图像去噪装置及图像去噪方法

图像去噪装置及图像去噪方法
【专利摘要】本发明提供一种图像去噪装置及图像去噪方法。该图像去噪装置具备：输入单元，输入图像的图像数据；分块单元，根据输入的图像数据，将图像划分为多个块；特征提取单元，提取图像中的每一块的特征；聚类单元，基于提取的特征进行聚类，由此将图像中的多个块分组而得到块组；滤波单元，利用多线性子空间学习滤波器对块组进行去噪；以及输出单元，输出去噪后的图像数据。根据本发明的图像去噪装置，能够在整个图像中对块进行聚类并分组，从而能够在整个图像中提取相似块。而且，不仅能对二维图像去噪，还可对三维甚至更高维图像进行去噪，从而能够对医疗图像等任意维数的图像进行去噪处理。
【专利说明】图像去噪装置及图像去噪方法

【技术领域】
[0001] 本发明涉及图像去噪装置及图像去噪方法，尤其涉及针对医疗图像等任意维数的 图像进行去噪的图像去噪装置及图像去噪方法。

【背景技术】
[0002] 图像去噪是非常重要的预处理手段。它可以帮助改善画质，提高图像分割、图像配 准等的精确度。对于医疗图像，还能辅助医生进行直观的视觉检测。然而，图像去噪也面临 着巨大的挑战。原因是需要在去除噪声的同时尽可能保留原有图像的所有特征。
[0003] 近年来，针对二维图像涌现出了大批去噪技术，其中相对最为有效的是非专利文 献1提出的BM3D (block-matching and3D filtering :块匹配及三维滤波）技术。在BM3D 技术中，针对一幅静态图像，对于其中相似的二维块组成的三维模块进行空间转换，并利用 收缩法抽取有效系数后进行反变换，从而达到去噪目的。
[0004] 然而，在上述BM3D技术中仍然存在一些问题。
[0005] 首先，在块匹配过程中，上述BM3D技术在特定的范围内寻找参考块的相似块。但 是例如对于医疗图像，相似块存在于整个图像中。因此，在特定的范围内寻找到的相似块是 很有限的。而且，上述BM3D技术基于图像的亮度值来寻找参考块的相似块。但是，亮度值 很容易被噪声干扰，会直接影响到相似块的查找。
[0006] 另外，随着现代技术的发展，图像的种类也越发繁多，不仅有二维的自然图像，而 且还有三维的医疗图像、高分辨率图像等。上述BM3D技术仅能够以二维图像做为去噪对 象，不能为三维及高维图像进行去噪。而且，上述BM3D技术不能判断输入图像的维数，从而 不能针对不同图像运用不同方式进行去噪。
[0007] 再者，在进行空间转换过程中，上述BM3D技术运用一组固定的转换基底来解决所 有图像的去噪问题。由于此组转换基底不依赖于输入图像的变化而变化，很难对应不同图 像的特殊特征。而且，上述BM3D技术对于组成后的多维模块的每一维上分别进行转换，并 没有考虑到每一维之间的交叉相关联系。
[0008] 另外，作为直接对高维数据进行处理的技术，在非专利文献2中提出了 GND-PCA技 术。但是，在非专利文献2中，并没有涉及怎样将GND-PCA技术用于图像去噪。
[0009] 非专利文献 1 :"Image denoising by Sparse3D transform-domain collaborative filtering"，Kostadin Dabov 等著，2007 年
[0010] 非 专利 文献 2 ,Generalized N-dimensional principal component analysis (GND-PCA) and its application on construction of statistical appearance models for medical volumes with fewer samples"，Rui Xu 等著，2009 年 toon] 如上所述，在现有的图像去噪技术中，在块匹配过程、空间转换过程等中存在诸多 问题。而且，针对作为医疗图像等广泛利用的多维图像，仍然缺乏有效的图像去噪技术。


【发明内容】

[0012] 本发明针对现有技术中的上述问题，其目的在于，提供一种能够有效地针对医疗 图像等任意维数的图像进行去噪处理的图像去噪装置及图像去噪方法。
[0013] 为了解决现有技术中的上述问题，本发明提供一种图像去噪装置，用于对图像进 行去噪，其特征在于，具备：输入单元，输入所述图像的图像数据；分块单元，根据输入的图 像数据，将所述图像划分为多个块；特征提取单元，提取所述图像中的每一块的特征；聚类 单元，基于提取的特征进行聚类，由此将所述图像中的所述多个块分组而得到块组；滤波单 元，利用多线性子空间学习滤波器对块组进行去噪；以及输出单元，输出去噪后的图像数 据。
[0014] 根据本发明的图像去噪装置，将输入的图像划分为多个块，提取图像中的每一块 的特征，并基于提取的特征进行聚类，从而将图像中的多个块分组。由此，能够在整个图 像中对块进行聚类并分组，从而能够在整个图像中提取相似块。而且，通过将例如基于 GND-PCA、GND-ICA、MPCA或MICA的多线性子空间学习滤波器用于图像去噪，不仅能对二维 图像去噪，还可对三维甚至更高维图像进行去噪，从而能够对任意维数的图像进行去噪处 理。
[0015] 在本发明的图像去噪装置中，也可以是，所述特征提取单元提取所述图像中的每 一块的多个特征；所述图像去噪装置还具备特征选择单元，该特征选择单元从所述多个特 征中选择一部分特征；所述聚类单元基于由所述特征选择单元选择的特征进行聚类。
[0016] 其中，也可以是，所述特征提取单元还对所提取的多个特征进行结合，由此得到联 合特征；所述特征选择单元对所述联合特征进行特征选择，由此从所述多个特征中选择一 部分特征。
[0017] 其中，也可以是，所述特征选择单元从所述多个特征中选择一部分特征，以使所述 聚类单元的聚类所需的计算时间减少。
[0018] 由此，从图像中的每一块提取多个特征，与现有技术中仅基于图像的亮度值的方 式相比，能够提高分组的准确度，提高被分组的块之间的相似度。而且，从多个特征中例如 利用PCA、ICA选择一部分特征用于聚类，不仅能降低聚类的处理时间，还能有效避免噪声 对特征的影响。
[0019] 在本发明的图像去噪装置中，也可以是，所述特征提取单元基于亮度、颜色、形状、 纹理、SIFT描述符即尺度不变特征转换描述符中的至少一个，提取所述图像中的每一块的 特征。
[0020] 在此，列出了用于聚类的几个优选的特征，通过利用这几个特征中的至少一个进 行聚类，能够进一步提高分组的准确度。
[0021] 在本发明的图像去噪装置中，也可以是，所述图像去噪装置还具备维度检测单元， 该维度检测单元检测由所述输入单元输入的图像数据的维度。
[0022] 其中，也可以是，在所述维度检测单元检测为由所述输入单元输入的所述图像数 据的维度大于2时，所述滤波单元利用多线性子空间学习滤波器对块组进行去噪。
[0023] 其中，也可以是，所述图像去噪装置还具备预滤波处理单元；在所述维度检测单元 检测为由所述输入单元输入的所述图像数据的维度等于2时，所述预滤波处理单元对该图 像数据进行预滤波处理，将预滤波处理后的图像数据提供给所述分块单元。
[0024] 由此，通过判断输入的图像的维度，能够选择更适于该维度的图像的去噪处理。例 如，在图像的维度大于2时，通过利用多线性子空间学习滤波器进行去噪，不仅能够对以往 无法进行去噪处理的多维图像进行去噪，而且能够充分利用输入图像的信息，应用多线性 子空间学习滤波，综合考虑图像内部的相互关系，提高去噪效果。另外，在图像的维度等于 2时，通过先进行预滤波处理，再如上所述对图像进行去噪，能够进一步提高去噪效果。
[0025] 在本发明的图像去噪装置中，也可以是，所述图像去噪装置还具备聚合单元，该聚 合单元通过聚合，将所述滤波单元去噪后的块组中的块还原到该块在所述图像中的原始位 置；所述输出单元输出由所述聚合单元还原后的图像数据。
[0026] 由此，通过将去噪后的块还原到该块原来的位置，并输出还原后的图像，能够向使 用者提供去噪处理后的整体图像。
[0027] 在本发明的图像去噪装置中，也可以是，所述分块单元将所述图像划分为大小相 等且相互重叠的多个块；在输入的图像数据的维数为A时，所述块的维数为A，所述块组表 现为维度A+1的模块，其中A是2以上的整数。
[0028] 在此，通过将输入的图像划分为大小相等且相互重叠的多个块，能够有效地在整 个图像中对块进行聚类并分组，从而在整个图像中提取相似块。另外，通过将多个块分组来 构成比块高一维的块组，能够在后续处理中对该块组进行去噪。
[0029] 在本发明的图像去噪装置中，也可以是，所述聚类单元在聚类时利用允许聚类之 间重叠的软聚类。
[0030] 由此，通过在整个图像范围内利用KFCM_S等软聚类方式进行聚类，既可以全局考 虑整幅图像的信息，也可以根据每块的特性，使所得分组有交集。
[0031] 为了解决现有技术中的上述问题，本发明还提供一种图像去噪方法，用于对图像 进行去噪，其特征在于，包括：输入步骤，输入所述图像的图像数据；分块步骤，根据输入的 图像数据，将所述图像划分为多个块；特征提取步骤，提取所述图像中的每一块的特征；聚 类步骤，基于提取的特征进行聚类，由此将所述图像中的所述多个块分组而得到块组；滤波 步骤，利用多线性子空间学习滤波器对块组进行去噪；以及输出步骤，输出去噪后的图像数 据。
[0032] 根据本发明的图像去噪方法，将输入的图像划分为多个块，提取图像中的每一块 的特征，并基于提取的特征进行聚类，从而将图像中的多个块分组。由此，能够在整个图 像中对块进行聚类并分组，从而能够在整个图像中提取相似块。而且，通过将例如基于 GND-PCA、GND-ICA、MPCA或MICA的多线性子空间学习滤波器用于图像去噪，不仅能对二维 图像去噪，还可对三维甚至更高维图像进行去噪，从而能够对任意维数的图像进行去噪处 理。
[0033] 根据本发明的图像去噪装置及图像去噪方法，能够有效地针对医疗图像等任意维 数的图像进行去噪处理。其中，本发明并不限定于以上列出的方式。例如，在本发明的图像 去噪装置的上述各优选方式也能够相互组合，而且这些优选方式及其组合当然也能够适用 于本发明的图像去噪方法。

【专利附图】

【附图说明】
[0034] 图1是运用本发明的MRI医疗仪器整体的示意图。
[0035] 图2是本发明第一实施方式的图像去噪装置的结构框图。
[0036] 图3是本发明第一实施方式的图像去噪方法的流程图。
[0037] 图4是本发明第二实施方式的图像去噪装置的结构框图。
[0038] 图5是本发明的一个实施例的图像去噪处理的流程图。
[0039] 图6是本发明的另一个实施例的图像去噪处理的流程图。
[0040] 图7是现有技术的图像去噪处理的流程图。

【具体实施方式】
[0041] 以下结合附图、【具体实施方式】及实施例对本发明进行更详细的说明。此外，在附图 中给同一或者相当部分附以同一附图标记，省略重复的说明。
[0042] 首先，说明作为运用本发明的图像去噪装置及图像去噪方法的MRI医疗仪器的整 体结构。在此，以本发明的图像去噪装置及图像去噪方法适用于MRI医疗仪器为例进行说 明，但本发明的图像去噪装置及图像去噪方法不限于适用于此，还能够适用于CT等其他各 种医疗仪器、以及医疗用途以外的各种图像去噪处理。
[0043] 图1是运用本发明的MRI医疗仪器整体的示意图。根据图1所示，通常的MRI系统 由以下几部分组成：主磁体；梯度单元（梯度线圈、梯度脉冲程序）；射频单元（射频线圈、 脉冲程序、接收通道、发射通道）；计算机系统及谱仪（计算机、存储器、显示器）；其他辅助 设备（屏蔽、病床）。本发明针对计算机系统及谱仪进行改进，如图1虚线框中"图像去噪" 所示。其他部分例如主磁体、梯度单元、射频单元及其他辅助设备可以利用现有技术，在此 不做赘述。
[0044] 以下详细说明本发明的图像去噪装置及图像去噪方法。为了更好地理解本发明， 首先简略说明现有技术的图像去噪处理。图7是现有技术的图像去噪处理的流程图。如图7 所示，在现有技术的图像去噪处理中，首先输入二维噪声图像，接着由基于二维块匹配的分 组单元对二维噪声图像进行块匹配，接着由正交变换滤波单元对通过块匹配得到的块组进 行滤波，接着由二维聚合单元将滤波后的块还原到原始位置，最后输出去噪后的二维图像。 在现有技术的图像去噪处理中，如上所述，不仅在块匹配过程、空间转换过程等中存在诸多 问题，而且无法适用于三维以上的多维图像。
[0045] 针对现有技术的图像去噪处理的上述问题，本发明提供的图像去噪装置及图像去 噪方法能够有效地针对医疗图像等任意维数的图像进行去噪处理。
[0046] 首先，具体说明本发明第一实施方式的图像去噪装置及图像去噪方法。图2是本 发明第一实施方式的图像去噪装置的结构框图。如图2所示，图像去噪装置1用于对输入 的图像进行去噪，既可以由通用的计算机执行图像去噪程序来实现，也可以基于专用的硬 件结构来实现。在图像去噪装置1由专用的硬件结构实现的情况下，例如可以由基于FPGA 技术的专用集成电路实现。图像去噪装置1具备输入单元11、分块单元12、特征提取单元 13、聚类单元14、滤波单元15和输出单元16。
[0047] 如图2所示，输入单元11输入图像的图像数据，其中输入的图像的格式不限，可以 是DIC0M、bmp、jpg、tiff、gif、raw等任意格式。分块单元12根据输入的图像数据，将图像 划分为多个块。特征提取单元13提取图像中的每一块的特征。聚类单元14基于提取的特 征进行聚类，由此将图像中的多个块分组而得到块组。滤波单元15利用多线性子空间学习 滤波器对块组进行去噪。输出单元16输出去噪后的图像数据。
[0048] 接着，说明本发明第一实施方式的图像去噪装置执行的图像去噪方法。图3是本 发明第一实施方式的图像去噪方法的流程图。如图3所示，图像去噪方法包括输入步骤S1、 分块步骤S2、特征提取步骤S3、聚类步骤S4、滤波步骤S5和输出步骤S6。
[0049] 在输入步骤Sl中，输入单元11输入图像的图像数据。在本发明中，对于输入图像 的维数不做限定，有可能是二维的图像，也有可能是三维或更高维的图像。其中，三维或更 高维的图像的维数是指此图像的长、宽、高、样本数以及时间等。
[0050] 在分块步骤S2中，分块单元12根据输入的图像数据，将图像划分为多个块。例如， 分块单元12将输入图像分成大小相等且相互重叠的多个块，或随机取大小相等的多个块。
[0051] 在特征提取步骤S3中，特征提取单元13提取图像中的每一块的特征。例如，对图 像中的每个块抽取它的特征向量，如亮度、颜色、形状、纹理、SIFT描述符等。
[0052] 在聚类步骤S4中，聚类步骤14基于提取的特征进行聚类，由此将图像中的多个块 分组而得到块组。例如，根据每一块的特征，利用软聚类方法，找到具有相似特征的块，并将 相似块分组，得到一个更高一维的模块即块组。
[0053] 在滤波步骤S5中，滤波单元15利用多线性子空间学习滤波器对块组进行去噪，即 对于上述更高一维的模块主要采用基于多线性子空间学习滤波器进行去噪。其中，基于多 线性子空间学习滤波器是指根据输入图像，通过综合考虑每一维之间的相互影响，系统自 动学习出一个变换基底，使得变换空间因输入图像的不同而发生变化，从而达到自适应滤 波的目的。本发明所采用的基于多线性子空间学习滤波器是基于GND-PCA(Generalized N Dimensional Principal Component Analysis)的滤波器，并且不拘泥于这一种多线性子 空间学习滤波器，其他如 GND-ICA(Generalized N Dimensional Independent Component Analysis)、MPCA或MICA等也可以采用。通过使用多线性子空间学习滤波器，从而使得对 三维图像的去噪成为可能。
[0054] 在输出步骤S6中，输出单元16输出去噪后的图像数据。
[0055] 根据本发明第一实施方式的图像去噪装置，将输入的图像划分为多个块，提取图 像中的每一块的特征，并基于提取的特征进行聚类，从而将图像中的多个块分组。由此，能 够在整个图像中对块进行聚类并分组，从而能够在整个图像中提取相似块。而且，通过将例 如基于GND-PCA、GND-ICA、MPCA或MICA的多线性子空间学习滤波器用于图像去噪，不仅能 对二维图像去噪，还可对三维甚至更高维图像进行去噪，从而能够对任意维数的图像进行 去噪处理。
[0056] 接着，具体说明本发明第二实施方式的图像去噪装置及图像去噪方法。本发明的 第二实施方式的图像去噪装置及图像去噪方法是对本发明的第一实施方式的进一步改进， 对于与第一实施方式相同或相当的结构和步骤省略说明。
[0057] 图4是本发明第二实施方式的图像去噪装置的结构框图。如图4所示，本发明第 二实施方式的图像去噪装置10除了具备第一实施方式的图像去噪装置1的全部结构之外， 还具备维度检测单元17、预处理单元18、特征选择单元19和聚合单元20。以下仅对这几个 结构着重说明。
[0058] 维度检测单元17检测由输入单元11输入的图像数据的维度。如上所述，本发明中 输入图像的维数不做限定，有可能是二维的图像，也有可能是三维或更高维的图像。在此， 维度检测单元17对输入数据首先进行维数判断，根据维度检测单元17的判断结果，决定是 否由预处理单元18对图像数据进行预处理。具体而言，在维度检测单元17检测为图像数 据的维数大于2时，不通过预处理单元18,而直接将图像数据提供给分块单元12 ;在维度检 测单元17检测为图像数据的维数等于2时，将图像数据提供给预处理单元18,由预处理单 元18对图像数据进行预处理。
[0059] 预处理单元18对图像数据进行预滤波处理，将预滤波处理后的图像数据提供给 分块单元12。
[0060] 特征选择单元19从特征提取单元13对每一块提取的多个特征中，选择一部分特 征。例如，在特征提取单元13对所提取的多个特征（特征向量）进行结合由此得到联合特 征（一维向量）的情况下，特征选择单元19对联合特征进行特征选择，由此从多个特征中 选择一部分特征。在此，特征选择单元19例如按多个特征的有效程度，提取出多个特征中 更为有效的一部分特征。另外，特征选择单元19通过从多个特征中选择一部分特征，以使 聚类单元14的聚类所需的计算时间减少。具体而言，在由特征提取单元13对每一块提取 的多个特征的向量相结合而构成一个一维向量的情况下，图像中的多个块的该一维向量构 成一个矩阵，通过由特征选择单元19对该矩阵进行计算得到转换矩阵，从而提取特征向量 的主成分，并将其用于聚类单元14的聚类，能够减少聚类单元14的运算量，减少聚类所需 的计算时间。
[0061] 聚合单元20通过聚合，将滤波单元15去噪后的块组中的块还原到该块在图像中 的原始位置，并将还原后的图像提供给输出单元16,以供输出单元16输出。
[0062] 本发明第二实施方式的图像去噪方法同样在第一实施方式的图像去噪方法的基 础上添加由上述维度检测单元17、预处理单元18、特征选择单元19和聚合单元20分别执 行的维度检测步骤、预处理步骤、特征选择步骤和聚合步骤来实现。根据本发明的第二实施 方式的图像去噪装置及图像去噪方法，不仅能够得到与第一实施方式相同的效果，而且还 能够得到如上所述的附加效果。
[0063] 其中，在本发明第二实施方式中，说明了在第一实施方式的图像去噪装置1的基 础上添加上述维度检测单元17、预处理单元18、特征选择单元19和聚合单元20的例子，但 也可以仅添加维度检测单元17和预处理单元18,或者仅添加特征选择单元19,或者仅添加 聚合单元20。同样，也可以在第一实施方式的图像去噪方法的基础上，仅添加维度检测步骤 和预处理步骤，或者仅添加特征选择步骤，或者仅添加聚合步骤。
[0064] 以下，具体说明本发明的两个代表实施例。在此，下述实施例仅用于更好地理解本 发明，不作为对本发明的限定。
[0065] 图5是本发明的一个实施例的图像去噪处理的流程图。如图5所示，首先，系统 接收到一个新的输入图像。在本实施例中，无论输入图像的维数是二维还是高维（三维以 上），都执行相同的处理。因此，既可以判断输入图像是二维还是高维，也可以不加以判断。 以下以输入图像为二维图像的情况为例进行说明。
[0066] 接着，将输入图像分成大小相等且相互重叠的块，B = Ib1, b2, . . .，bn}，其中η是 块的数量。例如，一幅像素为505X505的图像，可以分成17 X 17的且重合像素为8的3844 个块。并且，图像的像素、块的大小、重合像素的值并不拘泥于举例中的数值，根据需要可调 整数值的大小。另外，也可以在整幅图像中随机取大小相等的块。
[0067] 接着，对每个块抽取它的特征向量，如亮度、颜色、形状、纹理、SIFT描述符等。其 中，颜色特征如颜色直方图（color histogram)、颜色尺度（scalable color)、色矩（color moment)等；纹理特征如Tamura特征、全局纹理描述符（global texture descriptor)、 gabor直方图、gabor矢量等；形状特征如边缘直方图（edge histogram)等。另外SIFT描 述符也是很有效的抽取块特征的方法。由于提取的所有特征都由向量表示，本发明将所有 r个特征向量qp q2, . . .，?全部连成一个一维向量y = Iiq1, q2, . . .，qJT进行后续计算。 [0068] 接着，对一维向量进行特征选择，不仅加速了后续聚类的计算时间，同时降低了噪 声对抽取的特征的影响。特征选择出的成分组成的向量X = ATy，其中A是基于PCA、ICA等 方法学习出来的转换矩阵；X的元素个数小于或等于y的元素个数。
[0069] 接着，对选择后的特征进行聚类。聚类是按照对象间的相似性进行区分和分 类的过程，是一种无监督的分类。这里采取的聚类方式可以是硬聚类方法，如合成聚类 (Hierarchical agglomerative clustering)、K-means 聚类，也可以是软聚类方法 Fuzzy c-means>fuzzy-possibilistic c_means、Expectation Maximization based clustering。 硬聚类方法把每个待处理的对象严格地划分到某个类中，其隶属度不是I就是0。软聚类 方法允许聚类之间重叠，允许模糊的边界。也就是说，一个块可以同时被分到几个不同的 类中去。下面以fuzzy-possibilistic c-means聚类为例，说明软聚类的方法。一组未被 标记的数据X=^x1, X2,..., RP，其中，η是一幅图像中被抽取出的块的个数，X k是经 过特征选择后得到的块的特征向量，Xk e Rp，P是Xk中元素的个数。fuzzy-possibilistic c-means的目标函数为

【权利要求】
1. 一种图像去噪装置，用于对图像进行去噪，其特征在于，具备： 输入单元，输入所述图像的图像数据； 分块单元，根据输入的图像数据，将所述图像划分为多个块； 特征提取单元，提取所述图像中的每一块的特征； 聚类单元，基于提取的特征进行聚类，由此将所述图像中的所述多个块分组而得到块 组； 滤波单元，利用多线性子空间学习滤波器对块组进行去噪；以及 输出单元，输出去噪后的图像数据。
2. 如权利要求1所述的图像去噪装置，其特征在于， 所述特征提取单元提取所述图像中的每一块的多个特征； 所述图像去噪装置还具备特征选择单元，该特征选择单元从所述多个特征中选择一部 分特征； 所述聚类单元基于由所述特征选择单元选择的特征进行聚类。
3. 如权利要求2所述的图像去噪装置，其特征在于， 所述特征提取单元还对所提取的多个特征进行结合，由此得到联合特征； 所述特征选择单元对所述联合特征进行特征选择，由此从所述多个特征中选择一部分 特征。
4. 如权利要求1所述的图像去噪装置，其特征在于， 所述特征提取单元基于亮度、颜色、形状、纹理、SIFT描述符即尺度不变特征转换描述 符中的至少一个，提取所述图像中的每一块的特征。
5. 如权利要求2所述的图像去噪装置，其特征在于， 所述特征选择单元从所述多个特征中选择一部分特征，以使所述聚类单元的聚类所需 的计算时间减少。
6. 如权利要求1所述的图像去噪装置，其特征在于， 所述图像去噪装置还具备维度检测单元，该维度检测单元检测由所述输入单元输入的 图像数据的维度。
7. 如权利要求6所述的图像去噪装置，其特征在于， 在所述维度检测单元检测为由所述输入单元输入的所述图像数据的维度大于2时，所 述滤波单元利用多线性子空间学习滤波器对块组进行去噪。
8. 如权利要求6所述的图像去噪装置，其特征在于， 所述图像去噪装置还具备预滤波处理单元； 在所述维度检测单元检测为由所述输入单元输入的所述图像数据的维度等于2时，所 述预滤波处理单元对该图像数据进行预滤波处理，将预滤波处理后的图像数据提供给所述 分块单元。
9. 如权利要求1所述的图像去噪装置，其特征在于， 所述图像去噪装置还具备聚合单元，该聚合单元通过聚合，将所述滤波单元去噪后的 块组中的块还原到该块在所述图像中的原始位置； 所述输出单元输出由所述聚合单元还原后的图像数据。
10. 如权利要求1所述的图像去噪装置，其特征在于， 所述分块单元将所述图像划分为大小相等且相互重叠的多个块； 在输入的图像数据的维数为A时，所述块的维数为A，所述块组表现为维度A+1的模块， 其中A是2以上的整数。
11. 如权利要求1所述的图像去噪装置，其特征在于， 所述聚类单元在聚类时利用允许聚类之间重叠的软聚类。
12. -种图像去噪方法，用于对图像进行去噪，其特征在于，包括： 输入步骤，输入所述图像的图像数据； 分块步骤，根据输入的图像数据，将所述图像划分为多个块； 特征提取步骤，提取所述图像中的每一块的特征； 聚类步骤，基于提取的特征进行聚类，由此将所述图像中的所述多个块分组而得到块 组； 滤波步骤，利用多线性子空间学习滤波器对块组进行去噪；以及 输出步骤，输出去噪后的图像数据。
【文档编号】G06T5/00GK104240187SQ201310236003
【公开日】2014年12月24日 申请日期:2013年6月8日 优先权日:2013年6月8日
【发明者】艾丹妮 申请人:株式会社日立制作所