一种基于结构相似性的非局部均值去噪优化方法与流程

本发明属于非局部均值去噪优化技术领域。具体涉及一种基于结构相似性的非局部均值去噪优化方法。

背景技术：

图像去噪是图像处理领域中最基础最广泛研究的热点问题，其目的在于去除图像获取和传输过程中引入的各类噪声污染。在众多图像去噪算法中，buades等人提出的原始非局部均值算法被证明了其性能优于其他经典的去噪方法。该算法的基本思想是利用图像中大量冗余信息，对图像中每一个像素点所在图像块进行全局范围的搜索找出与之近似的块，通过相似结构块的加权平均以减少随机噪声，达到去噪的效果。

非局部均值滤波算法的核心问题在于确定加权核函数，原始非局部均值去噪算法采用指数型核函数进行加权，导致了图像细节过度平滑而变得模糊，且纯指数型或者余弦型的核函数不能适应噪声的变化，对强噪声的去噪能力明显下降；改进的二次指数型核函数使加权值随着距离的增加而迅速下降，导致对图像细节的处理能力较差以及对不同噪声强度的去噪性能差异较大等问题。

技术实现要素：

本发明旨在克服现有技术缺陷，目的是提供一种能保留图像细节、适用于不同噪声强度和视觉质量良好的基于结构相似性的非局部均值去噪优化方法。

为完成上述任务，本发明采用的技术方案的具体步骤是：

步骤1、在噪声污染图像x中选取一个像素点i，以所述像素点i为中心，建立s×s的噪声图像搜索框。

步骤2、在所述噪声图像搜索框内取d×d的噪声图像相似框xt，用所述噪声图像相似框xt在所述噪声图像搜索框中滑动，找出所述噪声图像搜索框中所有噪声图像相似框xt的组合，记录每个噪声图像相似框xt中心的像素点j，在以像素点i为中心的噪声图像搜索框内，即得所有像素点j对于像素点i的权重值w(i,j)，

式(1)中：h1表示平滑参数，h1为100～10000的自然数；

h2表示滤波参数，h2为10000；

d(i,j)表示所述噪声图像搜索框的像素点i与噪声图像相似框xt像素点j之间的距离，

式(2)中：xi表示噪声污染图像x中以像素点i为中心的噪声图像相似框；

xj表示噪声污染图像x中以像素点j为中心的噪声图像相似框；

v(xi)表示以像素点i为中心的噪声图像相似框xi中所有像素组成的邻域向量；

v(xj)表示以像素点j为中心的噪声图像相似框xj中所有像素组成的邻域向量。

步骤3、采用加权核函数改进的非局部均值方法，对噪声污染图像x进行一次去噪，即得所述噪声污染图像x一次去噪后的像素点i的像素值x′(i)，

步骤4、按照步骤3，即得所述噪声污染图像x一次去噪后的所有像素点的像素值x′，得到由所有像素点的像素值x′组成的一次去噪图像

步骤5、在所述一次去噪图像中，找到与所述噪声污染图像x中相同坐标位置的像素点i，以像素点i为中心，建立s×s的一次去噪图像搜索框。

步骤6、在所述一次去噪图像搜索框内取d×d和以像素点j为中心的一次去噪图像相似框用所述一次去噪图像相似框在所述一次去噪图像搜索框中滑动，找到一次去噪图像搜索框中所有一次去噪图像相似框的组合，记录每个一次去噪图像相似框中心的像素点j。在以像素点i为中心的一次去噪图像搜索框内，得到所有所述一次去噪图像相似框对于以像素点i为中心的d×d的一次去噪图像相似框的的权重值wssim(i,j)，

式(4)中：表示所述一次去噪图像相似框与所述一次去噪图像相似框之间的结构相似性，

式(5)中：c1表示稳定常数ⅰ，c1＝6.5025；

c2表示稳定常数ⅱ，c2＝58.5225；

表示以像素点i为中心的一次去噪图像相似框的均值，

表示以像素点j为中心的一次去噪图像相似框的均值，

表示以像素点i为中心的一次去噪图像相似框的标准差，

表示以像素点j为中心的一次去噪图像相似框的标准差，

表示以像素点i为中心的一次去噪图像相似框与以像素点j为中心的

一次去噪图像相似框之间的协方差，

式(6)～(10)中：n表示以像素点i为中心的一次去噪图像相似框和以像素点j为中心的

一次去噪图像相似框的像素点个数；

表示以像素点i为中心的一次去噪图像相似框第k个像素点的值；

表示以像素点j为中心的一次去噪图像相似框第k个像素点的值。

步骤7、调整噪声污染图像x中每一个d×d的噪声图像相似框xt，得到调整后的噪声图像相似框

式(11)中：c表示稳定常数ⅲ，c＝1；

表示所述噪声图像相似框xt的均值；

表示所述噪声图像相似框xt的标准差；

表示噪声图像相似框xt对应的以像素点j为中心的一次去噪图像相似框的均值；

表示噪声图像相似框xt对应的以像素点j为中心的一次去噪图像相似框的标准差。

步骤8、二次去噪后，以像素点i为中心的二次去噪图像相似框x″i为，

式(12)中：表示噪声图像相似框内所有像素点的集合；

表示调整后的噪声图像相似框中像素点j的像素值。

步骤9、按照步骤8，得到二次去噪后以所有像素点为中心的二次去噪图像相似框x″，由以所有像素点为中心的二次去噪图像相似框x″组成二次去噪图像

由于采用上述技术方案，本发明与现有技术相比具有如下优点：

本发明将非局部均值去噪算法中的指数型加权核函数改进为余弦系数加权的高斯核函数，具备了更好的加权特性，去噪性能和细节处理能力更强，输出峰值信噪比更高，而且噪声强度越大，改进算法的去噪性能提升越明显，故能保留图像细节和适用于不同噪声强度。

本发明将结构相似性指标与加权核函数改进的非局部均值去噪算法结合起来，利用结构相似性指标更符合人眼视觉系统的基本原理，保留去噪图像更多的结构信息，实现更好的视觉感知质量。

因此，本发明具有能保留图像细节、适用于不同噪声强度和视觉质量良好的特点。

附图说明

图1是本发明拟去噪的一幅噪声污染图像；

图2是对图1所示图像的二次去噪图像；

图3是本发明拟去噪的另一幅噪声污染图像；

图4是对图3所示图像的二次去噪图像。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步的描述，并非对其保护范围的限制：

实施例1

一种基于结构相似性的非局部均值去噪优化方法。所述方法的具体步骤是：

步骤1、选取一幅如图1所示的噪声污染图像x，图1是本实施例拟去噪的一副噪声污染图像。所述噪声污染图像x的尺寸为256×256，噪声标准差为25。设任意的像素点i,j∈x,(m,n)为任意像素点的坐标，在所述噪声污染图像x中选取一个像素点i，以所述像素点i为中心，建立7×7的噪声图像搜索框。

步骤2、在所述噪声图像搜索框内取3×3的噪声图像相似框xt，用所述噪声图像相似框xt在所述噪声图像搜索框中滑动，找出所述噪声图像搜索框中所有噪声图像相似框xt的组合，记录每个噪声图像相似框xt中心的像素点j，在以像素点i为中心的噪声图像搜索框内，即得所有像素点j对于像素点i的权重值w(i,j)，

式(1)中：h1表示平滑参数，该实施例中h1为900；

h2表示滤波参数，h2为10000；

d(i,j)表示所述噪声图像搜索框的像素点i与噪声图像相似框xt像素点j之间的距离，

式(2)中：xi表示噪声污染图像x中以像素点i为中心的噪声图像相似框；

xj表示噪声污染图像x中以像素点j为中心的噪声图像相似框；

v(xi)表示以像素点i为中心的噪声图像相似框xi中所有像素组成的邻域向量；

v(xj)表示以像素点j为中心的噪声图像相似框xj中所有像素组成的邻域向量。

步骤3、采用加权核函数改进的非局部均值方法，对噪声污染图像x进行一次去噪，即得所述噪声污染图像x一次去噪后的像素点i的像素值x′(i)，

经过一次去噪后的各像素点的像素值如表1所示，(m,n)为像素点i的坐标。

表1一次去噪后的各像素点的像素值

步骤4、按照步骤3，即得所述噪声污染图像x一次去噪后的所有像素点的像素值x′，得到由所有像素点的像素值x′组成的一次去噪图像

步骤5、在所述一次去噪图像中，找到与所述噪声污染图像x中相同坐标位置的像素点i，以像素点i为中心，建立7×7的一次去噪图像搜索框。

步骤6、在所述一次去噪图像搜索框内取3×3和以像素点j为中心的一次去噪图像相似框用所述一次去噪图像相似框在所述一次去噪图像搜索框中滑动，找到一次去噪图像搜索框中所有一次去噪图像相似框的组合，记录每个一次去噪图像相似框中心的像素点j。在以像素点i为中心的一次去噪图像搜索框内，得到所有所述一次去噪图像相似框对于以像素点i为中心的3×3的一次去噪图像相似框的的权重值wssim(i,j)，

式(4)中：表示所述一次去噪图像相似框与所述一次去噪图像相似框之间的结构相似性，

式(5)中：c1表示稳定常数ⅰ，c1＝6.5025；

c2表示稳定常数ⅱ，c2＝58.5225；

表示以像素点i为中心的一次去噪图像相似框的均值，

表示以像素点j为中心的一次去噪图像相似框的均值，

表示以像素点i为中心的一次去噪图像相似框的标准差，

表示以像素点j为中心的一次去噪图像相似框的标准差，

表示以像素点i为中心的一次去噪图像相似框与以像素点j为中心的一次去噪图像相似框之间的协方差，

式(6)～(10)中：n表示以像素点i为中心的一次去噪图像相似框和以像素点j为中心的一次去噪图像相似框的像素点个数；

表示以像素点i为中心的一次去噪图像相似框第k个像素点的值；

表示以像素点j为中心的一次去噪图像相似框第k个像素点的值。

步骤7、调整噪声污染图像x中每一个d×d的噪声图像相似框xt，得到调整后的噪声图像相似框

式(11)中：c表示稳定常数ⅲ，c＝1；

表示所述噪声图像相似框xt的均值；

表示所述噪声图像相似框xt的标准差；

表示噪声图像相似框xt对应的以像素点j为中心的一次去噪图像相似框的均值；

表示噪声图像相似框xt对应的以像素点j为中心的一次去噪图像相似框的标准差。

步骤8、二次去噪后，以像素点i为中心的二次去噪图像相似框x″i为，

二次去噪后各图像相似框x″i如表2所示，(m,n)为像素点i的坐标。

表2二次去噪后各图像相似框x″i

式(12)中：表示噪声图像相似框内所有像素点的集合；

表示调整后的噪声图像相似框中像素点j的像素值。

步骤9、按照步骤8，得到二次去噪后以所有像素点为中心的二次去噪图像相似框x″，由以所有像素点为中心的二次去噪图像相似框x″组成如图2所示二次去噪图像

实施例2

一种基于结构相似性的非局部均值去噪优化方法。所述方法的具体步骤是：

步骤1、选取一幅如图3所示的噪声污染图像x，图3是本实施例拟去噪的一副噪声污染图像。所述噪声污染图像x的尺寸为256×256，噪声标准差为25。设任意的像素点i,j∈x,(m,n)为任意像素点的坐标，在所述噪声污染图像x中选取一个像素点i，以所述像素点i为中心，建立7×7的噪声图像搜索框。

步骤2、在所述噪声图像搜索框内取3×3的噪声图像相似框xt，用所述噪声图像相似框xt在所述噪声图像搜索框中滑动，找出所述噪声图像搜索框中所有噪声图像相似框xt的组合，记录每个噪声图像相似框xt中心的像素点j，在以像素点i为中心的噪声图像搜索框内，即得所有像素点j对于像素点i的权重值w(i,j)，

式(1)中：h1表示平滑参数，该实施例中h1为1200；

h2表示滤波参数，h2为10000；

d(i,j)表示所述噪声图像搜索框的像素点i与噪声图像相似框xt像素点j之间的距离，

式(2)中：xi表示噪声污染图像x中以像素点i为中心的噪声图像相似框；

xj表示噪声污染图像x中以像素点j为中心的噪声图像相似框；

v(xi)表示以像素点i为中心的噪声图像相似框xi中所有像素组成的邻域向量；

v(xj)表示以像素点j为中心的噪声图像相似框xj中所有像素组成的邻域向量。

步骤3、采用加权核函数改进的非局部均值方法，对噪声污染图像x进行一次去噪，即得所述噪声污染图像x一次去噪后的像素点i的像素值x′(i)，

经过一次去噪后的各像素点的像素值x′(i)如表3所示，(m,n)为像素点i的坐标。

表3一次去噪后的各像素点的像素值x′(i)

步骤4、按照步骤3，即得所述噪声污染图像x一次去噪后的所有像素点的像素值x′，得到由所有像素点的像素值x′组成的一次去噪图像

步骤5、在所述一次去噪图像中，找到与所述噪声污染图像x中相同坐标位置的像素点i，以像素点i为中心，建立7×7的一次去噪图像搜索框。

步骤6、在所述一次去噪图像搜索框内取3×3和以像素点j为中心的一次去噪图像相似框用所述一次去噪图像相似框在所述一次去噪图像搜索框中滑动，找到一次去噪图像搜索框中所有一次去噪图像相似框的组合，记录每个一次去噪图像相似框中心的像素点j。在以像素点i为中心的一次去噪图像搜索框内，得到所有所述一次去噪图像相似框对于以像素点i为中心的3×3的一次去噪图像相似框的的权重值wssim(i,j)，

式(4)中：表示所述一次去噪图像相似框与所述一次去噪图像相似框

之间的结构相似性，

式(5)中：c1表示稳定常数ⅰ，c1＝6.5025；

c2表示稳定常数ⅱ，c2＝58.5225；

表示以像素点i为中心的一次去噪图像相似框的均值，

表示以像素点j为中心的一次去噪图像相似框的均值，

表示以像素点i为中心的一次去噪图像相似框的标准差，

表示以像素点j为中心的一次去噪图像相似框的标准差，

表示以像素点i为中心的一次去噪图像相似框与以像素点j为中心的一次去噪图像相似框之间的协方差，

式(6)～(10)中：n表示以像素点i为中心的一次去噪图像相似框和以像素点j为中心的一次去噪图像相似框的像素点个数；

表示以像素点i为中心的一次去噪图像相似框第k个像素点的值；

表示以像素点j为中心的一次去噪图像相似框第k个像素点的值。

步骤7、调整噪声污染图像x中每一个d×d的噪声图像相似框xt，得到调整后的噪声图像相似框

式(11)中：c表示稳定常数ⅲ，c＝1；

表示所述噪声图像相似框xt的均值；

表示所述噪声图像相似框xt的标准差；

表示噪声图像相似框xt对应的以像素点j为中心的一次去噪图像相似框的均值；

表示噪声图像相似框xt对应的以像素点j为中心的一次去噪图像相似框的标准差。

步骤8、二次去噪后，以像素点i为中心的二次去噪图像相似框x″i为，

二次去噪后各图像相似框x″i如表4所示，(m,n)为像素点i的坐标。

表4二次去噪后各图像相似框x″i

式(12)中：表示噪声图像相似框内所有像素点的集合；

表示调整后的噪声图像相似框中像素点j的像素值。

步骤9、按照步骤8，得到二次去噪后以所有像素点为中心的二次去噪图像相似框x″，由以所有像素点为中心的二次去噪图像相似框x″组成如图4所示二次去噪图像

本具体实施方式与现有技术相比具有如下优点：

本具体实施方式将非局部均值去噪算法中的指数型加权核函数改进为余弦系数加权的高斯核函数，具备了更好的加权特性，去噪性能和细节处理能力更强，输出峰值信噪比更高，而且噪声强度越大，改进算法的去噪性能提升越明显，故能保留图像细节和适用于不同噪声强度。

本具体实施方式将结构相似性指标与加权核函数改进的非局部均值去噪算法结合起来，利用结构相似性指标更符合人眼视觉系统的基本原理，保留去噪图像更多的结构信息，实现更好的视觉感知质量。

因此，本具体实施方式具有能保留图像细节、适用于不同噪声强度和视觉质量良好的特点。