[发明专利]一种基于像素聚类的RVIN检测和去除的方法

权利要求书

1.一种基于像素聚类的RVIN检测和去除的方法，其特征在于，包括如下步骤：

基于像素点的灰度距离相似性进行聚类分割，将受损图像中的所有像素分成K类；

计算像素的LCI值并基于LCI值确定所述像素所处区域，所述区域包括平坦区域和细节区域，再通过迭代求解获取每类像素的最优检测阈值，根据像素的LCI值和最优检测阈值判断所述像素是否为噪声像素；

针对平坦区域和细节区域的噪声像素分别采用LCI加权均值滤波器和边缘方向滤波器来恢复被随机值脉冲噪声损坏的像素。

2.根据权利要求1所述的一种基于像素聚类的RVIN检测和去除的方法，其特征在于，所述聚类分割前还包括如下步骤：

对图像进行平滑处理，所述平滑处理包括中值滤波和高斯滤波。

3.根据权利要求1所述的一种基于像素聚类的RVIN检测和去除的方法，其特征在于，所述基于像素点的灰度距离相似性进行聚类分割，所述聚类方法采用K-means聚类法，具体包括如下步骤：

寻找K个聚类中心μ_k(k＝1,...,K)，将受损图像中的所有像素分配到距离最近的聚类中心，使得每个像素点与其相应的聚类中心的一维距离的平方和最小，其中一维距离指二者的灰度差值，引入二值变量r_nk∈{0,1}来表示受损图像中某一个像素点x_n对于聚类k的归属(其中n＝1,...,N，k＝1,…,K)，如果像素点x_n属于第k聚类,则r_nk＝1，否则为0，可定义如下损失函数：

从上式可知，需要随机固定聚类中心μ_k初始值来求取使损失函数J最小的像素点的归属值r_nk，给定像素点x_n和聚类中心μ_k的灰度值，损失函数J是r_nk的线性函数，由于x_n与x_n+1之间是相互独立，对于每一个像素点x_n，只需将该点分配到距离最近的聚类中心，即

利用公式(2)中求得的r_nk带入公式(1)中求聚类中心μ_k，给定r_nk的值，损失函数J是μ_k的二次函数，令J对μ_k的导数为0，可得

通过上式可推出μ_k的取值为μ_k为属于该类里的像素点的灰度均值。

4.根据权利要求3所述的一种基于像素聚类的RVIN检测和去除的方法，其特征在于，所述聚类方法采用均值漂移聚类法、基于密度的聚类法或高斯混合模型的最大期望聚类。

5.根据权利要求1所述的一种基于像素聚类的RVIN检测和去除的方法，其特征在于，所述计算像素的LCI值是通过所述像素的邻域内同一类像素计算获得。

6.根据权利要求1所述的一种基于像素聚类的RVIN检测和去除的方法，其特征在于，所述通过迭代求解获取每类像素的最优检测阈值，包括如下步骤：

将检测阈值从0历遍到1，计算图像去噪模型的目标函数，当目标函数最小时当前的检测阈值为最优检测阈值，所述目标函数如下所示：

其中，y为图像的任一像素，i,j为y的坐标，V(y)被称之为TV范数，作为保持图像边缘信息为目标的正则化方法。

7.根据权利要求1所述的一种基于像素聚类的RVIN检测和去除的方法，其特征在于，所述LCI加权均值滤波器如下所示：

其中，I'_x表示滤波后的噪声像素x的灰度值，Y表示在噪声检测阶段被判断为非噪声的Ω_x⁰中的像素，I_y和LCI_y分别表示Y的灰度值和LCI值。