重構(gòu)的改進(jìn)的非局部均值去噪方法進(jìn)行二次去噪后像素i的去噪估計(jì)值。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

非局部均值去噪算法(non-localmeans，nlm)直接采用歐氏距離度量圖像子塊間的相似性，忽略了不同的圖像子塊紋理特征的分布不同，使相似性度量不具有魯棒性。本發(fā)明提出融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪算法。首先，在權(quán)重度量時(shí)加入基于kl變換的特征因子，將圖像子塊在變換空間中的變換系數(shù)作為其特征的描述，使度量結(jié)果更為準(zhǔn)確。其次，在權(quán)重度量時(shí)加入基于灰色關(guān)聯(lián)度的紋理因子，利用改進(jìn)的新型灰色關(guān)聯(lián)度模型能在一定程度上反映圖像子塊紋理結(jié)構(gòu)的局部分布的優(yōu)勢(shì)，進(jìn)一步提升權(quán)重度量的準(zhǔn)確性，以達(dá)到提升去噪性能的目的。實(shí)驗(yàn)結(jié)果表明，與nlm算法相比，該方法能有效去除噪聲，在強(qiáng)噪聲條件下，峰值信噪比(psnr)、結(jié)構(gòu)相似性(ssim)均有明顯提高。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是求取圖像子塊集流程；

圖2是圖像子塊與kl變換所得特征空間示例；

圖3是中心子塊與鄰域子塊示例；

圖4是不同濾波參數(shù)下的psnr值；

圖5是濾波參數(shù)與噪聲標(biāo)準(zhǔn)差的關(guān)系；

圖6是五種去噪方法psnr比較；

圖7是五種算法去噪后局部細(xì)節(jié)對(duì)比。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。

在本發(fā)明的描述中，除非另有規(guī)定和限定，需要說(shuō)明的是，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是機(jī)械連接或電連接，也可以是兩個(gè)元件內(nèi)部的連通，可以是直接相連，也可以通過(guò)中間媒介間接相連，對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)的具體含義。

1、nlm算法描述

設(shè)定原始不含噪圖像為u＝{u(i)|i∈i}，加入均值為0，方差為σ²高斯白噪聲n＝{n(i)|i∈i}，其中，i為圖像中所有像素的集合，受噪聲干擾的含噪圖像v＝{v(i)|i∈i}。

對(duì)受噪聲干擾的圖像，不是所有像素都被污染。因此，在nlm算法中，含噪圖像中任意一像素點(diǎn)i去噪后的灰度估計(jì)值由圖像中所有像素點(diǎn)的加權(quán)平均得到，公式表示為

權(quán)值ω(i,j)的大小取決于以像素i為中心像素一定尺寸的圖像子塊pi與以像素j為中心像素同樣尺寸的圖像子塊pj之間的相似度，滿足ω(i,j)∈[0,1]且∑ω(i,j)＝1，相似度的衡量采用圖像子塊間的歐氏距離。

故nlm中權(quán)值為

其中

式中，h為濾波參數(shù)，控制指數(shù)函數(shù)的衰減程度，決定濾波程度。ga是標(biāo)準(zhǔn)差為a的高斯核矩陣，a的取值取決于相似窗的大小，代表點(diǎn)乘運(yùn)算。

2、本發(fā)明算法

nlm算法直接采用高斯加權(quán)的歐氏距離度量圖像子塊間的相似性，簡(jiǎn)單易行，卻忽略了不同的圖像子塊紋理特征分布不同，使相似性度量不具有魯棒性。本發(fā)明在權(quán)重度量時(shí)加入特征因子和紋理因子，將kl變換、灰色關(guān)聯(lián)度與nlm算法融合，進(jìn)行權(quán)值重構(gòu)，使權(quán)值度量更為精確，以達(dá)到提升去噪性能的目的。為提高相似性度量結(jié)果的準(zhǔn)確性，采用傳統(tǒng)nlm算法對(duì)含噪圖像做預(yù)處理得到圖像在此基礎(chǔ)上進(jìn)行相似性度量。但為簡(jiǎn)化計(jì)算量，在相似性度量時(shí)，j的取值范圍不再是圖像中所有像素，而變化為一定尺寸的搜索窗內(nèi)的所有像素。

去噪過(guò)程表示為

為搜索窗內(nèi)所有像素的集合。ω1(i,j)是基于kl變換的特征因子，ω2(i,j)是基于灰色關(guān)聯(lián)度的紋理因子。圖2是圖像子塊與kl變換所得特征空間示例；

2.1基于kl變換的特征因子

kl變換是最小均方誤差準(zhǔn)則下的最佳變換，在圖像處理中得到廣泛應(yīng)用。圖像子塊在變換空間上的變換系數(shù)可作為圖像子塊特征的描述。本發(fā)明采用kl變換后各圖像子塊在投影向量空間上坐標(biāo)的歐氏距離計(jì)算圖像子塊間的特征因子ω1(i,j)。

避免單個(gè)圖像子塊的隨機(jī)變化，利用相鄰相關(guān)特性，選取圖像中以像素i為中心的中心圖像子塊及其八鄰域像素所在圖像子塊構(gòu)造變換空間。假設(shè)每個(gè)圖像子塊的尺寸為m×n，(n＝m×n)，將其按列堆砌，轉(zhuǎn)換為列向量，再將每個(gè)圖像子塊所代表的列向量按順序排列，得到圖像子塊集x。圖1為流程圖。其中，m為組成圖像子塊集選用的圖像子塊數(shù)量。

由于選用的圖像子塊為圖像中以像素i為中心的中心圖像子塊及其八鄰域像素所在圖像子塊，故m＝9，x表示為

由此可得圖像子塊集的灰度值均值

進(jìn)一步得到圖像子塊相對(duì)于的均差：

構(gòu)造協(xié)方差矩陣

針對(duì)協(xié)方差矩陣c，利用奇異值分解求取其特征值λk(k＝1,2,…,9)和特征向量μk；上標(biāo)t是轉(zhuǎn)置，將特征向量進(jìn)行正交歸一化，仍然記為μk，這些μk形成的向量空間，表征以像素i為中心的中心圖像子塊的特征信息，組成投影向量空間v。

采用上述方法獲取的變換空間v。可以看出，變換空間較好的提取了圖像子塊的特征。

圖像子塊在新空間上投影后的坐標(biāo)表示為

計(jì)算圖像中以像素j為中心的圖像子塊與的差值在新空間上投影后的坐標(biāo)表示為

故基于kl變換的特征因子表示為

其中z1(i)是權(quán)值歸一化的求和操作：

2.2基于灰色關(guān)聯(lián)度的紋理因子

2.2.1傳統(tǒng)灰色關(guān)聯(lián)度模型

灰色關(guān)聯(lián)度不同于需要通過(guò)大量數(shù)據(jù)進(jìn)行數(shù)理統(tǒng)計(jì)而得的典型的相關(guān)系數(shù)、相似系數(shù)等，灰色關(guān)聯(lián)分析能在信息量少、信息不完全、系統(tǒng)不確定的劣勢(shì)環(huán)境下，通過(guò)灰色關(guān)聯(lián)度度量因素之間的關(guān)聯(lián)程度。傳統(tǒng)的鄧氏關(guān)聯(lián)度模型定義如下：設(shè)參考序列、比較序列分別為x0、xp，

x0＝(x0(1),x0(2),…,x0(a))

xp＝(xp(1),xp(2),…,xp(a)),p＝1,2,…,b

在這里，稱(chēng)為比較序列xp對(duì)參考序列x0在t時(shí)刻的關(guān)聯(lián)系數(shù)。稱(chēng)

為比較序列xp對(duì)參考序列x0的灰色關(guān)聯(lián)度。ρ為分辨系數(shù)，滿足ρ∈[0,1]，為使r(x0,xp)的數(shù)值在0到1之間，通常取ρ＝0.5。

2.2.2新型灰色關(guān)聯(lián)度構(gòu)造紋理因子

鑒于灰色關(guān)聯(lián)度能在信息量少、信息不完全的劣勢(shì)環(huán)境下度量關(guān)聯(lián)程度的優(yōu)勢(shì)，本發(fā)明將灰色關(guān)聯(lián)度與nlm算法融合。不同于歐氏距離僅在兩個(gè)圖像子塊之間計(jì)算，和項(xiàng)使灰色關(guān)聯(lián)度能在局部范圍內(nèi)整體度量子塊間的相似度，提高結(jié)果的準(zhǔn)確性，但此中同樣存在僅考慮了圖像子塊灰度值的大小，忽略了其紋理分布的問(wèn)題。因此，本發(fā)明提出一種改進(jìn)的新型灰色關(guān)聯(lián)度，能在一定程度上反映圖像子塊的紋理分布，將其應(yīng)用于nlm算法中構(gòu)造紋理因子，具體步驟如下：

將圖像中以像素i為中心，尺寸大小為m×n的圖像子塊按行堆砌變換為行向量，令n＝m×n

將圖像中以像素j為中心的圖像子塊變換為行向量

為搜索窗內(nèi)所有像素的集合。

求取相應(yīng)的相鄰差值序列，分別為pi、pj。

pi＝(pi(1),pi(2),…,pi(n-1))

pj＝(pj(1),pj(2),…,pj(n-1))

其中

構(gòu)造紋理因子：

其中

采用改進(jìn)的新型灰色關(guān)聯(lián)度構(gòu)造紋理因子，加入相鄰差值序列控制序列數(shù)值形態(tài)變化的相似性度量，能更全面、準(zhǔn)確地衡量圖像子塊之間紋理分布的相似度。圖3所示是尺寸大小為3*3的中心子塊v0與同等尺寸的鄰域圖像子塊v1、v2、v3，相比于v2、v3，v1在各點(diǎn)灰度值變化趨勢(shì)所體現(xiàn)的紋理結(jié)構(gòu)分布上更與中心圖像子塊v0相似。為證明新型灰色關(guān)聯(lián)度構(gòu)造的紋理因子在相似性度量上的準(zhǔn)確性，分別以歐氏距離(d(v0,vg),g＝1,2,3)和本發(fā)明定義的紋理因子(ω2(v0,vg))對(duì)v1、v2、v3與v0進(jìn)行計(jì)算。

d(v0,v1)＝d(v0,v2)＝d(v0,v3)＝30

(ω2(v0,v1)＝1)＞(ω2(v0,v2)＝0.56)＞(ω2(v0,v3)＝0.5)?？梢钥闯?，紋理因子的衡量結(jié)果與實(shí)際情況一致，歐氏距離出現(xiàn)了度量偏差。由此客觀證明，相比于僅考慮數(shù)值大小的歐氏距離，本發(fā)明定義的紋理因子兼顧了紋理結(jié)構(gòu)的比較，度量圖像子塊之間的相似度更具有效性和準(zhǔn)確性。實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本發(fā)明方法的有效性，選用4個(gè)標(biāo)準(zhǔn)圖像lena、barbara、peppers、goldhill，加入多個(gè)取值的標(biāo)準(zhǔn)差為σ、均值為0的高斯噪聲進(jìn)行實(shí)驗(yàn)仿真。實(shí)驗(yàn)中，本發(fā)明方法分別與nlm^[2]、nlm-pca^[3]、nlm-bf^[4]、nlm-multipleimages^[5]對(duì)比。采用客觀的峰值信噪比(psnr)、結(jié)構(gòu)相似性(ssim)；對(duì)去噪效果進(jìn)行性能評(píng)價(jià)。為公平起見(jiàn)，實(shí)驗(yàn)仿真中各算法窗口尺寸統(tǒng)一設(shè)置，按nlm^[2]中的尺寸大小進(jìn)行選取，即搜索窗大小設(shè)為21*21，相似窗大小設(shè)為7*7。

假定圖像大小為psnr、ssim定義如下：

其中，μ(u)分別表示去噪后圖像和原始圖像的均值，σ(u)分別表示去噪后圖像和原始圖像的標(biāo)準(zhǔn)差，表示去噪后圖像和原始圖像的協(xié)方差。c1、c2、c3為常數(shù)，為避免分母為0的情況，通常取c1＝(k1*l)²，c2＝(k2*l)²，c3＝c2/2，一般地，k1＝0.01，k2＝0.03，l＝255。ssim取值范圍[0,1]，值越大，表示去噪后圖像失真越小。

3.1仿真中濾波參數(shù)的選取說(shuō)明

由理論公式可以看出，濾波參數(shù)的大小控制著去噪時(shí)的平滑程度，關(guān)系著最終的去噪效果。因而，同一噪聲強(qiáng)度下，恰當(dāng)?shù)膆取值可使含噪圖像得到適當(dāng)平滑。

在此，針對(duì)仿真中濾波參數(shù)的選取做出以下說(shuō)明。各參考的對(duì)比文獻(xiàn)中涉及的濾波參數(shù)按各文獻(xiàn)所述進(jìn)行選取，若參考的對(duì)比文獻(xiàn)中未對(duì)濾波參數(shù)的選取做說(shuō)明，采用同等條件下獲取最優(yōu)去噪效果時(shí)的濾波參數(shù)。

濾波參數(shù)h與圖像中存在的噪聲標(biāo)準(zhǔn)差σ成線性正比關(guān)系，故而簡(jiǎn)單的將濾波參數(shù)設(shè)定為h＝10σ，卻并不處于獲取最佳去噪效果的濾波參數(shù)最優(yōu)值取值區(qū)間。本發(fā)明對(duì)濾波參數(shù)h的最優(yōu)取值做進(jìn)一步深入探討。

如圖4所示，在512×512的標(biāo)準(zhǔn)測(cè)試圖像lena、barbara在加入噪聲標(biāo)準(zhǔn)差為30的高斯白噪聲后，設(shè)置搜索窗尺寸為21×21、相似窗尺寸為7×7，改變?yōu)V波參數(shù)h的數(shù)值，采用本發(fā)明提出的融合kl變換和灰色關(guān)聯(lián)度的非局部均值去噪方法進(jìn)行去噪后的效果對(duì)比展示。去噪效果評(píng)價(jià)標(biāo)準(zhǔn)采用客觀的psnr值。

論文中提出的基于nlm改進(jìn)的融合kl變換和灰色關(guān)聯(lián)度的非局部均值去噪方法的濾波參數(shù)h同樣存在最優(yōu)值取值。且不同測(cè)試圖像下，該最優(yōu)值取值大致相同。

為進(jìn)一步探討濾波參數(shù)h與噪聲標(biāo)準(zhǔn)差σ之間的關(guān)系，對(duì)不同噪聲強(qiáng)度下的lena、barbara含噪圖像均通過(guò)上述方法多次實(shí)驗(yàn)，尋找不同噪聲強(qiáng)度的最優(yōu)濾波參數(shù)值。并將不同噪聲強(qiáng)度對(duì)應(yīng)的最優(yōu)濾波參數(shù)取值展示在圖5中。

與nlm相似，本發(fā)明提出的融合kl變換和灰色關(guān)聯(lián)度的非局部均值去噪方法獲取最佳去噪效果時(shí)的濾波參數(shù)h與圖像中存在的噪聲標(biāo)準(zhǔn)差σ基本成線性正比關(guān)系，且不同的測(cè)試圖像下，該線性正比關(guān)系均可大致近似為h＝1.4σ。其間即便存在少許偏差，亦處于濾波參數(shù)最優(yōu)值取值區(qū)間范圍內(nèi)，濾波參數(shù)最優(yōu)值附近小范圍內(nèi)的數(shù)值變動(dòng)對(duì)最終的去噪效果幾乎不存在影響。

故本發(fā)明提出的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法的濾波參數(shù)設(shè)置為h＝1.4σ。

表1五種去噪方法ssim(％)比較

與nlm算法相比，本發(fā)明算法的去噪效果有明顯改進(jìn)，在強(qiáng)噪聲條件下，psnr值基本可以提高1db以上，這是由于nlm在圖像子塊相似性度量時(shí)使用的歐氏距離不夠準(zhǔn)確。另一方面，相較于其他同樣以保護(hù)圖像邊緣細(xì)節(jié)為目的的改進(jìn)nlm算法，本發(fā)明算法的去噪效果在大部分情況下也有相應(yīng)提高，具有較好的魯棒性。在σ＝20的barbara圖像中，nlm-bf相較于本發(fā)明算法去噪效果略好，因?yàn)榇藭r(shí)噪聲強(qiáng)度小，鄰域像素受噪聲污染不大，空間鄰近度因子的加入加大了邊緣細(xì)節(jié)區(qū)域鄰近像素的權(quán)重，在一定程度上保護(hù)了圖像的結(jié)構(gòu)細(xì)節(jié)，提高了去噪效果。然而隨著噪聲強(qiáng)度的增加，nlm-bf受噪聲影響較大，鄰域像素不再具有較好的相似性，空間鄰近度因子的效用降低，去噪效果也隨之不同程度的下降。與其他算法相比，本發(fā)明算法將kl變換、改進(jìn)的灰色關(guān)聯(lián)度與nlm算法結(jié)合，使權(quán)值度量更為精確，在大的噪聲強(qiáng)度下具有更好的去噪效果。

表1為各種圖像去噪方法在σ＝{20,30,40,50,60}取值下的ssim值。與psnr曲線比較圖展示的結(jié)果基本一致，本發(fā)明算法去噪后的ssim值在大部分情況下也有相應(yīng)提高，能得到更佳的視覺(jué)效果。盡管在σ＝60的lena圖像和σ＝30的peppers圖像中，nlm-multipleimages的ssim值略大于本發(fā)明算法，但其在數(shù)值上的差異很小，不影響本發(fā)明算法去噪后良好視覺(jué)感觀的普遍性。

由此證明，本發(fā)明提出的圖像去噪方法是有效可靠的，尤其在強(qiáng)噪聲條件下具有更好的魯棒性。

如圖6所示，為進(jìn)一步驗(yàn)證本發(fā)明提出的融合kl變換與灰色關(guān)聯(lián)度的非局部均值去噪方法在保護(hù)圖像邊緣細(xì)節(jié)方向上的有效性，將各測(cè)試圖像的某局部細(xì)節(jié)原圖以及五種算法去噪后的相同局部對(duì)比圖(σ＝30、σ＝40、σ＝50)展示如下。

如圖7所示，在不同噪聲強(qiáng)度、不同測(cè)試圖像下，nlm、nlm-pca、nlm-bf、nlm-multipleimages去噪后都不同程度的使圖像細(xì)節(jié)模糊或者出現(xiàn)不規(guī)則的黑點(diǎn)，相應(yīng)的本發(fā)明算法卻對(duì)圖像的邊緣細(xì)節(jié)等紋理信息保留得較好，取得較好去噪效果的同時(shí)，圖像細(xì)節(jié)更清晰。具體而言，在lena圖像中，本發(fā)明算法去噪后人物發(fā)絲的曲線及粗細(xì)大致清晰，nlm-bf、nlm-multipleimages去噪后在發(fā)絲邊緣則不同程度的出現(xiàn)黑點(diǎn)。在barbara圖像中，相較于其他四種算法，本發(fā)明算法去噪后人臉的五官輪廓及人物頭巾上的條狀紋理更為顯著。對(duì)peppers圖像，采用本發(fā)明算法進(jìn)行去噪后，辣椒蒂的柱狀部分的溝壑形紋理及其底部環(huán)狀右側(cè)的條形紋理都得到了不同程度的更好保護(hù)。最后，針對(duì)goldhill圖像，有別于其他四種算法，本發(fā)明算法在去噪的同時(shí)對(duì)房屋的窗格條紋保護(hù)效果更佳。

圖6是五種去噪方法psnr比較；

圖7是五種算法去噪后局部細(xì)節(jié)對(duì)比。

在本說(shuō)明書(shū)的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書(shū)中，對(duì)上述術(shù)語(yǔ)的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。