[发明专利]一种结合自适应非局部样本和低秩的图像去噪方法

说明书

本发明公开一种结合自适应非局部样本和低秩的图像去噪方法，首先用对数变换将图像转换到对数域，将乘性噪声模型转换成加性噪声模型；将图像分块并且按照相似度分组，得到具有相似块的图像组；然后对图像组做低秩逼近处理，得到初始的估计值；再对初始的估计值用自适应非局部样本模型处理，得到对数域恢复结果；最后用指数变换将对数域图像还原到实数域并且进行修正，得到最终去噪图像。实验结果表明，本发明对乘性噪声有较好的鲁棒性，针对含有乘性噪声的图像不仅能得到很好的峰值信噪比和结构相似度，还较好地改善图像的视觉质量。

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种结合自适应非局部样本和低秩的图像去噪方法。

背景技术

图像去噪技术的发展历史最早从50年代开始,由于图像采集和传递中的技术缺陷和存在外界干扰，所以需要寻求新的技术来弥补这些弊端，提高图像的质量。随着科学技术的飞速发展，图像处理技术在人民生活、天文学、生物医学、VR技术、人工智能、公安司法、文化艺术等应用领域受到广泛重视并取得了开拓性成就，这些技术的预处理阶段的好坏都会直接关系到图像的后续处理。近十几年来，许多研究者都在寻求各种各样的思路对图像进行处理，探究如何利用图像自身的结构特点和数据规律对目标图像进行分析。

基于图像自身信息的图像恢复算法包括非局部均值算法“Buades A,Coll B,Morel J M.A non-local algorithm for image denoising.Computer Vision andPattern Recognition,2005:60-65”、块匹配3D滤波算法“Dabov K,Foi A,Katkovnik V,etal.Image denoising by sparse 3-D transform domain collaborative filtering[J].IEEE Transactions on Image Processing,2007,16(8):2080-2095”和低秩逼近方法“Cai J F,Candès E J,Shen Z.A Singular Value Thresholding algorithm for matrixcompletion.Siam Journal on Optimization,2010,20(4):1956-1982.”等。上述方法虽然在图像去噪上取得较好的效果，但是在保持边缘及轮廓等方面存在一定的不足。

由于自然图像中具有一定的冗余信息和相似性结构，因此，图像包含相似的块矩阵，而理论上是低秩的，但是在噪声的干扰下，却破坏了图像的低秩性。

发明内容

本发明所要解决的是现有图像去噪方法在保持边缘及轮廓等方面存在的不足，提供一种结合自适应非局部样本和低秩的图像去噪方法，其能提高去噪图像的质量，达到理想的实用效果。

为解决上述问题，本发明是通过以下技术方案实现的：

一种结合自适应非局部样本和低秩的图像去噪方法，包括步骤如下：

步骤1，读取实数域中的含噪图像y；

步骤2，将实数域中的含噪图像转化到对数域中，得到对数域中的含噪图像Y；

步骤3，将对数域中的含噪图像Y进行分块，并对每个图像块进行非局部相似匹配，将与之最相似的m个相似图像块放到一组，得到每个图像块所对应的图像组Y_I；

步骤4，初始化迭代次数t，X⁽⁰⁾，Y⁽⁰⁾，令t＝0和X⁽⁰⁾＝Y⁽⁰⁾＝Y；其中为待恢复图像X⁽⁰⁾的第I个图像组，为含噪图像Y⁽⁰⁾的第I个图像组，Y为输入的含噪图像；

步骤5，对每个含噪图像组求均值并且训练它的PCA变换矩阵