[发明专利]基于形状自适应搜索窗口的非局部均值去噪方法

权利要求书

1.基于形状自适应搜索窗口的非局部均值去噪方法，其特征在于，所述方法包括如下步骤：

步骤1：输入噪声图像V，其噪声模型为V＝U+N，U表示未受噪声污染的图像，N表示均值为0、方差为σ²的高斯白噪声；

步骤2：计算噪声图像V在水平方向的梯度图像V_x和垂直方向的梯度图像V_y，当前像素i在水平方向的梯度值和垂直方向的梯度值分别为V_x(i)和V_y(i)；

步骤3：基于V_x与V_y，计算噪声图像V所对应的结构张量T_(s,σ)，s和σ为计算结构张量所需高斯平滑滤波器的滤波半径和标准差，当前像素i的结构张量为T_(s,σ)(i)；

步骤4：计算当前像素i的结构张量T_(s,σ)(i)对应的特征值和特征向量，得到当前像素i的形状自适应搜索窗口AS_i；

步骤5：划分图像块，按公式(1)计算当前像素i所在图像块与i的形状自适应搜索窗口AS_i内其余像素j所在图像块之间的相似性权重值w(i,j)，将当前像素i与自身的相似性权重值w(i,i)设为权重值集合中的最大值：w(i,i)＝max({w(i,j)|j∈AS_i,j≠i})；

其中，相似性权重值w(i,j)满足0≤w(i,j)≤1且||v(P_i)-v(P_j)||²表示像素i与像素j所在图像块的像素灰度值向量v(P_i)与v(P_j)的欧式距离，exp表示指数函数，是归一化系数，h是控制指数函数衰减程度的平滑参数，取值与噪声σ²成正比；

步骤6：按公式(2)计算当前像素i的形状自适应搜索窗口AS_i内各像素值V(j)及对应相似性权重值w(i,j)的加权平均，得到当前像素i去噪后的像素值

步骤7：逐行逐列扫描，依次对噪声图像V中的每一像素进行步骤4到步骤6的处理过程，直到处理完所有像素，输出去噪后的图像

2.根据权利要求1所述的基于形状自适应搜索窗口的非局部均值去噪方法，其特征在于，所述步骤3包括以下子步骤：

(3-1)根据结构张量定义，基于V_x与V_y按公式(3)计算噪声图像V对应的张量T：

当前像素i的张量为T(i)；

(3-2)采用大小为(2s+1)×(2s+1)、标准差为σ的高斯平滑滤波器G_(s,σ)对张量T进行平滑滤波，根据结构张量定义，按公式(4)计算噪声图像V对应张量T对应的结构张量T_(s,σ)：

其中，符号*表示卷积运算，当前像素i的结构张量为T_(s,σ)(i)。

3.根据权利要求1所述的基于形状自适应搜索窗口的非局部均值去噪方法，其特征在于，所述步骤4包括以下子步骤：

(4-1)对噪声图像V的当前像素i的结构张量T_(s,σ)(i)进行特征分解，得到特征值λ₁和λ₂及其对应的特征向量e₁和e₂，其中|λ₁|≥|λ₂|；

(4-2)基于λ₁、λ₂和初始方形搜索窗口S_i的半径s，按公式(5)计算表示结构张量T_(s,σ)(i)的椭圆的长轴a和短轴b的值：

将当前像素i所在位置作为圆心、a和b作为长轴和短轴、e₂和e₁作为长轴和短轴方向确定的灰度一致性椭圆区域，就是当前像素i的形状自适应搜索窗口AS_i。