[发明专利]一种基于机器学习的区域感知图像去噪方法

说明书

本发明涉及一种基于机器学习的区域感知图像去噪方法，包括以下步骤：1、对噪声图像采用加噪标准差σ和k种缩小率缩小后的标准差r_j×σ分别作为去噪参数，获得不同去噪结果集；2、将采用σ分别与采用r_j×σ的去噪结果相结合，获得最优缩小率和图像块对于采用σ和这两种去噪参数的偏好；3、对噪声图像和采用两种去噪参数的去噪结果进行特征提取；4、将获得的偏好特征集作为机器学习算法的特征集，学习获得图像块的去噪参数偏好模型；5、采用去噪参数偏好模型对测试集中噪声图像进行预测，获得每个图像块预测的偏好概率值；6、通过阈值处理并结合两种去噪参数的去噪结果，获得最终的去噪结果。该方法能够有效提高图像去噪方法的性能。

技术领域

本发明涉及图像和视频处理以及计算机视觉领域，特别是一种基于机器学习的区域感知图像去噪方法。

背景技术

人类依赖感官来接收外界传递的信息。步入数字图像时代，图像信息是人类接触最多的信息种类之一。图像在获取、传输、存储的过程中可能受到各种噪声信号的干扰，例如低亮度导致的传感器噪声、相机传感器中失效的像素等。图像去噪是数字图像处理中的一个重要课题。噪声图像在实际应用中普遍存在。噪声不仅对人眼视觉造成干扰，而且严重影响图像分析、图像理解和图像处理算法的性能，如：图像分割、图像显著性检测、图像识别、图像检索等。

研究者们基于空间位置关系、图像冗余特性、变换域等提出了众多的去噪算法。早期一些简单的去噪方法利用局部空间位置信息，如高斯去噪利用领域像素采取加权平均方式得到去噪结果；双边滤波利用领域几何空间距离和像素差值得到权重函数。

Dabov等人提出一种基于块匹配的三维联合滤波去噪算法(BM3D)。该算法分为两个阶段，第一个阶段通过块匹配得到三维数组，然后利用联合协同滤波处理三维数组，逆变换后得到初始的去噪结果。第二个阶段利用初始的去噪结果，得到更为精准的块匹配结果，利用联合维纳滤波得到最终的去噪结果。BM3D算法是目前公认的最好的去噪算法之一。Kong等人提出一种自动去噪方法，其通过提出无参考的图像质量评估方法，然后使用BM3D算法对噪声图像实现迭代式的计算，以质量评估最佳的去噪结果作为最终的去噪结果。这种算法尽管能实现盲去噪，但其采取的策略是迭代式运行去噪算法的多种去噪参数，再取最好的去噪结果，在时间性能上有较大的影响。Zoran等人利用自然图像块的先验信息，最大化图像块似然概率。Gu等人提出利用加权的核范数最小化提出去噪模型。Xu等人利用高斯混合模型学习算法从自然图像中学习非局部自相似性先验，提出基于块组的先验去噪算法。

图像去噪的目的是将噪声从噪声图像中分离，使恢复的图像尽可能的接近原始图像。目前先进的图像去噪算法大多数不是盲去噪，需要提供噪声图像的噪声幅度估计值(在实验时，一般使用噪声图像的加噪标准差)作为算法的参数。图像信息复杂多样化，一幅图像中的不同区域的图像信息差异大，有些区域包含复杂的纹理，另一些区域则是平滑的区域。目前已有的图像去噪算法都是使用相同参数对整幅图像进行去噪，但使用相同参数无法适用于图像中的全部区域。

发明内容

本发明的目的在于提供一种基于机器学习的区域感知图像去噪方法，该方法能够有效提高图像去噪方法的性能。

为实现上述目的，本发明采用的技术方案是：一种基于机器学习的区域感知图像去噪方法，包括以下步骤：

步骤S1：对训练集中不同噪声幅度下的噪声图像采用加噪标准差σ和k种缩小率缩小后的标准差r_j×σ分别作为去噪参数，j＝1,2,...,k，获得不同去噪参数的去噪结果集；

步骤S2：将各噪声图像分别划分为互不重叠、n×n大小的图像块，并将每个噪声幅度下采用加噪标准差σ为去噪参数的去噪结果分别与采用缩小率缩小后的标准差r_j×σ为去噪参数的去噪结果相结合，获得每个噪声幅度的最优缩小率和图像块对于采用加噪标准差σ和最优缩小率缩小后的标准差这两种去噪参数的偏好；