1.基于ICA和NLTV的图像去噪方法,包括如下步骤:
(1)首先输入N×N大小的含噪图像u0;
(2)设置相关参数,包括ICA迭代收敛阈值e,第一轮NLTV的搜索窗口大小N1×N1、邻域窗口大小N2×N2、保真参数λ1、像素相似度权重函数ω1的参数h1、像素相似度权重函数ω1中高斯核的标准差σ1,分裂的Bregman迭代辅助变量b1k的初始值b10、平滑参数θ1;第二轮NLTV的搜索窗口大小N3×N3、邻域窗口大小N4×N4、保真参数λ2、像素相似度权重函数ω2的参数h2、像素相似度权重函数ω2中高斯核的标准差σ2,分裂的Bregman迭代辅助变量b2k的初始值b20、平滑参数θ2;
(3)为了应用ICA方法进行图像去噪,除了输入的含噪图像u0,还需另一幅含噪图像u1,通过用NLTV方法对含噪图像u0进行初步去噪来获得u1,称为第一轮NLTV去噪;首先建立NLTV模型,称为第一轮NLTV模型:其中J(u1)是第一轮NLTV模型的目标函数,Ω是u0、u1的图像空间,λ1是保真参数,u0是输入的含噪声的待去噪图像,u1是去噪后的图像;是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子,其中变量p1表示当前像素点,变量q1表示以p1为中心的搜索窗口内的一点,u1(p1)、u1(q1)分别是图像u1上的点p1和q1的像素灰度值;是图像u0中的两个像素点p1和q1的相似度权重函数,表示图像u0中以p1为中心的大小为N2×N2的图像块和以q1为中心的大小为N2×N2的图像块之间的高斯加权距离,表示求和范围是以p1或q1为中心的N2×N2邻域内的每一像素点(不包括p1或q1自身),共N2×N2-1项,是标准差为σ1的高斯核,h1是权重函数ω1(p1,q1)的常数参数,在步骤(2)中对h1、σ1进行赋值;对该NLTV模型,采用分裂的Bregman算法进行迭代逼近求解;引入辅助函数w1k和辅助变量b1k,构造如下三步迭代格式:
其中,k的取值是0,1,2,…,等非负整数,迭代初始值u10=u0,bk、wk分别表示分裂的Bregman迭代的辅助变量和辅助函数,θ1是控制迭代结果的平滑参数,b1k的初始值b10、以及λ1和θ1的赋值在步骤(2)中进行预设;
求解式(3-1)和式(3-2),并数值化,式(3-3)也数值化,由此得到数值化后的三步迭代格式,如步骤(4)中的式(3‐4)、(3‐5)和式(3‐6)所示;第一次迭代运算前,令k=0;
顺序地应用公式(3‐4)、(3‐5)、(3‐6)进行迭代,
其中表示求和范围是以p1为中心的搜索窗口N1×N1内除p1以外的每一像素点,求和项数共N1×N1-1项,ω1(p1,q1)是u0的相似度权重函数;
在本步骤中,设初值k=0,顺序地按式(3-4)、(3-5)、(3-6)进行迭代运算一次,得到初步去噪后的图像u1=u11;
(4)使用u0与u1进行中心化和白化处理;具体方法是:首先将大小N×N的图像u0转换成1×N2的行向量X,转换规则是u0的第α(α=1,2,3,...,N)列第β(β=1,2,3,...,N)行元素转为X的第(α-1)×N+β列元素;用同样方法将大小N×N的图像u1转换成1×N2的行向量Y;用X和Y构建混合矩阵并进行中心化和白化;中心化是将原始数据减去平均数;白化也称为球化,它的本质是去相关,如果均值为零的随机向量O=[o1,o2,...,on]T满足E{OOT}=I,其中I是单位矩阵,那么随机向量O=[o1,o2,...,on]T是白化向量;
对S进行中心化后得到矩阵Se:
其中xi和yi分别是X和Y的第i个元素,i=1,2,…,N×N,是X的所有元素的均值,是Y的所有元素的均值,
对Se进行白化处理,即白化矩阵W0与Se相乘,得到Z:
Z=W0Se
其中白化矩阵W0=Λ-1/2UT,Λ是SeT的协方差矩阵的特征值矩阵,U是SeT的协方差矩阵的特征向量矩阵;Z将参与后续的步骤;这一处理可以降低后续步骤的计算复杂度;
(5)设置解混矩阵B的初始值为2×2的零矩阵;
(6)建立一个大小为2×1,的随机列向量L,L各元素取值范围是[0~1];
(7)对L进行迭代;迭代公式如下:
L=E{Zg(LTZ)}-E{g1(LTZ)}L,
L=L-BBTL,
L=L/||L||,
其中E{·}是均值运算,g(·)为任意二次函数,在本发明中令g(·)为g(t)=t2;g1(·)是g(·)的一阶导数;
(8)如果L满足||LTL|-1|<e,则转到步骤(9);如果L不满足||LTL|-1|<e,则返回到步骤(7);其中e是ICA方法中的收敛阈值,为常数,其值在步骤(2)预先设置;
(9)用L来替换更新B中的一个列向量;如果B的所有列向量都被替换更新一次,则转到步骤(10);如果B的所有列向量没有被替换更新完,则返回到步骤(6);
(10)利用得到的解混矩阵B分离出噪声,获得去噪后的图像;步骤如下:先计算解混结果W=BTS,再将W中的两个1×N2大小行向量都转换成N×N大小的矩阵,则可以得到分离后的去噪图像u2和噪声图像;转换规则是:W的第一个行向量的第(α-1)×N+β列元素转为u2的第α列第β行元素,其中α和β取值均为1,2,3,...,N;
(11)为了再次提升去噪效果,将u2进行第二轮NLTV去噪;建立NLTV模型其中J(u3)是第二轮NLTV模型的目标函数,Ω表示u2、u3的图像空间,λ2是保真参数,u3是去噪后的图像;是GUY GILBOA和STANLEY OSHER提出的非局部梯度算子,其中p2,表法当前像素点,q2给示以p2为中心的搜索窗口内的一点,u3(p2)、u3(q2)分别是图像u3上的点p2和q2的像素灰度值;
是图像u2的两个像素点p2和q2的相似度权重函数,表示图像u2中以p2为中心的大小为N4×N4的图像块和以q2为中心的大小为N4×N4的图像块之间的高斯加权距离,表示求和范围是以p2或q2为中心的N4×N4邻域内的每一像素点(不包括p2或q2自身),共N4×N4-1项,是标准差为σ2的高斯核,h2是权重函数ω2(p2,q2)的常数参数,在步骤(2)中对h2、σ2进行赋值;
(12)对步骤(11)建立的NLTV模型,采用分裂的Bregman算法迭代实现,迭代过程分成三步,如式(12-1)、(12-2)和式(12-3)所示,降低了迭代的复杂性,加快了迭代速度;
其中,k的取值是0,1,2,…,等非负整数,迭代初始值u30=u2,b2k、w2k分别表示分裂的Bregman迭代的辅助变量和辅助函数,λ2就是步骤(11)建立的NLTV模型中的保真参数,θ2是控制迭代结果的平滑参数,b2k的初始值b20、λ2以及和θ2的赋值在步骤(2)中进行预设;
求解式(12-1)和式(12-2),并数值化,式(12-3)也数值化,由此得到数值化后的迭代格式,如式(13-1)、(13-2)和式(13-3)所示;第一次迭代前,设k=0;
(13)顺序地按式(13-1)、(13-2)和式(13-3)进行迭代计算;
其中ω2(p2,q2)是u2的像素点p2和q2间的相似度权重函数,表示求和范围是以p2为中心的搜索窗口N3×N3内除p2以外的每一像素点,求和项数共N3×N3-1项;
(14)计算步骤(13)的输出图像u3k+1的峰值信噪比PSNR,如果本次迭代后输出图像u3k+1的峰值信噪比PSNR小于等于上一次迭代输出图像u3k的峰值信噪比PSNR,则满足迭代停止条件,迭代结束,将上一次迭代输出图像u3k作为最优值ufinal输出,即令ufinal=u3k,并转到步骤(15);如果本次迭代后输出图像u3k+1的峰值信噪比PSNR大于上一次迭代输出图像u3k的峰值信噪比PSNR,则不满足迭代停止条件,更新k值:k=k+1,并返回到步骤(13),继续迭代运算;
(15)将结果ufinal作为最终去噪结果图像输出。