专利名称：基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法
技术领域：
本发明属于图像处理技术领域，具体地说是一种稀疏表示去噪方法，可用于图像处理，模式识别和生物医学等领域。
背景技术：
自然图像的噪声具有加性背景，目前自然图像的去噪方法可以从变换域和空域两个方面来进行。基于空域滤波的经典方法有Lee滤波，Kuan滤波。近年来，空域滤波中又提出了非局部均值滤波算法，基于冗余DCT字典，以及基于KSVD字典学习的稀疏表示去噪算法，其中Lee滤波等经典算法采用的是在同质区域取均值，对变化较快的点采取保留的局部滤波策略，虽然处理速度很快，但滤波后的图像整体效果模糊，大部分图像细节丢失且不能保持边缘的连续性，同质区域不够平滑；近年来，在对图像出现的周期性式样的研究基础上，又提出了非局部均值算法空域滤波方法。非局部均值算法通过计算图像中两个像素点邻域的相似度来确定该点对所要求的点的信息补偿程度，中心点的灰度值为邻域内像素点灰度值的加权平均。它虽然能很好的解决图像边缘和线性体的保留问题，但仍存在平滑区域过平滑现象。基于图像稀疏表示下的去噪算法是新近提出的一种空域图像去噪新方法，它采用图像在冗余字典上的稀疏近似来实现噪声去除，如DCT字典去噪和KSVD字典学习去噪。其不足之处在于DCT字典原子固定，不能有效逼近原图的边缘与细节信息，而KSVD字典学习的误差控制方法粗糙，易造成原图中部分纹理细节的丢失。
发明内容
本发明的目的在于克服上述去噪方法的不足，提出一种基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法，以在多个尺度上进行稀疏表示和字典学习，有效提取图像在多个尺度上的显著特征，并兼顾对自然图像中噪声的去除和纹理细节的保持，提高图像去噪效果。为实现上述目的，本发明包括如下步骤(1)利用最小二乘支撑矢量机的逼近模型构造支撑值滤波器Vj, j = 1，2，. . .，Y， 其中，、是多尺度数目；(2)将含噪图像P利用多个尺度上的支撑值滤波器Vj, j = 1,2,...,γ进行分解， 得到含噪图像P在第j个尺度上的支撑值图像Yj，j = 1，2，...，γ
权利要求
1. 一种基于支撑值变换和多尺度冗余字典字习的自然图像去噪方法，包括如下步骤(1)利用最小二乘支撑矢量机的逼近模型构造支撑值滤波器\，j= 1,2, ..., γ，其中，Y是多尺度数目；(2)将含噪图像P利用多个尺度上的支撑值滤波器Vj,j = 1,2,..., γ进行分解，得到含噪图像P在第j个尺度上的支撑值图像
2.根据权利要求1所述的基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法，其中步骤(1)所述的利用最小二乘支撑矢量机的逼近模型构造支撑值滤波器\，按如下步骤进行la)设定大小为pXq的矩阵区域，并映射成矢量，选定高斯径向基核函数K(x，Xi)= exp(-| |X-Xi| |/2ο2)，其中ο为径向基核函数的延展参数，χ是矩阵区域中心点的坐标位置，Xi是矩阵区域第i点的坐标位置，P是矩阵区域的行数，q是矩阵区域的列数；lb)设定多尺度数目Y，计算大小为NXN的矩阵Ω，其中矩阵中的元素Qu = K(Xi，XjHIij/Y，i，j = 1，2，K，N，其中 N = pXq，Iij 单位矩阵的第(i，j)个元素； 2c)利用矩阵Ω计算中间变量矩阵A和Bt:
3.根据权利要求1所述的基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法，其中步骤(4)所述的采用KSVD算法更新自适应稀疏表示字典&和稀疏表示系数Cimn， 按如下步骤进行4a)令Xj = Yj,自适应稀疏表示字典A为冗余DCT字典； 4b)采用OMP算法求解下式，得到稀疏表示系数α mn
全文摘要
本发明公开了一种基于支撑值变换和多尺度冗余字典学习的自然图像去噪方法，主要克服现有自然图像去噪中纹理细节丢失的现象。其实现过程是(1)输入含噪图像P并对其做多尺度支撑值变换，得到不同尺度上的支撑值图像Yj，设定Yj的去噪目标函数；(2)令干净支撑值图像Xj为支撑值图像Yj，令字典Dj为过完备DCT字典；(3)采用KSVD算法更新字典Dj和系数矩阵αmn；(4)计算Yj的去噪结果；(5)重复步骤2)-4)，计算出各支撑值图像的去噪结果并对其做多尺度支撑值逆变换，得含噪图像P的去噪结果X。本发明相对于现有的经典去噪方法能更好地保留含噪图像的线目标和纹理信息，去噪效果有了明显提升，可用于图像处理，模式识别和生物医学领域。
文档编号G06T5/10GK102156975SQ201110102860
公开日2011年8月17日 申请日期2011年4月22日 优先权日2011年4月22日
发明者侯彪, 卫美绒, 张月圆, 杨淑媛, 焦李成, 王爽, 钟桦, 韩月 申请人:西安电子科技大学