[发明专利]基于独立成分分析的自然场景图像去噪方法

说明书

技术领域

本发明涉及一种图像去噪领域中的方法，尤其是涉及一种基于独立成分分析的自然场景图像去噪方法。

背景技术

在图像获取或图像传输过程中都不可避免的会有噪声干扰。传统去噪方法可分为两类，一类是直接在时域对图像数据进行一系列操作，达到去噪的目的，如中值滤波、形态学滤波等方法。另一类是变换域去噪法，将时域图像信号变换到一个变换域，并在此变换域中进行一系列的去噪操作，最后反变换回到时域得到去噪图像，如傅立叶变换、小波变换等方法。变换域方法的优点是可将图像分解到各个不同的基空间中，利用噪声在各个基空间中不同的表现性质可以很方便的将其去除。然而傅立叶变换与小波变换中所采用的基底空间均是一组固定的基函数，无法根据图像本身特有的性质进行自适应构建，因此其去噪效果在某些情况下并非十分理想。

独立成分分析是一种多元统计处理中的新方法，可自适应的根据图像的性质得到一组基函数，并将图像转换到独立成分域中进行去噪处理。经过对现有技术的文献检索发现，已有相关图像去噪技术，如：中国专利申请号为200710046928，名称为“基于独立成分分析基图像的合成孔径雷达图像消噪方法”。该方法首先需要获得原图像的基向量集合和独立成分集合，而且去噪之前还需将基向量转换为基图像，并以多重分形的赫尔德指数为成本函数对基图像进行平滑增强，因而该方法的去噪处理过程较为繁琐，而且运算量相当大。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种处理过程简单、运算量小的基于独立成分分析的自然场景图像去噪方法。

本发明的目的可以通过以下技术方案来实现：

一种基于独立成分分析的自然场景图像去噪方法，该方法包括以下步骤：

1)对输入的含噪图像进行滑窗采样，得到含噪图像的一组多通道数据；

2)对多通道数据执行独立成分分析算法，得到含噪图像的独立分量及对应的基底函数；

3)在独立分量域中，对步骤2)中的每一个独立分量进行阈值化操作，获得经过阈值化操作后的独立分量；

4)使用步骤2)中的基底函数对步骤3)中经过阈值化操作后的独立分量进行重构操作，获得时域中的去噪图像。

所述的滑窗采样具体为：使用大小为k×k的窗从上到下、从左到右地对含噪图像进行采样。

所述的多通道数据的通道数和独立分量的个数均为k×k。

所述的步骤3)中阈值化操作的具体步骤为：

31)计算一个独立分量的标准差σ，根据公式适应地得到阈值T，其中N为这一独立分量的样本点数，log为自然对数；

32)将这一独立分量中绝对值小于所得阂值T的全部置为零，其余保持不变；

33)重复步骤31)和步骤32)，依次对每一个独立分量完成阈值化处理。

所述的步骤4)中去噪图像获得的具体步骤为：

41)用基底函数将经过阈值化操作后的独立分量重构为去噪后的信号；

42)将去噪后的信号按照原始的含噪图像大小重新进行排列，获得最终的去噪图像。

与现有技术相比，本发明只需对原始含噪图像进行滑窗采样得到数据矩阵，并对该矩阵进行独立成分分析操作得到独立分量，进而可直接对独立分量进行阈值化操作来实现去噪，本发明具有以下优点：

1)无需人为选定基函数，而是通过独立成分分析方法自适应的根据图像内容来构建基底函数；

2)去噪过程是在独立分量域中进行的，充分利用了噪声信号在独立分量域中的稀疏特性，大大改善了去噪效果；

3)去噪操作仅需要一个阈值化处理即可完成，无需复杂的数学运算，因而运算量较小。

附图说明

图1为本发明方法的流程示意图；

图2为本发明使用滑窗采样得到多通道信号的示意图；

图3为无噪声图像；

图4为被噪声污染后的含噪图像；

图5为使用本发明处理后得到的去噪图像。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本发明实施例采用Matlab语言实现，在具有Intel CPU 2.66GHz，内存1GMB的Pentium IV个人电脑上对大小为256×256的含噪图像进行去噪测试。具体实施过程如下。

如图1所示，一种基于独立成分分析的自然场景图像去噪方法，该方法包括以下几个部分：