[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

说明书

本发明公开了基于形状自适应搜索窗口的非局部均值去噪方法，包括：步骤1：输入噪声图像V，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；步骤3：计算噪声图像V所对应的结构张量T_(s,σ)；步骤4：计算得到当前像素i的形状自适应搜索窗口AS_i；步骤5：划分图像块，计算相似性权重值w(i,j)；步骤6：计算得到当前像素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，输出去噪后的图像本发明方法使得到的估计值更接近真实值，对图像中边缘和纹理细节信息具有更好地保护能力，取得的去噪效果优于大小和形状固定搜索窗口的非局部均值去噪方法。

技术领域

本发明属于图像处理技术中的图像去噪领域，具体地，涉及基于形状自适应搜索窗口的非局部均值去噪方法。

背景技术

图像是人们记录和传递信息的重要载体，在采集和传输的过程中不可避免地会受到噪声的污染。与图像相关的诸多应用如分割、配准、边缘提取等，通常需要使用有效的去噪算法进行预处理以获得更可靠的效果。因此，图像去噪一直是图像处理的重要研究课题。Buades等人在经典邻域滤波算法基础上，利用图像自相似性，提出了非局部均值(NonlocalMeans，NLM)去噪算法，将其应用在图像与视频的去噪处理中，并从理论与实验上证明了其性能要优于双边滤波、各向异性扩散、全变差滤波以及基于小波的滤波方法。

非局部均值去噪算法自提出以来，就引起了学者们的广泛关注和进一步研究。研究内容主要集中在如何更好地利用图像自相似性和更加准确地度量图像块之间的相似性来提升算法的去噪性能上面。如Kleinschmidt等提出先对图像块进行不同角度的旋转(如90度，180度，270度等)，得到图像块在不同方向上的表现形式再来计算相似性系数，更好地利用了图像的自相似性，提升了算法的去噪效果。Tasdizen提出了基于主邻域字典的非局部均值去噪算法(Principal Neighborhood Dictionary based Nonlocal MeansAlgorithm，PND-NLM)，通过主成分分析将图像块投影到低维子空间再度量像素点之间的相似性，减弱了噪声对图像块相似性度量的影响，通过更加准确地度量图像块之间的相似性改善了算法的去噪效果。

非局部均值去噪算法的本质是利用图像的自相似性，对结构相似的像素进行加权平均来消除噪声的影响。在具体实现时，非局部均值去噪算法利用形状和大小固定搜索窗口内所有像素灰度值的加权平均来对当前像素的真实灰度值进行估计。在满足局部平滑性质的平坦区域，当前像素与周围像素具有灰度值及邻域结构上的一致性，此时对搜索窗口内所有像素进行加权平均可以得到很好的去噪效果。但是，对于图像中不满足局部平滑性质的边缘和纹理细节信息丰富的区域，当前像素与搜索窗口内的像素在灰度值和邻域结构上存在着较大的差异，虽然采用指数衰减函数的形式可以给这些像素点分配较小的相似性权重值，但这些相似性权重值都取正值，如果加权平均过程中这种不相关的像素点过多，得到的估计值与真实值之间将存在着较大的误差，必然降低非局部均值算法的去噪效果。

综上所述，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术用形状和大小固定方形搜索窗口内所有像素灰度值的加权平均来对当前像素的真实灰度值进行估计，对于图像中不满足局部平滑性质的边缘、纹理等细节信息丰富的区域，现有的非局部均值去噪算法存在着像素估计值与真实值存在较大误差的问题，在去噪的同时会模糊或丢失掉图像中的纹理细节信息。

发明内容

本发明提供了一种基于形状自适应搜索窗口的非局部均值去噪方法，解决了现有非局部均值去噪算法存在估计值与真实值之间有较大误差、去噪效果较差的技术问题，使得到的估计值更接近真实值，对图像中边缘和纹理细节信息具有更好地保护能力，取得的去噪效果优于大小和形状固定搜索窗口的非局部均值去噪方法。