基于图像多特征融合的非局部均值去噪方法与流程

本发明涉及图像去噪的技术领域，特别涉及一种基于图像多特征融合的非局部均值去噪方法。

背景技术：

图像在形成、传输以及记录过程中，不可避免地会受到噪声的干扰。噪声的引入，不仅降低了图像的质量，而且严重影响图像的后续处理工作。因此，图像去噪成为图像处理中一个基础而重要的步骤，在预处理的基础上，提高图像质量，可以为后续图像处理提供更可靠并真实的依据。图像去噪的最终目的是要在去除噪声的同时，可以更好地保持图像中的边缘、纹理等重要结构信息。那么，如何更好保持图像的边缘、纹理等重要结构信息，成为图像去噪中的重要研究内容。

近年来，国内外研究表明，图像中的像素点并不是独立存在、互不相干的，而是同它的周围像素点一起组成图像的几何结构，也就是说像素点的结构特征可以通过以像素为中心的图像块很好的体现出来；另外，在一幅图像中，不仅仅是周围像素，位于不同位置的像素之间常常也是相关联的，即图像具有自相似性。

基于图像具有自相似性的原理，Buades等人提出了非局部均值去噪算法。NLM算法用图像块来描述中心像素点的特征，并以图像块之间特征的相似性来代替单个像素点之间灰度值的相似性，此图像块称为相似窗。理论上，参与加权平均的像素点不再局限于待处理像素的周围邻域，而是扩展到整个图像空间。与传统空间域图像去噪算法比较，非局部均值去噪算法更好地保持了图像的结 构信息，取得了更加显著的去噪效果。

传统的NLM算法中采用高斯加权欧氏距离来计算权值函数中的相似度，主要有两个优势：第一，由于待处理图像是污染后的噪声图像，若直接取值计算，会影响结果的准确性。而高斯加权具有去噪效果，在一定程度上抑制了噪声，加强了相似度衡量的准确性；第二，通常而言，在空间距离上越相近的像素，它们间的相关性也会越强。而高斯加权就是指在计算欧式距离是，给块中每个像素分配一个服从高斯分布的权值，离块中心越近的像素分配较大的权值。

虽然采用高斯加权欧式距离在一定程度上提高了相似度的准确性，但依然存在一些缺陷：(1)若只从图像灰度值的角度考虑相似度，不可避免的会引入不相似的图像块造成过平滑现象，或引入权值计算误差问题，最终影响去噪效果。尤其是针对边缘或纹理细节丰富的图像或图像区域，改误差现象更严重，图像的结构信息丢失更多。(2)由于图像已是含噪图像，若噪声强度较大时，那么单一的基于灰度特征计算得到的相似度的准确性会有所下降。

为了解决上述问题，就要探索一种新的相似度计算方法，来提高NLM算法的去噪效果，使其在图像的平坦区域或是结构丰富区域中都能获得优越的去噪效果。而本发明就能很好地解决上述问题。

技术实现要素：

本发明的目的是：提供一种基于图像多特征融合的非局部均值去噪方法，该方法解决了图像块相似度计算中只考虑灰度值特征，而忽略图像其它特征的问题。该方法根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混合相似度计算，最终确定相似图像块的权值分配。基于图像多特征融合的非局部均值去噪方法在去噪效果上得到了显著提升。

具体地说，本发明是采用以下的技术方案来实现的：基于图像多特征融合的非局部均值去噪方法，其特征在于，根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混合相似度计算，最终确定相似图像块的权值分配，包括如下步骤：

1)建立自适应非局部均值去噪的模型：

给定离散域I上的一幅噪声图像V＝{v(i)|i∈I}，像素点i的相似窗N_i为以像素点i为中心的一个图像子块，去噪后的像素复原值为则利用非局部均值去噪算法，图像中像素的复原值通过求得，其中，权值w(i,j)取决于相似窗N_i和N_j之间的相似程度可由得到，Z(i)是归一化因子，是为了满足0≤w(i,j)≤1和Σ_jw(i,j)＝1，h是滤波参数用于控制图像平滑程度；

2)计算图像多特征融合的混合相似度，一方面采用基于灰度特征的高斯加权欧式距离来衡量相似度，另一方面采用基于LBP纹理特征的卡方距离来衡量相似度，通过结合两种特征的混合相似度来计算相似图像块的权值：

定义N_i，N_j表示像素i，j所在的图像块即相似窗大小，V(Ni),V(N_j)分别表示两相似窗的灰度向量，根据计算N_i和N_j的高斯加权欧式距离，

根据计算Ni和Nj基于灰度值特征的相似度，

获取N_i，N_j的LBP特征，由于LBP特征是以直方图形式表示的，使用卡方统计来度量两个LBP特征之间的距离，即可根据计算N_i和N_j之间的距离，

根据计算N_i和N_j基于LBP特征的相似度，

根据sim_mix(i,j)＝w₁sim_gray(i,j)+w₂sim_lbp(i,j)计算结合灰度特征和LBP纹理特征的混合相似度；

3)计算权值：在混合相似度计算方法的基础上，根据计算分配相似图像块的权值；

4)遍历图像去噪：

根据计算像素点i处的滤波值使像素i遍历整幅图像，重复上述步骤1)～3)进行滤波，得到最终的滤波图像

本发明的有益效果如下：1、本发明更好地衡量了图像块之间的相似度，改善了权值计算方法，提高了图像去噪质量。2、本发明在去噪的同时，更好地保持了图像的结构特征。

附图说明

图1是本发明的方法流程图。

图2是采用图像多特征融合的混合相似度计算方法分配权值的流程图。

具体实施方式

如图1所示，本发明提出了一种基于图像多特征融合的非局部均值去噪方法，其包括如下步骤：

1、建立自适应非局部均值去噪的模型

给定离散域I上的一幅噪声图像V＝{v(i)|i∈I}，像素点i的相似窗N_i为以像素点i为中心的一个图像子块，去噪后的像素复原值为则利用非局部均值 去噪算法，图像中像素的复原值可通过式(1)求得：

$\tilde{v}\left(i\right)=\underset{j\∈I}{\mathrm{\Σ}}w(i,j)v\left(j\right)---\left(1\right)$

其中，权值w(i,j)取决于相似窗N_i和N_j之间的相似程度，可由式(2)得到：

$w(i,j)=\frac{1}{Z\left(i\right)}{e}^{-\frac{d(i,j)}{h^2}}---\left(2\right)$

$Z\left(i\right)=\underset{j\∈J}{\mathrm{\Σ}}{e}^{-\frac{d(i,j)}{h^2}}---\left(3\right)$

其中，Z(i)是归一化因子，是为了满足0≤w(i,j)≤1和Σ_jw(i,j)＝1。传统NLM方法中采用高斯加权的欧式距离来衡量相似度，即h是滤波参数，控制图像平滑程度。

2、计算图像多特征融合的混合相似度

NLM中的块间相似度计算方法很大程度上决定着相似图像块获得权值的大小，直接影响着图像的去噪质量。主要指：1)若只从图像灰度值的角度考虑相似度，不可避免的会引入不相似图像块，造成过于平滑现象，或引入权值计算误差问题，影响去噪效果，尤其是针对边缘或纹理细节丰富的图像或图像区域，结构信息丢失过多；2)由于图像已是含噪图像，若噪声强度较大时，那么单一的基于灰度特征计算得到的相似度的准确性会有所下降。传统的NLM中采用高斯加权的欧式距离来衡量相似度，一定程度上抑制了噪声，但是，对于图像去噪过程中结构的保持能力并不是很明显。

为了解决上述问题，本发明采用一种基于图像多特征融合的混合相似度计算方法，以此来分配权值。如图2所示，本方法结合了图像块的灰度特征和LBP纹理特征，利用两种特征的混合相似度来分配相似图像块的权值。

纹理是图像的固有特征之一，它可以很好地体现图像的灰度分布程度、对 比度、空间分布和图像的内在变化特性。LBP算子正是一种纹理特征的有效描述符，本发明将其引入图像块间的相似度计算。

综上所述，本发明一方面采用基于灰度特征的高斯加权距离来衡量相似度，一定程度上抑制了噪声；另一方面采用基于LBP纹理特征的卡方距离来衡量相似度，较好地保持了图像的纹理结构特征。所以本方法通过结合两种特征的混合相似度，来计算相似图像块的权值，达到了结构保持的目的，尤其是对图像中纹理等细微的复杂性结构的保持。

步骤1)定义N_i，N_j表示像素i，j所在的图像块(相似窗大小)，V(Ni),V(N_j)分别表示两相似窗的灰度向量。根据式(4)计算N_i和N_j的高斯加权欧式距离。

$d_{\mathrm{gray}}(i,j)={\left|\right|v\left(N_i\right)-v\left(N_j\right)\left|\right|}_{2,a}^2---\left(4\right)$

步骤2)根据式(5)计算N_i和N_j基于灰度值特征的相似度。

${\mathrm{sim}}_{\mathrm{gray}}(i,j)=e^{-\frac{d_{\mathrm{gray}}(i,j)}{h^2}}---\left(5\right)$

步骤3)获取N_i，N_j的LBP特征，由于LBP特征是以直方图形式表示的，因此可以使用卡方统计来度量两个LBP特征之间的距离，即可根据式(6)计算N_i和N_j之间的距离。

$d_{\mathrm{lbp}}(i,j)=\underset{n=1}{\overset{B}{\mathrm{\Σ}}}\frac{{(H{\left(N_i\right)}_n-H{\left(N_j\right)}_n)}^2}{H{\left(N_i\right)}_n+H{\left(N_j\right)}_n}---\left(6\right)$

步骤4)根据式(7)计算N_i和N_j基于LBP特征的相似度。

${\mathrm{sim}}_{\mathrm{lbp}}(i,j)=e^{-\frac{d_{\mathrm{lbp}}(i,j)}{{h_{\mathrm{lbp}}}^2}}---\left(7\right)$

步骤5)根据式(8)计算结合灰度特征和LBP纹理特征的混合相似度。

sim_mix(i,j)＝w₁sim_gray(i,j)+w₂sim_lbp(i,j) (8)

3、计算权值

基于上述的混合相似度计算方法，采用改进后的权值计算方法：

$w_{\mathrm{mix}}(i,j)=\frac{{\mathrm{sim}}_{\mathrm{mix}}(i,j)}{\underset{j\∈N_x}{\mathrm{\Σ}}{\mathrm{sim}}_{\mathrm{mix}}(i,j)}---\left(9\right)$

4、遍历图像去噪

根据下式计算像素点i处的滤波值

$\tilde{v}\left(i\right)=\underset{j\∈N_s}{\mathrm{\Σ}}{w}_{\mathrm{mix}}(i,j)v\left(j\right)---\left(10\right)$

使像素i遍历整幅图像，进行滤波，得到最终的滤波图像

如图1、2所示，本发明具体实施分为如下步骤：

(1)根据公式(1)-(3)，建立自适应非局部均值去噪的模型。

(2)计算图像多特征融合的混合相似度。具体步骤如下：

①定义N_i，N_j表示像素i，j所在的图像块(相似窗大小)，V(Ni),V(N_j)分别表示两相似窗的灰度向量。根据式(4)计算N_i和N_j的高斯加权欧式距离。

②根据式(5)计算N_i和N_j基于灰度值特征的相似度。

③获取N_i，N_j的LBP特征，由于LBP特征是以直方图形式表示的，因此可以使用卡方统计来度量两个LBP特征之间的距离，即可根据式(6)计算N_i和N_j之间的距离。

④根据式(7)计算N_i和N_j基于LBP特征的相似度。

⑤根据式(8)计算结合灰度特征和LBP纹理特征的混合相似度。

(3)计算权值：

在混合相似度计算方法的基础上，根据式(9)计算分配相似图像块的权值。(4)计算像素复原值：

根据式(10)计算像素点i处的滤波值

(5)遍历图像去噪。

使像素i遍历整幅图像，重复上述步骤(1)—(4)进行滤波，得到最终的滤波图像

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。