[发明专利]一种基于真实彩色图像自相似性的低秩去噪方法及设备

说明书

本发明涉及一种基于真实彩色图像自相似性的低秩去噪方法及设备，首先对图像进行分块，然后对图像块进行聚类，将聚类后的相似块组进行平均马氏距离的计算；根据平均马氏距离将图像分为平滑区域、简单纹理区域和复杂纹理区域；最后分别让平滑区域、简单纹理区域和复杂纹理区域的块进行不同次数的去噪迭代，得到去噪后的图像。本发明能够使图像去噪的整体效果得到提升。

技术领域

本发明涉及图像处理技术领域，特别是一种基于真实彩色图像自相似性的低秩去噪方法及设备。

背景技术

非局部平均去噪算法利用了图像普遍存在冗余信息这一特性，在全局寻找相似块并取平均来去噪声，这一方法可以有效地去除高斯噪声并且这一方法开启了通过寻找相似块去噪的新纪元。ShuhangGu,LeiZhang等人后来提出了WNNM方法，通过把图像分为小图像块，然后在图像块的邻域中寻找相似块组成相似块组，利用纯净图像相似块组的低秩性，对相似块组进行奇异值分解，然后去除奇异值矩阵中的小奇异值从而达到去噪的效果。但是在自然图像中，相似块的相似程度不一，所以去噪的效果往往是平滑区域的噪声没有完全去除，纹理区域已经开始丢失信息了，这一直是低秩去噪存在的难题。

发明内容

有鉴于此，本发明的目的是提出一种基于真实彩色图像自相似性的低秩去噪方法及设备，能够使图像去噪的整体效果得到提升。

本发明采用以下方案实现：一种基于真实彩色图像自相似性的低秩去噪方法，利用图像整体的自相似性，将相似块组根据不同的相似程度赋予不同的去噪迭代次数。

进一步地，具体包括以下步骤：

对图像进行分块，然后对图像块进行聚类，将聚类后的相似块组进行平均马氏距离SIM的计算；

根据平均马氏距离SIM将图像分为平滑区域、简单纹理区域和复杂纹理区域；

分别让平滑区域、简单纹理区域和复杂纹理区域的块进行不同次数的去噪迭代，得到去噪后的图像。

进一步地，所述对图像进行分块具体为：对图像Y进行步长为1的重叠分块后得到Rx＝[R₁x,R₂x,...,R_nx]，其中Y为N×M的噪声图像，图像块的大小为win×win，图像块的数量为n＝(N-win)×(M-win)。

进一步地，所述对图像块进行聚类具体为：对图像块进行GMM混合高斯模型聚类。

进一步地，聚类的过程具体为：

设图像块的结构生成K个低秩子空间，并把每个低秩子空间用一个高斯分布表示，这样图像块的结构由K个高斯分布组成的混合高斯分布表示：

式中，令Θ＝(w₁,...,w_K,θ₁,...,θ_K)代表混合高斯模型参数的集合，w_i代表第i个高斯分布的权重，其中θ_i代表第i个高斯分布的参数集合，其中包括第i个高斯分布的均值μ_i和协方差∑_i；其中的意义是x_i到中心的马氏距离，把高斯分布的均值看作中心，c是一个归一化常数；

计算每个块对应每个高斯分布的对数概率密度函数logp，然后把每个图像块归到计算结果最大的高斯分布；对于相似块数量多的区域，进行二次分类，本发明采用Kmeans分类法得到K个分好类的相似块组。

进一步地，本发明将一张自然图像分为平滑区域、简单纹理区域和复杂纹理区域，自然图像普遍存在的规律是平滑区域面积最大、简单纹理区域次之、复杂纹理区域面积最小。所述本发明将聚类后的相似块组进行平均马氏距离SIM的计算具体为：将聚类后的相似块组重新计算一个均值和方差，然后计算相似块组的平均马氏距离：