[发明专利]一种数字图像非局部平均去噪的快速实现方法

说明书

技术领域

本发明属于数字图像噪声抑制领域，涉及一种数字图像非局部平均去噪的快速实现方法。

背景技术

数字图像处理也被称为计算机图像处理，它是一个将图像信号转化为数字信号借助于计算机对其进行处理的过程。随着科学技术的进步，人类对大自然的不断深入的探索，数字图像处理的应用邻域越来越广。从最初的通信、航空航天、军事、生物医学，到造福于人民的工业生产，公安刑侦以及机器人视觉，视频和多媒体系统等。

图像去噪问题一直是图像预处理的热点问题。寻求一种既能有效地减小噪声，又能很好地保留图像边缘信息的方法，是人们一直追求的目标。去噪算法的基本思想是平均，关键点在于如何使图像得到平滑的同时，细节或是高频部分予以保留。A.BuadeS等人提出了非局部平均去噪算法，转换了人们对去噪问题的视角。

图像去噪指的是利用各种滤波模型，通过各种滤波方法从已知的含有噪声的图像中去掉噪声部分并保留图像细节部分。在对含噪声图像和模糊图像恢复时，除了消除噪声外，一个更为重要的目标是在去除噪声的同时保护图像的重要细节(包括几何形状细节如纹理、线条、边缘和对比度变化细节)。但是噪声的去除和细节的保留是一对矛盾关系，这是因为噪声和细节都属于图像信号中的高频部分，很难将它们区分出来，所以在滤除图像噪声的同时，也会对图像的特征造成破坏，并使图像变得模糊。所以如何兼顾降低噪声和保留细节是图像处理领域中十分重要的研究课题。长期以来，人们根据图像的特点，噪声的统计特征和频谱分布的规律，提出了很多的图像去噪算法。主要是在时间域和变换域中对含噪声图像的去噪处理。

发明内容

本发明的目的是提供一种数字图像非局部平均去噪的快速实现方法，用以改善非局部平均滤波算法耗费时间较长的问题。

本发明所采用的技术方案是，数字图像非局部平均去噪的快速实现方法，具体按照以下步骤实施：

步骤1，搜索窗与相似窗的选取：

搜索窗是以当前像素(i像素)为中心像素形成的；

相似窗有两类：以当前像素为中心像素的相似窗，及以搜索窗内其他像素为中心像素的相似窗；

根据相似窗尺寸半径R和搜索窗的半径M，确定各窗口的尺寸；

步骤2，图像边界扩展：

根据所选取搜索窗与相似窗的尺寸半径，对含噪图像的边界进行扩展；

步骤3，大矩阵A和B的形成：

在内存中开辟矩阵空间，A矩阵中存放的是相似窗在搜索窗内进行搜索的结果，并将以当前像素为中心像素的相似窗按照A矩阵的大小进行扩展，形成矩阵B；

步骤4，大矩阵的权值估计：

矩阵A与矩阵B按照欧式距离计算来确定相似窗的相似性，进而确定当前像素所分配的权重，得到大矩阵的权值；

步骤5，大矩阵的加权平均：

对计算出的权值进行加权平均，来获得当前像素的最终估计结果，即完成单个像素的去噪；

步骤6，重复步骤1-5即可得到整幅含噪图像的去噪结果。

本发明的特点还在于，

步骤1中相似窗尺寸为2×R+1；搜索窗尺寸为2×M+1。

步骤2中边界扩展的大小为R+M，每个边界按该扩展大小进行对称处理。

步骤3大矩阵具体形成过程为：

3.1在内存中开辟一个[(2×R+1)×(2×M+1)]×[(2×R+1)×(2×M+1)]大小的矩阵空间，用于存放(2×R+1)×(2×R+1)相似窗在(2×M+1)×(2×M+1)的搜索窗口内进行搜索的结果，该新矩阵成为矩阵A；

3.2将以当前像素为中心像素的(2×R+1)×(2×R+1)相似窗按[(2×R+1)×(2×M+1)]×[(2×R+1)×(2×M+1)]大小空间进行扩展，构成[(2×R+1)×(2×M+1)]×[(2×R+1)×(2×M+1)]大小的新矩阵B。

步骤4具体为：

采用欧式距离度量当前像素与邻域像素对应的相似窗中像素的灰度值的相似度，表达式为：

其中L表示像素间的欧式距离，v(N_i)和v(N_j)分别表示当前像素与邻域像素对应的相似窗中像素的灰度值，a表示高斯核的标准差，矩阵A与矩阵B同样按照相似窗计算欧氏距离的方式进行欧式距离计算；

进而确定当前像素所分配权重，计算权值函数为：

式中，h表示权值的衰减因子，用于控制函数的衰减程度。Z(i)为归一化因子，

步骤5中最终估计结果NL(v)(i)为：