一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法
【专利摘要】本发明公开了一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法。首先假设灰度值为0和255的像素是被噪声污染的像素，得到掩膜图像，计算噪声密度；然后循环确定每个像素的复原值，若是噪声点则将带权估计值赋给目标复原图像，否则直接将当前像素值赋值给目标复原图像，并计算当前像素为窗口权值矩阵，通过高斯极大似然估计计算出当前像素的估计值，每次迭代过程都重新计算图像中未被噪声污染的像素灰度值，并计算其对于噪声图像中对应位置像素灰度值的峰值信噪比，如果该峰值信噪比不再增大，则迭代停止。本发明在有效抑制冲激噪声的同时保存局部细节，使得局部结构有更好的对比度，取得更好的图像复原效果。
【专利说明】一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法
【技术领域】
[0001]本发明涉及计算机图像处理领域，具体涉及一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法。
【背景技术】
[0002]冲激噪声由于在信号获取过程中传感器损坏、故障或者时间错误所导致。中值滤波器就是一种用来处理冲激噪声的有效方法。抑制冲激噪声通常包含两个步骤——噪声检测和噪声去除。标准的中值滤波器(Standard Median Filter, SMF)在冲激噪声密度很高的情况下并不是很有效，并且当冲激噪声密度大于50%时，经过中值滤波器处理过的图像经常会由于细节丢失和新引入的伪影导致复原图像严重的退化。
[0003]至今人们发明了很多方法来克服标准中值滤波器的缺点。自适应的中值滤波器(Adaptive Median Filter, AMF)通过只用中值替代那些被噪声污染的像素同时不改变没有被污染的像素值从而提升中值滤波器的效果。此外，自适应的中值滤波器递归的扩大滤波窗口直到确认到一个未被污染的中值。基于决策的算法(Decision BasedAlgorithm, DBA)和自适应中值滤波器相似除了当中值被标记为一个被污染的像素时DBA是用一个邻域像素值来替代被污染的像素。改进的基于决策的非对称的中值滤波器(Modified Decision Based Unsymmetric Trimmed Median Filter, MDBUTMF)能提高 DBA的效果，它在中值估算时去除未被污染的像素并且当窗口中所有的像素都被污染的时候将被污染的像素值设成所选窗口的平均值。为了在抑制噪声的同时达到保存边缘的效果，提出了一个二阶段算法，它包含一个基于中值检测的滤波器和一个规格最优化的保存边缘的项。还有人提出多尺度的自适应中值滤波器来抑制椒盐噪声。
[0004]在抑制冲激噪声方面，中值方法易产生细节模糊和阶梯伪影从而导致图像退化。这个问题对于高密度噪声情况和结构模糊情况更为严重。原因可能归结于中值方法只是把从一个窗口像素得到的中值信息作为中值滤波并且没有利用到结构连续性信息。
【发明内容】
[0005]针对现有技术的不足，本发明在假设灰度值符合高斯分布的基础上，通过递归的高斯极大似然估计方法(Recursive Gaussian Maximum Likelihood Estimation,RGMLE),在RGMLE算法的框架下,使用合并的确定性和相似性(certainty&simiIarity)信息来估计方差，提出了基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法(RGMLE-CS)，是一种新的冲激噪声抑制方法。本发明专注于噪声去除方面，只考虑已知灰度的椒盐噪声，通过递归计算像素的高斯极大似然估计值来复原图像。通过分析未被噪声污染的像素的估计误差可以得到一个控制递归次数的鲁棒算法。
[0006]为了实现上述目的，本发明采用以下技术方案:
[0007]本发明基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法，包括以下步骤:
[0008]步骤1、扫描大小为(mXn)的噪声图像X，检测椒盐噪声，得到掩膜图像M° ；
[0009]步骤2、由M°计算噪声密度P ,定义Mu为递归中标记未被噪声污染像素的位置的矩阵，并将Mu初始化为M° ;定义PSNR_U为噪声图像中未被噪声污染的像素对应位置处估计的像素值关于未被污染像素的峰值信噪比，初始化为O ;定义为第k次迭代的PSNRJJ(k)与第k-Ι次迭代的PSNR_U(k-l)的差值，并初始化为无穷大，其中k = 1，2，…，50 ；
[0010]步骤3、若大于O且P〈 = 70%，或者P〉= 70%，则依次对噪声图像χ中每个像素X」(j = 1,2, 3,-mXn)按照步骤4和步骤5进行处理；
[0011]步骤4、若像素Xj对应M°中相同位置的值<为0，则判断该像素Xj为被噪声污染的像素，定义像素Xij为以Xj为中心的窗口 Nj范围内的任意一个像素，计算以像素Xij为中心的像素块与以像素Xj为中心的像素块之间的距离Clij,然后由Clij计算Xij对应的权值wu，用窗口中所有的像素Xij和所述Wij通过高斯极大似然估计来计算目标复原图像μ中的像素值μ j，然后将Mu中相应位置的元' Wr直为I ;
[0012]步骤5、若像素Xj对应M°中相同位置的值M为1，则判断该像素Xj为未被噪声污染的像素，直接将XJ武给目标复原图像μ中的像素值μ U同理，在以像素&为中心的窗口 Nj范围内，计算以像素Xij为中心的像素块与以Xj为中心的像素块之间的距离J然后由4/计算Xij对应的权值π用窗口中所有的像素Xii和所述的H通过高斯极大似然估计来计算图像复原值化，然后将Mu中相应位置的元素置为丄；
[0013]步骤6、将χ更新为图像μ，求步骤5中所有估计的化关于原噪声图像中相应位置的像素值Xj的信噪比PSNR_U ;由此计算，若大于0，转到步骤3，若小于0，转到步骤7 ;
[0014]步骤7、迭代停止，得到最终复原图像。
[0015]进一步地，步骤4中采用LI范数计算两个图像块之间的距离。
[0016]进一步地，步骤6中是通过分析未被噪声污染的像素的估计误差来控制循环次数。
[0017]与现有技术相比，本发明具有以下有益效果:
[0018]I)、计算图像复原值时合并了基于LI范数的块相似性信息，使得复原结果具有很好的保存边缘的特性；
[0019]2)、计算Wu时只利用了图像中未被噪声污染的点，减少了噪声像素对复原值的影响，使得目标复原值具有更高的精度。
[0020]3)、在估计像素值时采用了高斯极大似然估计使得估计值更接近图像原始值，复原结果更好；
[0021]4)、通过分析未被噪声污染的像素的估计误差来控制循环次数，这种迭代停止策略具有很好的鲁棒性。
[0022]5)、本发明可以在有效抑制冲激噪声的同时保存局部细节，使得局部结构有更好的对比度，取得良好的图像复原效果。
【专利附图】
【附图说明】
[0023]图1为本发明实施例中原Iena图像；
[0024]图2为本发明加入80%椒盐噪声的Iena图像；
[0025]图3为本发明方法处理的Iena复原图像；
[0026]图4为现有技术SKR方法处理的Iena复原图像；
[0027]图5为本发明实施例中原Peper图像；
[0028]图6为本发明加入80%椒盐噪声的Peper图像；
[0029]图7为本发明方法处理的Peper复原图像；
[0030]图8为现有技术SKR方法处理的Peper复原图像。
【具体实施方式】
[0031]下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围， 在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0032]如图1是原图像，在图1加入80%噪声得到图2，图2即为待处理的噪声图像，下面采用图2来阐明本发明基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法，包括以下步骤:
[0033]步骤1、扫描大小为(mXn)的噪声图像X，检测椒盐噪声，得到掩膜图像M° ；
[0034]具体的，扫描大小为(mXn)的噪声图像x，利用灰度图像椒盐噪声特性，将待处理图像2中的灰度为O和255的像素所对应M°中相同位置处的元素都赋为0，其余都赋为I ;
[0035]步骤2、由M°计算噪声密度P，定义Mu为递归中标记未被噪声污染像素的位置的矩阵，并将Mu初始化为M° ;定义PSNR_U为噪声图像中未被噪声污染的像素对应位置处估计的像素值关于未被污染像素的峰值信噪比，初始化PSNRJJ(O)为O;定义gamma为第k次迭代的PSNR_U(k)与第k-Ι次迭代的PSNR_U(k-l)的差值，并初始化为无穷大，其中k =
I,2,..., 50 ；
[0036]具体的，计算M°中零元素个数占总元素的百分比，得到噪声密度P，并且初始化PSNR_U = O, gamma = +∞；
[0037]步骤3、若1'大于O且P〈 = 70%，或者P〉= 70%，则依次对噪声图像χ中每个像素X」(j = 1,2, 3,-mXn)按照步骤4和步骤5进行处理；
[0038]步骤4、若像素&对应M°中相同位置的值力0，则判断该像素\为被噪声污染的像素，定义像素Xij为以Xj为中心的窗口 Nj范_円的任意一个像素，计算以Xij为中心的像素块与以像素Xj为中心的像素块之间的距离Clij,然后由Clij计算Xij对应的权值Wij,用窗口中所有的像素Xij和所述Wij通过高斯极大似然估计来计算目标复原图像μ中的像素值μ」，然后将Mu中相应位置的元素置为I;
[0039]具体的，若像素Xj对应M°中相同位置的值W Jl O,则判断该像素Xj为未被噪声污染的像素，定义像素Xij为以Xj为中心的窗口 Nj范bihj的任意一个像素，采用LI范数来计算窗口中以Xij为中心的像素块与以Xj为中心的像素块之间的距离du:
[0040]
【权利要求】
1.一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法，其特征在于，包括以下步骤: 步骤1、扫描大小为(mXn)的噪声图像X，检测椒盐噪声，得到掩膜图像M°; 步骤2、由M°计算噪声密度P，定义Mu为递归中标记未被噪声污染像素的位置的矩阵，并将Mu初始化为M° ;定义PSNR_U为噪声图像中未被噪声污染的像素对应位置处估计的像素值关于未被污染像素的峰值信噪比，初始化为O ;定义gamma为第k次迭代的PSNRJJ(k)与第k-Ι次迭代的PSNR_U(k-l)的差值，并初始化为无穷大，其中k = 1，2，…，50 ； 步骤3、若gamma大于O且P〈 = 70%，或者P > = 70%，则依次对噪声图像X中每个像素χ」(j = I, 2，3，---mXn)按照步骤4和步骤5进行处理； 步骤4、若像素&对应M°中相同位置的值Μ】为0，则判断该像素\为被噪声污染的像素，定义像素Xij为以χ」为中心的窗口 Nj范围内的任意一个像素，计算以像素Xij为中心的像素块与以像素χ」为中心的像素块之间的距离Clij,然后由Clij计算Xij对应的权值Wij,用窗口中所有的像素Xij和所述Wij通过高斯极大似然估计来计算目标复原图像μ中的像素值μ j，然后将Mu中相应位置的元素置为I; 步骤5、若像素&对应M°中相同位置的值为1，则判断该像素\为未被噪声污染的像素，直接将χ」赋给目标复原图像μ中的像素值μ ^;同理，在以像素xj为中心的窗口 Nj范围内，计算以像素 Xi」为中心的像素块与以χ」为中心的像素块之间的距离^然后由^计算Xu对应的权值A，用窗口中所有的像素Xu和所述的％通过高斯极大似然估计来计算图像复原值先，然后将Mu中相应位置的元 W置为丄； 步骤6、将χ更新为图像μ，求步骤5中所有估计的A关于原噪声图像中相应位置的像素值χ]的信噪比PSNR_U ；由此计算gamma，若gamma大于0，转到步骤3，若gamma小于0，转到步骤7 ；步骤7、迭代停止，得到最终复原图像。
2.如权利要求1所述基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法，其特征在于，步骤4中采用LI范数计算两个图像块之间的距离。
3.如权利要求1所述基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法，其特征在于，步骤6中是通过分析未被噪声污染的像素的估计误差来控制循环次数。
【文档编号】G06T5/00GK104077752SQ201410291248
【公开日】2014年10月1日 申请日期:2014年6月25日 优先权日:2014年6月25日
【发明者】陈阳, 袁文龙, 石路遥, 罗立民, 鲍旭东 申请人:东南大学