[发明专利]一种自适应非局部总变分的图像去噪方法

说明书

本发明公开了一种自适应非局部总变分的图像去噪方法，包括:(1)构建NA‑NLTV模型：其中，Ω表示恢复图像u或含噪图像u₀的整个图像区域，|▽_NLu|是正则项，保真项，λ₁(x)为根据含噪图像u₀计算得到的自适应平衡函数，具体为：其中，θ₁为函数λ₁(x)的值域范围参数，λ₁(x)∈(0,θ₁)；Ω₁是以含噪图像u₀中的点x∈Ω为中心的大小为s₁×s₁的区域，ω₁(x,y)为含噪图像u₀中二个像素点x、y间的非局部像素相似性权重；(2)利用构建的NA‑NLTV模型对输入的含噪图像u₀进行去噪，即求解NA‑NLTV模型，输出恢复图像u₁。该图像去噪方法去噪效果佳，能够获得优质量的图像。

技术领域

本发明属于图像去噪领域，具体涉及一种自适应非局部总变分的图像去噪方法。

背景技术

图像去噪旨在通过对被噪声污染的图像进行某种处理，以降低噪声对原始有用信息的影响，尽可能的还原出被污染前的原始图像。

GUY GILBOA和STANLEY OSHER提出的非局部TV模型(Nonlocal Total Variation,NLTV)是将GUY GILBOA和STANLEY OSHER提出的非局部梯度算子、非局部散度算子、非局部拉普拉斯算子(见文献：NONLOCAL OPERATORS WITH APPLICATIONS TO IMAGEPROCESSING.SIAM Multiscale Modeling and Simulation.Vol.7,No.3,pp.1005–1028)引入到Rudin-Osher-Fatemi提出的总变分(Total Variation，TV)模型中得到的，NLTV模型具有在去除图像噪声的同时能较好地保留图像的纹理细节的特点。NLTV模型由正则项和保真项构成，两者之间的平衡比例为1：λ/2。当λ取值较大时，NLTV模型偏重保真项，对含噪图像的平滑程度小，但边缘纹理得到较好保持；当λ取值较小时，NLTV模型偏重正则项，对含噪图像的平滑程度大，去噪后的图像残余噪声量小，但边缘纹理丢失较多。所以，如果能够根据图像的区域平坦程度自适应地取不同大小的λ值，那么，便可以得到更好的图像去噪结果，

在图像的平坦区，纹理少，所应以充分去噪为主，保纹理为次，所以λ取较小值为佳；在图像的边缘纹理区域(或非平坦区域)，纹理细节丰富，应以保纹理细节为主，所以λ取较大值为佳。

在附图2中，A、B、C表示了三种典型的图像区域情况。区域A中的像素之间相似性较大，梯度较小，区域整体较为平坦；区域B中左下方、右上方的像素之间相似性较大，梯度较小，对角线相似性较小，梯度较大，区域分段平坦，并含有边缘；区域C中像素之间相似性较小，梯度较大，为纹理区域。B和C均属于非平坦区域。在平坦区域A应以充分去噪为主，即λ取较小值为佳；在边缘纹理较多区域B、C，应进行程度较小的平滑，以边缘纹理保持为主，即λ取较大值为佳。若λ在NLTV模型中为常数，则无法根据含噪图像的不同区域的平坦度进行保真项和正则项之间不同程度的平衡，也即不能根据含噪图像的不同区域的平坦度进行不同程度的平滑。

发明内容

针对NLTV模型存在不能自适应地对图像的不同区域进行不同程度的平滑问题，本发明提供了一种自适应非局部总变分的图像去噪方法。该图像去噪方法去噪效果佳，能够获得优质量的图像。

本发明提供的技术方案为：

一种自适应非局部总变分的图像去噪方法，包括以下步骤:

(1)构建NA-NLTV模型：