一种基于噪声估计的图像去噪方法与流程

本发明涉及图像处理领域，尤其涉及一种噪声估计的图像去噪方法。

背景技术：

随着数字图像和多媒体技术的快速发展，各种类型的光学成像系统也越来越多，人们对成像系统的画面质量要求也越来越高，但在图像的传输过程中，难免会受到各种噪声的污染，从而导致所获取的图像与原始的图像质量有所降低，不仅会影像图像的效果，噪声严重时甚至会影响图像的可读性，从而导致后续获取信息出现错误。因此，在图像处理领域中，对数字图像进行去噪是十分有意义的。

目前一种常用的去噪方法是性能优异且边缘保持能力较强的非局部均值(nlm)图像去噪算法。其基本思想是在整幅图像中寻找与待去噪像素相似的像素并以这些相似像素的权值平均值作为其去噪结果，相似度越高的像素对应的权值也越高。其优点在于引入非局部思想和基于图像块的相似度的概念。在自然图像中，每个像素对应的相似像素往往不仅限于其周围较小范围内，且去噪效果也一般与参与去噪的相似像素数量成正比，因此引入非局部搜索方式对提升去噪性能具有重大意义。相似度的准确性是非局部搜索发挥作用的基本保证，若相似度的准确性无法得到保证，使用图像块向量间的高斯加权欧式距作为像素间的相似度，显著提升了噪声环境中相似度的鲁棒性。

带噪图像中的噪声通常被认为是均值为零标准差位置的加性白噪声，因此，合理地估计噪声水平对于去噪可以起到一定的引导作用，而图像中平滑区域的噪声水平往往比细节丰富的区域更接近图像的噪声水平，因此利用超像素分割得到的图像内容相关的同源块，避免了边缘的影响，同时，结合信息熵来评价超像素同源区域的平滑程度，信息熵值越小代表图像中的纹理信息越少，则图像越平滑。因此，选出较为平滑的超像素同源区域用来估计图像的噪声水平，以此为依据修正nlm去噪算法，更有效地对图像进行去噪，在对图像进行去噪的同时很好地保留了细节和边缘信息。

技术实现要素：

本发明的目的在于提出一种自适应的，易于实现，鲁棒性强的图像去噪方法，从而解决现有图像去噪方法由于未知噪声水平而引起的去噪程度不足或去噪过度的问题，并在去噪的同时有效地保留了边缘和纹理信息。

本发明的目的是通过以下技术方案实现的：一种图像去噪的方法，该方法包括以下步骤：

(1)对带噪图j进行基于熵率的超像素分割，得到若干超像素同源区域li；

(2)根据图像信息熵理论，计算每个超像素同源区域的信息熵：

li代表第i个超像素同源区域，l代表像素的灰度级，代表第i个超像素同源区域中灰度级为l的概率，代表li中的信息熵；

(3)根据计算得到的各个超像素同源区域的信息熵的大小进行排序，选出值最小的t个超像素同源区域(占总数的10～20％)，即为图像中最为平滑的部分区域，并标记为1，其他区域标记为0，得到平滑区域的二值图；

(4)计算各个平滑同源区域的标准差

是li中像素x的强度，代表li中平均强度，为超像素块中像素的个数；

(5)计算上述平滑同源区域的平均标准差，以此作为估计得到的整幅图像的噪声水平：

(6)利用估计得到的噪声水平修正nlm去噪算法对带噪图像进行去噪，得到去噪图f，其中，去噪图像f中的像素x的强度f(x)为：

i代表带噪图j中像素x的邻域，y表示邻域i中的像素，j(y)表示像素y在带噪图j中的强度；w(x,y)代表像素x与像素y之间的相似性：

z(x)是像素x处的归一化参数，h代表控制去噪程度的平滑参数，

c为常数，c∈[300,500](16)。

本发明的有益效果在于：利用超像素分割得到的图像内容相关的同源块，避免了边缘的影响，同时，结合信息熵来评价超像素同源区域的平滑程度，信息熵值越小代表图像中的纹理信息越少，则图像越平滑。因此，选出较为平滑的超像素同源区域用来估计图像的噪声水平，以此为依据修正nlm去噪算法，更有效地对图像进行去噪，在对图像进行去噪的同时很好地保留了细节和边缘信息。

附图说明

图1为发明方法的流程框图。

图2为任意带噪图像。

图3为带噪图像进行超像素分割得到的分割图。

图4为通过计算同源区域的信息熵得到的二值图。

图5为图2的最终去噪效果图。

图6～9为带噪图、使用nlm方法去噪图、以及本发明方法(s+nlm)去噪图的三个比较示例图。

具体实施方式

本发明一种基于噪声估计的图像去噪方法，先利用超像素分割根据图像内容将其分为若干同源区域，以图像信息熵为依据找出图像中较为平滑的同源区域，并估计平滑区域的噪声标准差，从而根据噪声水平对非局部均值(nlm)去噪方法进行修正，实现根据噪声程度合理地控制去噪程度，在去噪的同时更好地保留了细节。

下面结合附图和实例进行详细说明：

图1为本发明方法的简易流程框图。下面结合实施例对本发明作进一步说明。

(1)获取一张带噪图j，如图2所示；

(2)对图像进行基于熵率的超像素分割，得到若干超像素同源区域，本实施例中，共分割出200个同源区域，如图3所示；

(3)根据图像信息熵理论，计算每个超像素同源块的信息熵：

li代表第i个超像素同源区域，l代表像素的灰度级，代表第i个超像素同源区域li中灰度级为l的概率，代表li的信息熵；

(4)根据计算得到的各个超像素同源区域的信息熵的大小进行排序，选出值最小的20个超像素同源区域，即为图像中最为平滑的部分区域，本实施例中以选出百分之十为例，并将这部分同源区域标记为1，其他区域标记为0，得到平滑区域的二值图，如图4所示；

(5)计算各个平滑同源区域的标准差：

是li超像素块中像素x的强度，代表li超像素块中平均强度，为超像素块中像素的个数；

(6)计算上述平滑同源区域的平均标准差，以此作为估计得到的整幅图像的噪声水平：

t代表所选出的超像素同源区域的个数，本实施例中为20个；

(7)利用估计得到的噪声水平修正nlm去噪算法对带噪图像进行去噪，得到图5所示的最终去噪图。计算像素x在去噪图像f中的强度：

i代表带噪图j中像素x的邻域，y表示邻域i中的像素，j(y)表示像素y在带噪图j中的强度；w(x,y)代表像素x与像素y之间的相似性，其值决定于以x与y为中心的矩形区域的距离，计算公式如下：

z(x)是归一化参数，h代表控制去噪程度地平滑参数项，这里根据所估计的噪声水平来修正平滑参数项，

c为常数，本实施例中取值为300，通过估计得到的噪声水平来控制去噪程度，以得到更好的去噪效果。

本发明一种基于噪声估计的去噪方法，先利用超像素分割根据图像内容将其分为若干同源区域，以图像信息熵为依据找出图像中较为平滑的同源区域，并估计较为平滑区域的噪声标准差，以这些平滑区域的噪声标准差作为整幅图像的噪声水平，从而根据噪声水平对非局部均值(nlm)去噪方法进行修正，实现根据噪声程度合理地控制去噪程度，能够自适应地处理带噪图像。分别按照现有的nlm方法进行去噪以及本发明的去噪方法对如图6～9所示的4幅带噪图像进行去噪处理，从图中可以看出，去噪后的图像整体效果较传统的nlm算法大幅度提升，在去噪的同时更好地保留了细节。