本发明涉及图像处理技术领域，尤其涉及一种基于非局部自相似性与稀疏表示的图像处理方法及装置。
背景技术：
随着图像处理技术的发展，人们对图像的识别要求也越来越高。通过拍照获得的图像，都会存在图像噪声，即与所需要的图像的真实内容无关的干扰信息，而图像处理技术其中一项就是图像去噪。
图块非局部自相似性与稀疏表示模型相结合为图像处理技术的发展注入新的内容和活力，极大推动和促进图像去噪技术的广泛应用。图块非局部相似性认为图块在图像中不同的空间位置上具有重复性，即任何一个图块能够在图像其他位置上找到与它相似的图块，将具有结构相似的图块组合成一个图块集，然而图块间相似性的度量方法例如欧氏距离度量法、夹角余弦法、相关系数度量法等利用欧氏距离来度量，把图块看成孤立的像素点来进行处理而忽略图块间具有的结构相似性。
为解决因忽略了结构相似性导致的图像处理效果差的问题，目前的一种方法是引入了结构相似性的索引测度(ssim)度量处结构相似的图块。在非局部中心化稀疏编码估计中为了获得给定图块的原始稀疏系数的合理估计传统的非局部中心化稀疏表示模型首先找出图块的相似图块集将相似图块集的稀疏编码进行加权平均来获得估计值，忽略了图块间具有的结构相似性，使得结构上相似的图块会由于欧氏距离过大而获得更小的加权值从而导致加权平均后的图块与原始图块发生严重偏离，使得给定图块的原始稀疏系数的估计不准确，影响图像去噪效果。
技术实现要素：
本发明实施例提供了一种基于非局部自相似性与稀疏表示的图像处理方法及装置，用于解决现有的图像稀疏去噪算法原始稀疏系数估计不准确影响去噪效果的技术问题。
本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法，包括：
s1：获取待去噪图像，对所述待去噪图像进行分割，得到若干个相互重叠的图块；
s2：根据ssim公式计算每两个所述图块的相似度，得到每个所述图块的相似图块集，并计算所述相似图块集中每两个所述图块的欧氏距离；
s3：根据所述相似图块集中每两个所述图块的相似度和所述欧式距离通过预置加权系数计算公式计算所述相似图块集中每个所述图块的加权系数，并将所述加权系数代入预置稀疏编码计算公式计算每个所述图块的稀疏编码估计值；
s4：根据对所述图块训练得到的预置字典与所述稀疏编码估计值通过迭代收缩算法计算每个所述图块的稀疏系数，并将所述稀疏系数代入预置重构图像函数重构得到第一去噪图像。
优选地，步骤s4具体包括：
s41：根据k均值算法对所述图块进行聚类，并对所述聚类进行训练，得到预置字典；
s42：根据所述预置字典与所述稀疏编码估计值通过迭代收缩算法计算所述图块的稀疏系数，并将所述稀疏系数代入预置重构图像函数重构得到去噪图像。
优选地，步骤s4之后还包括：
s5：计算所述第一去噪图像与所述待去噪的峰值信噪比，将所述第一去噪图像作为第一待去噪图像，并返回步骤s1；当所述峰值信噪比的变化趋于稳定时，获取到与所述峰值信噪比对应的去噪图像的最优稀疏系数，并执行步骤s6；
s6：计算所述预置字典的过完备字典，根据所述过完备字典与所述最优稀疏系数通过重构函数x＝dαy重构得到去噪图像，其中，αy为最优稀疏系数，d为过完备字典。
优选地，所述ssim公式为：
其中，
优选地，所述预置加权系数计算公式为：
其中，xi＝dαi，xi,q＝dαi,q，d为预置字典的过完备字典，αi为相似图块集i的稀疏度，αi,q为相似图块集i中第q个图块的稀疏度，h为预定义的标量，w是归一化常数，n为每个图像块的相似块个数。
优选地，所述预置稀疏编码计算公式为：
其中，ωi为相似图块集，ωi,q为相似图块集i中第q个图块加权系数，αi,q为相似图块集i中第q个图块的稀疏度。
优选地，所述预置重构图像函数为：
其中，rk为图块提取算子，
一种非局部自相似性与稀疏表示的图像处理装置，包括：
图块获取单元，用于获取待去噪图像，对所述待去噪图像进行分割，得到若干个相互重叠的图块；
第一计算单元，用于根据ssim公式计算每两个所述图块的相似度，得到每个所述图块的相似图块集，并计算所述相似图块集中每两个所述图块的欧氏距离；
第二计算单元，用于根据所述相似图块集中每两个所述图块的相似度和欧式距离通过预置加权系数计算公式计算所述相似图块集中每个所述图块的加权系数，并将所述加权系数代入预置稀疏编码计算公式计算每个所述图块的稀疏编码估计值；
第一图像重构单元，用于根据对所述图块训练得到的预置字典与所述稀疏编码估计值通过迭代收缩算法计算每个所述图块的稀疏系数，并将所述稀疏系数代入预置重构图像函数重构得到第一去噪图像。
优选地，图像重构单元具体包括：
训练子单元，用于根据k均值算法对所述图块进行聚类，并对所述聚类进行训练，得到预置字典；根据k均值算法对所述图块进行聚类，并对所述聚类进行训练，得到预置字典；
图像重构子单元，用于根据所述字典与所述稀疏编码估计值通过迭代收缩算法计算所述图块的稀疏系数。
优选地，还包括：
第三计算单元，用于计算所述第一去噪图像与所述待去噪的峰值信噪比，将所述第一去噪图像作为第一待去噪图像，并返回步骤s1；当所述峰值信噪比的变化趋于稳定时，获取到与所述峰值信噪比对应的去噪图像的最优稀疏系数，并触发第二图像重构单元；
所述第二图像重构单元，用于计算所述预置字典的过完备字典，根据所述过完备字典与所述最优稀疏系数通过重构函数x＝dαy重构得到去噪图像，其中，αy为最优稀疏系数，d为过完备字典。
本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法，包括：s1：获取待去噪图像，对所述待去噪图像进行分割，得到若干个相互重叠的图块；s2：根据ssim公式计算每两个图块的相似度，得到每个所述图块的相似图块集，并计算所述相似图块集中每两个所述图块的欧氏距离；s3：根据所述相似图块集中每两个所述图块的相似度和欧式距离通过预置加权系数计算公式计算所述相似图块集中每个所述图块的加权系数，并将所述加权系数代入预置稀疏编码计算公式计算每个所述图块的稀疏编码估计值；s4：根据对所述图块训练得到的预置字典与所述稀疏编码估计值通过迭代收缩算法计算每个所述图块的稀疏系数，并将所述稀疏系数代入预置重构图像函数重构得到第一去噪图像。
本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法，通过引入结构相似度量ssim计算得到每个图块的相似图块集，并将ssim与图块的欧氏距离相结合应用到非局部中心化稀疏编码估计的加权系数的求解中，有效估计相似图块的加权系数值，进而计算获得更准确的稀疏编码值，同时利用迭代收缩算法对图块的预置字典与稀疏编码值进行运算得到每个图块的稀疏系数，将稀疏系数代入预置重构图像函数进行图像重构，得到去噪图像。解决了现有的图像稀疏去噪算法原始稀疏系数估计不准确影响去噪效果的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的一个实施例的流程示意图；
图2为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的另一个实施例的流程示意图；
图3为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理装置的一个实施例的结构示意图；
图4(a)为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的一个参考图块示意图；
图4(b)为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的一个待选图块示意图。
图4(c)为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的另一个待选图块示意图。
具体实施方式
本发明实施例提供了一种协同过滤推荐方法和装置，用于解决现有的协同过滤推荐方式推荐的结果准确率不够高，无法根据评分查找与新用户的兴趣偏好相似的信息并进行推荐，容易因数据稀疏性问题导致用户体验性降低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的一个实施例的流程示意图。本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的一个实施例，包括：
步骤101：获取待去噪图像，对待去噪图像进行分割，得到若干个相互重叠的图块。
需要说明的是，通常图像中的任何一个图块在该图像中的其他位置都会具有相似的图块，将图像分割成若干个相互重叠的图块，即保证了图块的相似性；可以形象地描述为：一个待去噪图像的大小为3×3，将这个图像分割成4个2×2的图块，那么这4个图块存在相互重叠。
步骤102：根据ssim公式计算每两个图块的相似度，得到每个图块的相似图块集，并计算相似图块集中每两个图块的欧氏距离。
需要说明的是，如图4所示，a)是局部区域的一块参考图块，b)和c)是搜索区域内搜索的相似图块。传统的相似性度量函数利用欧氏距离计算，会得到图块a)和图块b)更相似；然而人们可以在视觉上看出a)和c)具有结构相似性；将图块a)和图块c)进行协同滤波会在滤除图块噪声的同时更好地保持图块的结构特性；将图块a)和图块b)进行协同滤波会破坏去噪图块原先的结构特征，最后拼接成原图像时会平滑掉图像的纹理和边缘信息。为了把图块的结构相似性考虑进去，因此，引入结构相似度量ssim计算每两个图块的相似度。
步骤103：根据相似图块集中每两个图块的相似度和欧式距离通过预置加权系数计算公式计算相似图块集中每个图块的加权系数，并将加权系数代入预置稀疏编码计算公式计算每个图块的稀疏编码估计值。
需要说明的是，将每两个相似图块的相似度和欧氏距离相结合，同时考虑了图块间的结构相似性和图块间的欧氏距离，改进了传统的图块加权系数的求解方法，使得图块的稀疏稀疏估计更加准确，避免了结构上相似的图块会由于欧氏距离过大而获得的加权系数小从而导致加权平均后的图块与原图块发生严重偏离，使得给定图块的原始稀疏系数的估计不准确，从而影响图像的去噪效果。
步骤104：根据对图块训练得到的预置字典与稀疏编码估计值通过迭代收缩算法计算每个图块的稀疏系数，并将稀疏系数代入预置重构图像函数重构得到第一去噪图像。
需要说明的是，将待去噪图像进行分割得到若干个相互重叠的图块之后，对图块进行训练可以得到与图块对应的预置字典，通过迭代收缩算法计算每个图块的稀疏系数具体公式为：
本发明实施例提供的一种基于非局部自相似性与稀疏表示的图像处理方法，通过引入结构相似度量ssim计算得到每个图块的相似图块集，并将ssim与图块的欧氏距离相结合应用到非局部中心化稀疏编码估计的加权系数的求解中，有效估计相似图块的加权系数值，进而计算获得更准确的稀疏编码值，同时利用迭代收缩算法对图块的预置字典与稀疏编码值进行运算得到每个图块的稀疏系数，将稀疏系数代入预置重构图像函数进行图像重构，得到去噪图像。解决了现有的图像稀疏去噪算法原始稀疏系数估计不准确影响去噪效果的技术问题。
以上是本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的一个实施例，以下是本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的另一个实施例。
请参阅图2，图2为本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法的另一个实施例的流程示意图，本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法，包括：
步骤201：获取待去噪图像，对待去噪图像进行分割，得到若干个相互重叠的图块。
需要说明的是，通常图像中的任何一个图块在该图像中的其他位置都会具有相似的图块，将图像分割成若干个相互重叠的图块，即保证了图块的相似性；可以形象点描述为：一个待去噪图像的大小为3×3，将这个图像分割成4个2×2的图块，那么这4个图块存在相互重叠。
步骤202：根据ssim公式计算每两个图块的相似度，得到每个图块的相似图块集，并计算相似图块集中每两个图块的欧氏距离。
需要说明的是，如图4所示，a)是局部区域的一块参考图块，b)和c)是搜索区域内搜索的相似图块。传统的相似性度量函数利用欧氏距离计算，会得到图块a)和图块b)更相似；然而人们可以在视觉上看出a)和c)具有结构相似性；将图块a)和图块c)进行协同滤波会在滤除图块噪声的同时更好地保持图块的结构特性；将图块a)和图块b)进行协同滤波会破坏去噪图块原先的结构特征，最后拼接成原图像时会平滑掉图像的纹理和边缘信息。为了把图块的结构相似性考虑进去，因此，引入结构相似度量ssim计算每两个图块的相似度。
步骤203：根据相似图块集中每两个图块的相似度和欧式距离通过预置加权系数计算公式计算相似图块集中每个图块的加权系数，并将加权系数代入预置稀疏编码计算公式计算每个图块的稀疏编码估计值。
需要说明的是，将每两个相似图块的相似度和欧氏距离相结合，同时考虑了图块间的结构相似性和图块间的欧氏距离，改进了传统的图块加权系数的求解方法，使得图块的稀疏稀疏估计更加准确，避免了结构上相似的图块会由于欧氏距离过大而获得的加权系数小从而导致加权平均后的图块与原图块发生严重偏离，使得给定图块的原始稀疏系数的估计不准确，从而影响图像的去噪效果。
步骤204：根据k均值算法对图块进行聚类，并对聚类进行训练，得到预置字典。
需要说明的是，k均值算法是一种聚类算法，输入是聚类个数k以及包含n个数据对象的数据库，输出是满足方差最优标准的k个聚类。对聚类中心根据主成分分析法(pca)进行训练，可以得到对应的预置字典。
步骤205：根据预置字典与稀疏编码估计值通过迭代收缩算法计算图块的稀疏系数，并将稀疏系数代入预置重构图像函数重构得到去噪图像。
需要说明的是，通过迭代收缩算法计算每个图块的稀疏系数具体公式为：
步骤206：计算第一去噪图像与待去噪的峰值信噪比，将第一去噪图像作为第一待去噪图像，并返回步骤201；当所述峰值信噪比的变化趋于稳定时，获取到与所述峰值信噪比对应的去噪图像的最优稀疏系数，并执行步骤207。
需要说明的是，经过步骤201至步骤205得到的第一去噪图像可能不是最优的，因此，在得到第一去噪图像与待去噪图像的峰值信噪比之后，将第一去噪图像作为待去噪图像，重复循环步骤201至步骤205，在迭代算法对系数系数进行不断的迭代之后，峰值信噪比会得到不断的优化，最后会趋于稳定，去峰值信噪比趋于稳定时的稀疏系数作为最优稀疏系数，再执行步骤207，可以得知的是，最优稀疏系数所对应的去噪图像去噪效果也是最优的。
步骤207：计算预置字典的过完备字典，根据过完备字典与所述最优稀疏系数通过重构函数x＝dαy重构得到去噪图像，其中，αy为最优稀疏系数，d为过完备字典。
需要说明的是，如果字典d中的原子恰能够张成n维的欧式空间，则字典d是完备的，如果m>n，字典d是冗余的，同时保证还能张成n维的欧式空间，则字典d是过完备的。过完备字典的获取是现有技术，在此不进行详细赘述。
进一步地，ssim公式为：
其中，
进一步地，预置加权系数计算公式为：
其中，xi＝dαi，xi,q＝dαi,q，d为预置字典的过完备字典，αi为相似图块集i的稀疏度，αi,q为相似图块集i中第q个图块的稀疏度，h为预定义的标量，w是归一化常数，n为每个图像块的相似块个数。
进一步地，预置稀疏编码计算公式为：
其中，ωi为相似图块集，ωi,q为相似图块集i中第q个图块加权系数，αi,q为相似图块集i中第q个图块的稀疏度。
进一步地，预置重构图像函数为：
其中，rk为图块提取算子，为rk的转置，
需要说明的是，表1是对13幅图像运用五种算法在不同种噪声方差下进行去躁而得出的峰值信噪比的值，其中proposed是根据本申请算法得出的，可以证明利用本申请的算法的去噪效果明显比其他几个算法的效果好。
表1
表1(续)
表1(续)
表1(续)
以上是对一种基于非局部自相似性与稀疏表示的图像处理方法的另一个实施例的说明，以下对一种基于非局部自相似性与稀疏表示的图像处理装置的一个实施例进行说明。
请参阅图3，图3是一种基于非局部自相似性与稀疏表示的图像处理装置的一个实施例，本发明提供的一种基于非局部自相似性与稀疏表示的图像处理装置，包括：
图块获取单元301，用于获取待去噪图像，对待去噪图像进行分割，得到若干个相互重叠的图块；
第一计算单元302，用于根据ssim公式计算每两个图块的相似度，得到每个图块的相似图块集，并计算相似图块集中每两个图块的欧氏距离；
第二计算单元303，用于根据相似图块集中每两个图块的相似度和欧式距离通过预置加权系数计算公式计算相似图块集中每个图块的加权系数，并将加权系数代入预置稀疏编码计算公式计算每个图块的稀疏编码估计值；
第一图像重构单元304，用于根据对图块训练得到的预置字典与稀疏编码估计值通过迭代收缩算法计算每个图块的稀疏系数，并将稀疏系数代入预置重构图像函数重构得到第一去噪图像。
进一步地，图像重构单元304具体包括：
训练子单元3041，用于根据k均值算法对图块进行聚类，并对聚类进行训练，得到预置字典；根据k均值算法对图块进行聚类，并对聚类进行训练，得到预置字典；
图像重构子单元3042，用于根据字典与稀疏编码估计值通过迭代收缩算法计算图块的稀疏系数。
进一步地，还包括：
第三计算单元305，用于计算第一去噪图像与待去噪的峰值信噪比，将所述第一去噪图像作为第一待去噪图像，并触发图像获取单元；当所述峰值信噪比的变化趋于稳定时，获取到与所述峰值信噪比对应的去噪图像的最优稀疏系数，并触发第二图像重构单元306；
第二图像重构单元306，用于计算预置字典的过完备字典，根据过完备字典与最优稀疏系数通过重构函数x＝dαy重构得到去噪图像，其中，αy为最优稀疏系数，d为过完备字典。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。