一种多图像块融合的非局部均值去噪方法与流程
本发明涉及数字图像处理领域，尤其是涉及一种多图像块融合的非局部均值去噪方法。
背景技术：
非局部均值去噪(NL-means)是近年来提出的一项新型的图像去噪技术。该方法充分利用了图像中的冗余信息，在去噪的同时能最大程度地保持图像的细节特征。去噪的基本思想是：当前像素的估计值由图像中与它具有相似邻域结构的像素加权平均得到。
非局部均值去噪方法对图像的非局部自相似性进行了有效开发，其去噪效果依赖于能否找到足够数量的相似图像块。然而，该方法使用的图像块往往具有固定的形状和大小，这严重限制了潜在相似图像块的数量，因此，图像块大小和潜在相似图像块数量之间往往需要取得平衡，这是因为：一方面，较大图像块在进行相似性度量时对噪声更加鲁棒，并且能够产生较少的人工痕迹，从而使得去噪效果更加平滑，这在图像的平坦区域最为显著；但是，另一方面，随着图像块的逐渐增大，潜在相似图像块的数量将会减少，从而造成去噪效果的退化，这在图像的纹理区域特别明显。
故寻找一种去噪方法，既能减少去噪时产生的人工痕迹又能避免去噪效果的退化，是本领域亟待解决的技术问题。
技术实现要素：
本发明为克服上述情况不足，旨在提供一种多图像块融合的非局部均值去噪方法，既能减少去噪时的人工痕迹，又能有效避免去噪效果的退化。
一种多图像块融合的非局部均值去噪方法，包括：
采用至少两种不同大小的图像块，对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计，得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值；
对待去噪图像每个像素点在至少两种不同去噪模式下的至少两个去噪估计值再次进行估计，从而得到待去噪图像每个像素点的最终去噪估计值。
进一步的，所述图像块的大小用d×d像素阵列表示，其中d＝2r+1，r为正整数。
进一步的，所述r取三个数值或四个数值或五个数值。
进一步的，所述采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计，得到至少两种不同去噪模式下图像的去噪估计值的方法如下：
其中d选取至少两个不同的值，计算不同模式下的图像去噪估计值，图像去噪估计值具体采用如下方法计算：
公式(1)中，S表示搜索相似像素点的搜索窗口，为以像素点i为中心的一个图像区域，S的取值范围为[3×3，I]；u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值，v(j)表示像素点j在待噪声图像中的灰度值，wd×d(i,j)表示在图像块大小为d×d模式下像素点j相对于像素点i的权重值，其计算方式如下所示：
公式(2)中，Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量，图像块大小为d×d，h为滤波参数，表示Vd×d(i)和Vd×d(j)之间的欧式距离；Zd×d(i)为归一化常数；Zd×d(i)计算方式如下：
公式(3)中，Zd×d(i)为归一化常数，S表示搜索相似像素点的搜索窗口，为以像素点i为中心的一个图像区域，S的取值范围为[3×3，I]；Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量，图像块大小为d×d，h为滤波参数，表示Vd×d(i)和Vd×d(j)之间的欧式距离。
进一步的，所述S取I：
进一步的，所述对待去噪图像每个像素点在至少两种不同去噪模式下的至少两个去噪估计值再次进行估计，从而得到最终的图像去噪估计值具体为：
利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值再次进行加权平均，从而得到最终的图像去噪估计值。
进一步的，所述利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值再次进行加权平均，从而得到最终的图像去噪估计值具体为：
公式(4)中，U(i)为待去噪图像中像素点i的最终去噪估计值，Zd×d(i)为归一化常数，至少为两种去噪模式下的归一化常数；u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值；D表示选择的图像区域d×d的集合。
进一步的，所述对待去噪图像每个像素点在至少两种不同去噪模式下的至少两个去噪估计值再次进行估计，从而得到最终的图像去噪估计值具体为：
对所述待去噪图像每个像素点在至少两个去噪估计值再次进行算数平均，从而得到最终的图像去噪估计值。
进一步的，对所述待去噪图像每个像素点在至少两个去噪估计值再次进行算数平均，从而得到最终的图像去噪估计值具体为：
公式(5)中，U(i)为最终图像去噪估计值，D表示选择的图像区域d×d的集合；n表示去噪模式的个数。
本发明提供的多图像块融合的非局部均值去噪方法采用不同大小的图像块对待去噪图像每个像素点进行非局部均值去噪，然后对去噪后的图像再次进行估计，从而得到图像每个像素点的最终去噪估计值。此方法融合了采用不同图像块实现非均值去噪的优点，从而使最终得到的去噪图像即对噪声更加鲁棒，产生较少的人工痕迹，又能避免去噪效果的退化，最终达到较好的去噪效果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种多图像块融合的非局部均值去噪方法流程图；
图2是本发明另一实施例提供的一种多图像块融合的非局部均值去噪方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于现有的非局部均值去噪方法中利用单一大小的图像块对待去噪图像进行去噪处理，图像块太大，潜在相似图像块的数量将会减少，从而造成去噪效果的退化，这在图像的纹理区域特别明显；图像块太小，在进行相似性度量时对噪声的鲁棒性较低，去噪时人工痕迹明显，从而使得去噪效果不够平滑。
为了解决这个问题，本发明提供了一种多图像块融合的非局部均值去噪方法，如图1所示，该方法包括如下步骤：
S1、采用至少两种不同大小的图像块，对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计，得到待去噪图像每个像素点在至少两种不同去噪模式下的去噪估计值；
S2、对待去噪图像每个像素点在至少两种不同去噪模式下的至少两个去噪估计值再次进行估计，从而得到待去噪图像每个像素点的最终去噪估计值。
本发明提供的多图像块融合的非局部均值去噪方法采用不同大小的图像块对待去噪图像每个像素点进行非局部均值去噪，然后对去噪后的图像再次进行估计，从而得到图像每个像素点的最终去噪估计值。此方法融合了采用不同图像块实现非均值去噪的优点，从而使最终得到的去噪图像即对噪声更加鲁棒，产生较少的人工痕迹，又能避免去噪效果的退化，最终达到较好的去噪效果。
上述方法中，图像块大小用d×d像素阵列表示，其中d＝2r+1，r为正整数。r最小取1，即采用3×3的图像块对待去噪图像每个像素点进行非局部均值去噪。r最大值不能超过(W-1)/2，(H-1)/2中的较小值。W表示待去噪图像的长，H表示待去噪图像的宽。r的取值决定图像块的大小，一般取1，或2，或3，或4，或5，或6。取值越小，能够找到的潜在相似图像块数量就越多，也就意味着有更多的相似图像块用于加权平均去噪，从而使得去噪效果得到提高；取值越大，在进行相似性度量时对噪声更加鲁棒，并且能够产生较少的人工痕迹，从而使得去噪效果更加平滑。
上述方法中，r可以取两个数值，或三个数值，或四个数值，或五个数值等等。对应的去噪方法中，待去噪图像每个像素点的最终去噪估计值可以由两个去噪估计值再次估计后得到，或由三个去噪估计值再次估计后得到，或由四个去噪估计值再次估计后得到，或由五个去噪估计值再次估计后得到。r取值越多，计算量越大，但最终去噪效果越好；r取值越少，计算量越小，去噪效果将相对较差。
所述采用至少两种不同大小的图像块对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计，得到至少两种不同去噪模式下图像的去噪估计值的方法如下：
其中d选取至少两个不同的值，计算不同模式下的图像去噪估计值，图像去噪估计值具体采用如下方法计算：
公式(1)中，S表示搜索相似像素点的搜索窗口，为以像素点i为中心的一个图像区域，S的取值范围为[3×3，I]；u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值，v(j)表示像素点j在待噪声图像中的灰度值，wd×d(i,j)表示在图像块大小为d×d模式下像素点j相对于像素点i的权重值，其计算方式如下所示：
公式(2)中，Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量，图像块大小为d×d，h为滤波参数，h控制权值函数的衰减程度。h越大权值函数变化越平缓，去噪水平越高，但同时也会导致图像越模糊。h越小，边缘细节成分保持得越多，但会残留过多的噪声点。h的具体取值应当以图像中的噪声水平为依据；表示Vd×d(i)和Vd×d(j)之间的欧式距离；Zd×d(i)为归一化常数；Zd×d(i)计算方式如下：
公式(3)中，Zd×d(i)为归一化常数，S表示搜索相似像素点的搜索窗口，为以像素点i为中心的一个图像区域，S的取值范围为[3×3，I]；Vd×d(i)和Vd×d(j)分别表示以像素点i和像素点j为中心的图像块的灰度值向量，图像块大小为d×d，h为滤波参数，表示Vd×d(i)和Vd×d(j)之间的欧式距离。
上述方法中，S取值可以取15×15，21×21像素阵列，S的取值也可以行和列的数值不相等，例如，15×17、21×27等。最大可以取到和待去噪图像I相同大小。当S的取值为I时，即搜索窗子为整个待去噪图像。S取值越小，则计算量越小，速度越快，但去噪效果较差；S取值越大，计算量越大，速度越慢，但去噪效果佳。
最后，如图2所示，对待去噪图像每个像素点在至少两种不同去噪模式下的至少两个去噪估计值再次进行估计，从而得到最终的图像去噪估计值具体为：
S21、利用待去噪图像每个像素点在至少两种不同去噪模式下的归一化常数对所述至少两个去噪估计值再次进行加权平均，从而得到最终的图像去噪估计值。加权平均方法如下：
公式(4)中，U(i)为待去噪图像中像素点i的最终去噪估计值，Zd×d(i)为归一化常数，至少为两种去噪模式下的归一化常数；u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值；D表示选择的图像区域d×d的集合。
上述方法中，采用加权平均的方法得到图像每个像素点最终的去噪估计值，当使用小图像块3*3的去噪模式时，能够找到更多的相似图像块进行加权平均去噪，但由于图像块较小，相似图像块的权重值易受噪声影响，从而产生人工痕迹；当使用大图像块时7*7，对噪声更加鲁棒，相似图像块的权重值更加精确，但由于图像块较大，相似图像块的数量会受到影响，使得噪声无法有效去除。将不同模式下的去噪结果进行加权平均，能够突出各个模式的优点，弱化各自的缺点，从而有效提高最终的去噪效果。
图2中，还示出了对待去噪图像每个像素点在至少两种不同去噪模式下的至少两个去噪估计值再次进行估计，从而得到最终的图像去噪估计值的另一种方式。
S22、对所述待去噪图像每个像素点在至少两个去噪估计值再次进行算数平均，从而得到最终的图像去噪估计值。
算数平均方法如下：
公式(5)中，U(i)为最终图像去噪估计值，D表示选择的图像区域d×d的集合；n表示去噪模式的个数。
上述方法中，采用算数平均的方法得到图像每个像素点最终的去噪估计值，当使用小图像块3*3的去噪模式时，能够找到更多的相似图像块进行加权平均去噪，但由于图像块较小，相似图像块的权重值易受噪声影响，从而产生人工痕迹；当使用大图像块7*7时，对噪声更加鲁棒，相似图像块的权重值更加精确，但由于图像块较大，相似图像块的数量会受到影响，使得噪声无法有效去除。将不同模式下的去噪结果进行平均，能够中和大小图像块带来的缺陷，使得去噪效果得到提高。
下面举例详细说明该多图像块融合的非局部均值去噪方法。
采用三种不同大小的图像块，对待去噪图像每个像素点使用非局部均值去噪方法进行去噪估计，得到待去噪图像每个像素点在三种不同去噪模式下的去噪估计值；
具体的，r取1、2、3。对应的图像块取d×d取3×3、5×5、7×7，对应的搜索窗口选取15×15、21×21、27×27。当然，搜索窗口也可以根据需要，都选取27×27。利用这三种图像块对待去噪图像进行非局部均值化去噪方法。具体计算方式如下：
上述公式中，u3'×3(i)表示待处理像素点i在图像块大小为3×3模式下的去噪估计值，v(j)表示像素点j在待噪声图像中的灰度值，w3×3(i,j)表示在图像块大小为3×3模式下像素点j相对于像素点i的权重值，j∈15×15表示以i为中心的15×15的图像像素阵列搜索范围；u5'×5(i)表示待处理像素点i在图像块大小为5×5模式下的去噪估计值，v(j)表示像素点j在待噪声图像中的灰度值，w5×5(i,j)表示在图像块大小为5×5模式下像素点j相对于像素点i的权重值，j∈21×21表示以i为中心的21×21的图像像素阵列搜索范围；u7'×7(i)表示待处理像素点i在图像块大小为27×27模式下的去噪估计值，v(j)表示像素点j在待噪声图像中的灰度值，w7×7(i,j)表示在图像块大小为7×7模式下像素点j相对于像素点i的权重值，j∈27×27表示以i为中心的27×27的图像像素阵列搜索范围。当图像处于边缘时，搜索窗口无法以i为中心进行选取，则要进行搜索窗口的边界检测，确保搜索窗口在图像范围内。
w3×3(i,j)、w5×5(i,j)、w7×7(i,j)计算方法如下：
上述公式中，V3×3(i)和V3×3(j)分别表示图像块取3×3时以像素点i和像素点j为中心的图像块的灰度值向量，h为滤波参数，表示图像块取3×3时V3×3(i)和V3×3(j)之间的欧式距离；Z3×3(i)为图像块取3×3时的归一化常数；V5×5(i)和V5×5(j)分别表示图像块取5×5时以像素点i和像素点j为中心的图像块的灰度值向量，h为滤波参数，表示图像块取5×5时V5×5(i)和V5×5(j)之间的欧式距离；Z5×5(i)为图像块取5×5时的归一化常数；V7×7(i)和V7×7(j)分别表示图像块取7×7时以像素点i和像素点j为中心的图像块的灰度值向量，h为滤波参数，表示图像块取7×7时V7×7(i)和V7×7(j)之间的欧式距离；Z7×7(i)为图像块取7×7时的归一化常数。
归一化常数Z3×3(i)、Z5×5(i)、Z7×7(i)计算方法如下：
上述公式中，j∈15×15表示以i为中心的15×15的图像像素阵列搜索范围；表示图像块取3×3时V3×3(i)和V3×3(j)之间的欧式距离；j∈21×21表示以i为中心的21×21的图像像素阵列搜索范围；表示图像块取5×5时V5×5(i)和V5×5(j)之间的欧式距离；j∈27×27表示以i为中心的27×27的图像像素阵列搜索范围；表示图像块取7×7时V7×7(i)和V7×7(j)之间的欧式距离；h为滤波参数；当图像处于边缘时，搜索窗口无法以i为中心进行选取，则要进行搜索窗口的边界检测，确保搜索窗口在图像范围内。
最后对计算出的三个去噪估计值进行再次估计，从而得到待去噪图像每个像素点的最终去噪估计值。
可以采用加权平均的方法进行再次估计，也可以采用加权平均的方式进行估计。
加权平均的方式如下：
上述公式中，U(i)为待去噪图像中像素点i的最终去噪估计值，Zd×d(i)为归一化常数，u'd×d(i)表示待处理像素点i在图像块大小为d×d模式下的去噪估计值；D表示选择的图像区域d×d的集合，为[3×3,5×5,7×7]。
算数平均的方式如下：
上述公式中，U(i)为最终图像去噪估计值，D表示选择的图像区域d×d的集合，为[3×3,5×5,7×7]。
上述实施例中，图像块d×d选取了三种大小，分别为3×3、5×5、7×7，对应的搜索窗口选取15×15、21×21、27×27。然后对每种去噪模式下的去噪估计值进行计算，最后对每种去噪估计值进行算数平均或者加权平均，从而得到最佳去噪估计值。当然，图像块d×d的也可以选择别的大小，也可以选择两种数值，四种数值等，对应搜索窗口也可以选择其它大小，例如35×35、41×41等，都可以得到不同去噪效果的去噪估计值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！