[发明专利]基于Treelet变换和高斯尺度混合模型的图像去噪方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及一种自然图像的Treelet变换和高斯尺度混合模型的去噪方法。该方法可用于开展森林资源调查、灾害评估、城市规划、医学影像、天文学影像等领域的数字图像预处理。

背景技术

由于受各种条件的限制，图像在获取、编码、传输过程中会受到的噪声影响，这给图像分割，目标识别等其他一些后续处理工作带来了不利，因此从噪声图像中尽量恢复不含噪声的图像很有必要。图像去噪解决了图像受到噪声干扰图像质量下降的问题，抑制了噪声影响，提高了图像质量，是图像处理和计算机视觉中非常重要的基本问题。

在过去的几十年里，人们提出了许多图像去噪方法，其中频域滤波是一种非常重要的去噪方法。频域滤波就是对原始图像进行多尺度变换，再用阈值，或者对系数分布进行建模的方法对变换后的系数进行处理。常见的频域滤波方法有小波域的阈值收缩方法，小波域的高斯尺度混合方法，还有一些基于后小波的图像去噪方法等。

Javier Portilla等人在“Image Denoising using Scale Mixtures of Gaussians in the Wavelet Domain.IEEE Transactions on Image Processing，vol.12，no.11，Nov.2003，1338-1351.”中提出了一种小波域的高斯尺度混合模型的去噪方法。该方法首先对图像进行多分辨率的金字塔分解，再将相邻尺度内对应的系数和当前尺度内的系数的分布用高斯尺度混合模型(Gaussian Scale Mixture，GSM)来拟合，GSM由一个高斯向量和一个隐的正尺度缩放因子这两个独立随机变量的乘积组成，用Bayes最小二乘估计去噪后小波系数，最后进行反变换就得到最终的去噪结果。该方法的不足是，对图像进行金字塔分解需要足够多的方向和尺度，导致了计算复杂度的增加。而且，该方法对变化域系数进行处理，去噪的效结果中存在很多划痕，伪吉布斯效应十分明显，导致去噪效果不理想。

西安电子科技大学在其申请的专利“基于Treelet变换和非局部均值的图像去噪方法”(专利申请号201110001952.1，公开号CN102063708A)中公开了一种利用相似图像块灰度值Treelet变换的系数来计算计算图像块之间的相似度的非局部均值去噪方法。该方法在高噪声情况下能提高去噪效果，但是该方法存在的不足是，对图像中细节信息保持不好，去噪后图像过平滑，导致处理后的图像结构信息(边缘、纹理、点)会被模糊或滤除。

发明内容

本发明的目的在于克服现有技术中的不足，提出一种基于Treelet变换和高斯尺度混合模型的图像去噪方法。将图像中结构和纹理相似的图像块归为一类，再对每一类的图像块的灰度特征向量组成的矩阵进行Treelet变换。再用高斯尺度混合模型来拟合每一类图像块Treelet变换后的系数分布情况，用Bayes方法估计无噪声系数。

为实现上述目的，本发明的去噪方法主要包括以下步骤：

(1)输入一幅待去噪图像；

(2)对图像块进行分类

2a)在待去噪图像中，以任一像素点为中心，以固定长度为边长，确定一个正方形的图像块，用相同方法，对图像中所有像素都做同样操作；

2b)用k-means方法对步骤2a)中取得的所有图像块进行分类；

(3)将同一类的所有图像块的像素灰度向量组成矩阵Y；

(4)获得基矩阵B

4a)按照下式，计算灰度特征向量组成的矩阵Y的协方差矩阵和相关系数矩阵

Σ^ij=E[(yi-Eyi)(yj-Eyj)T]]]>