[发明专利]一种基于像素聚类的RVIN检测和去除的方法

说明书

本发明公开一种基于像素聚类的RVIN检测和去除的方法，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。本发明提出的噪声检测器和滤波器具有很高的鲁棒性和泛化性，在自然图像和医学图像的RVIN去除中均取得了显著的效果，特别是在高噪声水平上效果更优。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于像素聚类的RVIN检测和去除的方法。

背景技术

数字图像在产生和传播的过程中容易受到噪声的干扰，影响后续对图像的处理，图像去噪一直是急需解决的底层视觉任务之一。图像去噪模型可以表示为Y＝X+B，其中Y和X分别表示受损图像和清晰图像，B表示自适应噪声。在自然图像和医学图像中存在的噪声主要是高斯噪声和随机脉冲噪声(random-valued impulse noise，RVIN)。关于高斯噪声去除的算法已经有很多，且表现良好。当图像受到随机脉冲噪声污染时，图像中只有部分像素遭到破坏，且该部分像素的新的灰度值随机处于0～255之间。相比高斯噪声、椒盐噪声和其他类型的噪声，这种随机特性给噪声去除带来更多的麻烦。

几种用于高斯噪声去除的滤波器如高斯滤波、均值滤波和双边滤波器被尝试用于去除RVIN。这些线性和非线性的保边滤波方法是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的，但是对随机脉冲噪声的效果并不显著，而且容易使修复的图像变得模糊。中值滤波器及其变体CWM把局部区域的像素按灰度等级进行排序，取该领域中灰度的中值或加权中值作为当前像素的灰度值。相比之下，它们对于去除脉冲噪声具有较好的效果，同时在一定程度上克服线性滤波器处理图像细节模糊的问题。因此，提出了一种新的自适应加权中值滤波器(ACWM)，其采用基于最小均方(LMS)算法的学习方法获得每个块内的中心权重，然后通过多次迭代逐步应用噪声滤波程序，以获得最优的滤波效果。但是对于对点、线、尖顶等细节纹理较多的图像，这些中值滤波器及其改进算法容易将细节和纹理中的正常像素当作噪声像素来去除，无法从根本上解决图像模糊和细节信息丢失的问题。

基于噪声检测和滤波的两阶段RVIN去噪算法通过先检测出受损图像中的噪声像素，再对其进行去除，这可以有效解决修复图像模糊和细节丢失的问题。显而易见的，这种两阶段方法的去噪效果与噪声检测的准确率紧密相关。为了准确筛选出受损图像中的随机脉冲噪声，因此，提出了一种基于局部统计秩序绝对差(ROAD)的噪声检测方法，其通过统计局部窗口中的中心像素与其邻域像素的灰度差来判断该像素是否为噪声。受ROAD方法的启发，DONG提出了通过使用对数函数将中心像素的ROAD值转化为ROLD的形式来放大中心像素与其邻域里的像素的差异，从而提高脉冲噪声检测的准确率。Yu结合ROAD和ROLD提出了基于rank ordered relative differences(RORD)的噪声检测方法。但这些方法没有考虑窗口范围内像素的统计信息如方差，和噪声的先验知识如噪声水平。