用于对含噪图像去噪的方法与流程

本发明总体上涉及图像处理，并且更具体地涉及处理图像以降低噪声并且增强图像内容。

背景技术：

图像去噪的目标是从被噪声破坏的图像重构“无噪”增强图像。存在很多用于图像去噪的图像处理方法。

第一组方法使用局部方法，其中将目标像素的无噪估计重构为目标像素的小空间邻域内的像素值的加权平均。一种这样的方法用诸如高斯核函数的平滑滤波器对含噪图像进行卷积，其中权重根据函数随着与目标像素的距离而减小。由于对邻域内的局部图像结构(像素值)不敏感的线性滤波运算，得到的图像通常具有模糊的伪影。

为了克服模糊的伪影，其他局部方法尝试通过使用非线性滤波器来使滤波器“边缘感知”。中值滤波器将像素值重构为邻域内的像素值的中间值。

另一方法使用各向异性扩散，其中滤波器的形状可以作为扩散过程的结果适应于局部图像结构，其对图像不连续敏感。

sigma滤波器通过对目标像素与其邻域内的其他像素之间的绝对像素值差进行阈值处理来识别邻域内与目标像素相似的像素。然后通过邻域内仅相似像素值(具有相似度阈值内的差的像素)的平均来重构目标像素。该模型中的权重可以根据相似度标准认为是0或1。

已知对sigma滤波器的若干扩展。例如，可以使用双边滤波器，其中，代替硬阈值算子(0或1权重)，权重根据两个核函数(一个在空间域中，一个在范围(像素值)域中)的乘法而连续变化。

另一方法检查所关注像素周围的不同的局部图像区域，并且确定每个局部区域的无噪估计。所关注像素的估计然后确定为局部区域估计的某种加权平均。

另一方法确定每个像素值的噪声方差(其存储在查找表中)。然后基于该噪声模型调整相似度阈值和权重。

局部去噪方法受益于允许快速计算的空间局部性。然而，这些方法无法使用图像的全局统计量，诸如重复模式，而这是图像去噪的重要线索。

第二组方法使用非局部去噪方法。非局部方法通过搜索图像内的全部分块来检索与目标图像分块相似的图像分块。然后，目标分块被相似分块的加权平均替换。

另选的非局部方法包括使用来自相同图像的学习字典和变换域非局部滤波的图像分块的稀疏重构。这些方法的非局部搜索步骤使得它们在具有计算和存储器约束的系统中难以使用。

另选地，可以通过使用图像分割或置信度传播对马尔可夫随机场(MRF)执行推理来实现非局部去噪。为了实现快速性能，迭代的次数小，在结果中留下相当大的噪声。

技术实现要素：

本发明的实施方式提供了用于对含噪图像去噪以生成无噪增强图像的方法。方法使用局部去噪函数库。对于图像的每个像素，使用像素周围的局部邻域(分块)构造键(key)。键将每个像素映射到函数库中的去噪函数。通过将选择的函数应用于像素的分块来确定像素的无噪重构。

例如，能在离线过程中使用训练图像学习去噪函数库。学习过程最小化了重构误差。方法通过键将非线性映射与函数结合。对于各种分块配置优化函数以提供比现有的手动调节的局部去噪方法更好的重构，同时仍然允许快速处理。

附图说明

图1是根据本发明的实施方式的去噪方法的流程图。

图2是根据本发明的实施方式的去噪方法的详细流程图。

图3是根据本发明的实施方式的空间映射的示意图。

图4是根据本发明的实施方式的噪声映射的流程图。

图5是根据本发明的实施方式的函数映射的流程图。

图6是根据本发明的实施方式的使用库函数去噪的示意图。

图7是根据本发明的实施方式的构造函数库的流程图。

具体实施方式

图1是根据本发明的实施方式的用于使用局部去噪函数库501对含噪图像101进行去噪110以产生去噪图像102的方法的流程图。方法可以在如现有技术中已知的通过总线连接到存储器和输入/输出接口的处理器中执行。

图2是去噪方法的详细流程图。含噪图像中的像素x具有值I(x)。像素周围的局部邻域或“分块”是P(x)。分块可以具有任意形状，诸如矩形、椭圆形、或者适应于图像内容的不规则的像素排列。

噪声估计器210使用含噪图像101中的像素的局部邻域或分块P(x)来确定每个像素的噪声方差σ211。函数映射m(x)510使用噪声方差估计和像素的局部邻域来将每个像素映射到函数230，见图5。选择的函数f230应用于240含噪图像中的分块P(x)，以生成去噪图像102的对应的去噪像素。

噪声估计

在噪声估计210期间，该方法估计每个像素的噪声的方差。在一种实施方式中，假定方差σ对于所有具有相同值v的像素是等同的

如果I(x)＝v并且I(y)＝v,那么σ(x)＝σ(y)＝σ_v。

使用每个像素周围的局部分块来估计方差。对于图像中具有平均值v的每个分块，确定分块的强度值的方差，每个分块一个方差。如果分块源自恒定颜色区域，则该分块的方差等于噪声的经验估计。

然而，因为分块还可以源自非恒定颜色区域，所以分块方差估计近似是具有值v的像素的噪声方差分布的下限。值v的噪声方差估计为具有平均值v的分块的中心像素的噪声方差分布的k阶统计量。在一种实施方式中，k例如选择为分块中心像素值的方差计算分布的具有值v的像素数量的0.1。

一般来说，方差随着像素值改变而平滑地改变。每个值的独立的噪声估计造成了非平滑的噪声轮廓。因此，平滑化方差以产生平滑的噪声轮廓。

函数映射

对于图像的每个像素x，使用像素x周围的分块P(x)和像素值的噪声估计来构造键。键包括空间键和噪声键。

如图3中示出的，使用像素x周围的例如3x3的像素I(x_i),x_i∈P(x)的分块P(x)301通过空间映射函数310来构造空间键302。分块P(x)的大小和形状可以不同于用来估计噪声方差的分块。

在一种实施方式中，空间键是局部n元模式(LnP)320，例如局部二元模式(LbP)。对于分块内的每个像素x_i获得一位信息。如果分块中的像素值I(x_i)与含噪图像中的像素值I(x)之间的差小于像素的方差σ(x)，则该位设置为0，否则该位设置(321)为1：

空间键具有|s|位。图3中示出了所确定的局部二元模式的示例，其中黑色像素(位0)对应于分块内的与含噪图像中的像素(即，分块中的中心像素)具有相似的值的像素，并且白色像素(位1)对应于分块内的与含噪图像中的像素具有不相似的值的像素。

图4是噪声映射的流程图。使用含噪图像中的像素的方差401的估计通过噪声映射函数410构造噪声键402。在一种实施方式中，通过方差σ(x)的n位均匀量化给出噪声键：

n(x)＝σ(x)的|n|位量化。

像素的键m是空间键与噪声键的串接，如下：

从而键具有|s|+|n|位。

如图5中所示，键m 502将图像的像素映射510到去噪函数库501中的用来对像素去噪的去噪函数f。

使用库函数去噪

如图6中示出的，从含噪图像像素x确定键k 502，并且f^k是函数库中对应的函数。去噪函数使用像素周围的分块P(x)601(即，分块包括像素x周围的局部邻域像素)。该分块的大小和形状可以不同于用来确定键的分块。在一种实施方式中，去噪函数是分块中的像素强度的线性函数

其中W^k 602是线性函数的权矩阵，I(P(x))是分块P(x)的像素强度的矩阵，并且是在通过将矩阵的列堆积为列向量的向量化之后的两个矩阵之间的内积运算。

学习去噪函数库

如图7中示出的，使用训练图像样本721来学习去噪函数库501。训练图像样本721包括无噪701和对应的含噪711训练图像样本对。通过训练样本构造器720生成训练样本721。在一种实施方式中，通过将合成噪声添加到无噪701图像来获得含噪711图像。

训练或函数拟合730优化了函数，使得最小化使用含噪711图像的无噪图像的重构与无噪701图像之间的差：

其中I和是无噪和含噪训练图像样本对721，l是函数库中的去噪函数的数量，并且去噪函数F通过首先使用函数映射510将像素映射到去噪函数然后使用映射的函数对像素去噪，来操作每个图像像素：

F(x)＝f^m(x)(x)。

在一种实施方式中，通过根据键将训练图像对的像素分组来求解训练。然后，分别优化每个组。当库函数是线性函数时，通过求解线性最小二乘问题来最优地学习库函数。当库函数是非线性函数时，使用非线性优化技术(诸如梯度下降或牛顿法)来学习库函数。