基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法技術(shù)

一種基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法。步驟如下：(1)首先輸入噪聲圖像。(2)設(shè)置算法的相關(guān)參數(shù)，包括非局部搜索窗口大小N

Image denoising method of non local TV model based on singular value weighting function

An image denoising method based on singular value weighting function for non local TV model. The steps are as follows: (1) input noise image first. (2) setting the parameters of the algorithm, including the size of the nonlocal search window N

【技術(shù)實現(xiàn)步驟摘要】
基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法一、
本專利技術(shù)屬于圖像處理
，具體涉及去除加性噪聲的圖像去噪領(lǐng)域和改進(jìn)的非局部TV模型的圖像去噪方法。二、
技術(shù)介紹
圖像去噪旨在通過對被噪聲污染的圖像進(jìn)行某種處理，以降低噪聲對原始有用信息的影響，盡可能地還原出被噪聲污染前的圖像。GUYGILBOA和STANLEYOSHER提出的非局部TV模型(NonlocalTotalVariation,NLTV)是將GUYGILBOA和STANLEYOSHER提出的非局部算子(見文獻(xiàn)：NONLOCALOPERATORSWITHAPPLICATIONSTOIMAGEPROCESSING.SIAMMultiscaleModelingandSimulation.Vol.7,No.3,pp.1005–1028)引入到Rudin-Osher-Fatemi提出的總變分(TotalVariation，TV)模型中而得到的，NLTV模型具有在去除圖像噪聲的同時能較好地保留圖像的紋理細(xì)節(jié)的特點，該模型包含保真項和正則項。保真項表示觀測圖像(即待去噪的圖像)與去噪后圖像的接近程度；正則項表達(dá)去噪后圖像光滑程度的先驗知識。在正則項中，像素相似度權(quán)重函數(shù)具有很重要的作用，其表達(dá)式與含噪圖像的圖像塊中各像素灰度值直接相關(guān)，但是由于噪聲的存在，噪聲會對像素灰度值產(chǎn)生干擾，進(jìn)而影響像素相似度權(quán)重。奇異值分解是一種基于特征向量的矩陣變換方法，在信號處理、模式識別、數(shù)字水印技術(shù)等方面都得到了應(yīng)用。由于圖像具有矩陣結(jié)構(gòu)，因此本專利技術(shù)將其用于提取圖像塊的主要特征，將提取的圖像主要特征用于構(gòu)建新的像素相似度權(quán)重函數(shù)，以降低噪聲對像素相似度權(quán)重的影響，再將構(gòu)建的新的像素相似度權(quán)重函數(shù)應(yīng)用到NLTV模型，得到新的NLTV模型，用于圖像去噪。本文中所提到的NLTV模型是指GUYGILBOA和STANLEYOSHER提出的非局部TV模型。三、
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的是克服目前現(xiàn)有基于非局部理論的圖像去噪技術(shù)中，在圖像受到噪聲干擾后，圖像的像素值被噪聲污染而改變，像素相似度權(quán)重賦值會受到噪聲干擾的缺陷。本專利技術(shù)通過構(gòu)建一種新型的像素相似度權(quán)重函數(shù)來減少噪聲的干擾，提高像素相似度權(quán)重賦值的準(zhǔn)確性。本專利技術(shù)所述的基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法包括如下步驟：(1)首先輸入N0×N0大小的待去噪的圖像f；(2)設(shè)置本專利技術(shù)方法的相關(guān)參數(shù)，包括非局部搜索窗口大小N1×N1、鄰域窗口大小N2×N2、像素相似度權(quán)重函數(shù)的參數(shù)h和j，高斯核的標(biāo)準(zhǔn)差σ，分裂的Bregman迭代輔助變量bk的初始值b0、平滑參數(shù)θ，以及保真參數(shù)λ；(3)通過奇異值分解方法獲得圖像f中各領(lǐng)域圖像塊(圖像塊大小為N2×N2)的奇異值矩陣和最大奇異值；(4)構(gòu)建基于步驟(3)得到的最大奇異值的圖像f的像素相似度權(quán)重函數(shù)；(5)應(yīng)用步驟(4)構(gòu)建的權(quán)重函數(shù)，建立基于該權(quán)重函數(shù)的用于對圖像f進(jìn)行去噪的新的非局部TV模型；(6)對步驟(5)建立的新的非局部TV模型，采用分裂的Bregman算法，通過逐次迭代逼近來求解；并設(shè)迭代計數(shù)變量初值k＝0；(7)進(jìn)行分裂的Bregman算法數(shù)值迭代運算，獲得本次迭代后的輸出圖像uk+1；(8)每次完成步驟(7)的迭代后，計算出迭代結(jié)果uk+1的評價值，即uk+1的峰值信噪比(PSNR)；如果本次迭代后的輸出圖像uk+1的峰值信噪比大于上一次迭代輸出圖像uk的峰值信噪比，則不滿足迭代停止條件，令k＝k+1，并返回步驟(7)，繼續(xù)迭代運算；如果本次迭代結(jié)果uk+1的峰值信噪比小于等于上一次迭代輸出圖像uk的峰值信噪比，則滿足迭代停止條件，將上一次迭代輸出圖像uk作為最優(yōu)值ufinal輸出，即令ufinal＝uk，并轉(zhuǎn)到步驟(9)；(9)將結(jié)果ufinal作為最后去噪結(jié)果圖像輸出。本專利技術(shù)的優(yōu)點是建立新的像素相似度權(quán)重函數(shù)。將圖像塊進(jìn)行奇異值分解并選取最大奇異值，將選取的最大奇異值用于像素相似度權(quán)重函數(shù)的構(gòu)建，減少了噪聲對權(quán)重函數(shù)的干擾，能更準(zhǔn)確的對像素相似度權(quán)重進(jìn)行賦值。將由此構(gòu)建的基于圖像塊的像素相似度權(quán)重函數(shù)應(yīng)用到NLTV模型，用于圖像去噪，提高圖像去噪的效果。本專利技術(shù)方法適合用于所含噪聲模型為加性噪聲的含噪圖像的去噪。四、附圖說明圖1為本專利技術(shù)方法的流程圖。圖2是原始圖像未加噪的圖像，其中，圖2(11)是Peppers圖，圖2(12)是Cameraman圖，圖2(13)是Lena圖。圖3為本專利技術(shù)對Lena圖去噪仿真結(jié)果，其中，圖3(11)是待去噪的圖像(是在原始圖像上疊加了均值為零標(biāo)準(zhǔn)差為10的高斯噪聲后的結(jié)果)，圖3(12)非局部TV方法去噪，圖3(13)本專利技術(shù)方法去噪。五、具體實施方式本專利技術(shù)所述的基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法，具體步驟如下：(1)首先輸入N0×N0大小的待去噪圖像f；(2)設(shè)置本專利技術(shù)方法的相關(guān)參數(shù)，包括非局部搜索窗口大小N1×N1、鄰域窗口大小N2×N2、像素相似度權(quán)重函數(shù)的參數(shù)h和j，高斯核的標(biāo)準(zhǔn)差σ，分裂的Bregman迭代輔助變量bk的初始值b0、平滑參數(shù)θ和保真參數(shù)λ；(3)設(shè)Mx是以步驟(1)輸入的含噪圖像f中像素點x∈Ω為中心的大小為N2×N2的圖像塊像素灰度值矩陣,Ω為f的圖像空間，不同的像素點對應(yīng)不同的圖像塊。將各圖像塊Mx進(jìn)行奇異值分解：Mx＝UxΛxVxT。式中Ux、Vx分別是Mx的左奇異矩陣和右奇異矩陣，大小都是N2×N2。Λx是Mx的奇異值矩陣，它的大小也是N2×N2，它的對角元素不為零，其他元素全為零，Λx對角元素一共有N2個：按從大到小排列為：Λx的對角元素就是Mx的奇異值，它包含了Mx的全部特征。奇異值的定義：對于m×n階矩陣A，ATA的n個特征值的非負(fù)平方根叫作A的奇異值；(4)利用步驟(3)得到的圖像塊的奇異值構(gòu)建新的像素相似度權(quán)重函數(shù)。由于奇異值包含了圖像塊的主要特征，所以相似的圖像塊之間的奇異值是相近的；在圖像塊的奇異值中，大的奇異值包含了圖像塊的主要特征，小的奇異值包含了圖像塊的次要特征；并且在含有噪聲的圖像中，噪聲不是圖像的主要特征，所以在構(gòu)建新的像素相似度權(quán)重函數(shù)時，只選用圖像塊的最大奇異值，通過圖像塊的主要特征來判斷圖像塊之間的相似性，這樣就減少了噪聲的干擾；構(gòu)建圖像f中兩個像素點x和y的相似度權(quán)重函數(shù)：其中x為當(dāng)前像素點，y是以x為中心的搜索窗口內(nèi)的一點，ax是以x為中心、大小為N2×N2的鄰域內(nèi)的像素灰度值矩陣Mx的最大奇異值，ay是以y為中心、大小為N2×N2的鄰域的像素灰度值矩陣My的最大奇異值；表示在圖像f中以x為中心的大小為N2×N2的圖像塊與以y為中心的大小為N2×N2的圖像塊之間的高斯加權(quán)距離，表示求和范圍是以x或y為中心的大小為N2×N2的鄰域內(nèi)的每一像素點(不包括x或y自身)，共N2×N2-1項，Gσ(c)是標(biāo)準(zhǔn)差為σ的高斯核函數(shù)；h和j是常數(shù)，通過干預(yù)指數(shù)函數(shù)的衰減速度來控制權(quán)重函數(shù)ω的大小,h和j的取值越大，權(quán)重函數(shù)ω的值越接近1，算法收斂速度快，但是難以達(dá)到最優(yōu)值，h和j的取值越小，權(quán)重函數(shù)ω的值越接近0，算法經(jīng)過多次迭代可以收斂到最優(yōu)值，但是耗費時間多，h和j的取值原則上要綜合以上兩點因素，取大小合適的值；(5)建立非局部TV模型：其中J(u本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】
基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法，包括如下步驟：(1)首先輸入N

【技術(shù)特征摘要】
1.基于奇異值權(quán)重函數(shù)的非局部TV模型圖像去噪方法，包括如下步驟：(1)首先輸入N0×N0大小的待去噪圖像f；(2)設(shè)置本發(fā)明方法的相關(guān)參數(shù)，包括非局部搜索窗口大小N1×N1、鄰域窗口大小N2×N2、像素相似度權(quán)重函數(shù)的參數(shù)h和j，高斯核的標(biāo)準(zhǔn)差σ，分裂的Bregman迭代輔助變量bk的初始值b0、平滑參數(shù)θ和保真參數(shù)λ；(3)設(shè)Mx是以步驟(1)輸入的含噪圖像f中像素點x∈Ω為中心的大小為N2×N2的圖像塊像素灰度值矩陣,Ω為f的圖像空間，不同的像素點對應(yīng)不同的圖像塊。將各圖像塊Mx進(jìn)行奇異值分解：Mx＝UxΛxVxT。式中Ux、Vx分別是Mx的左奇異矩陣和右奇異矩陣，大小都是N2×N2。Λx是Mx的奇異值矩陣，它的大小也是N2×N2，它的對角元素不為零，其他元素全為零，Λx對角元素一共有N2個：按從大到小排列為：Λx的對角元素就是Mx的奇異值，它包含了Mx的全部特征。奇異值的定義：對于m×n階矩陣A，ATA的n個特征值的非負(fù)平方根叫作A的奇異值；(4)利用步驟(3)得到的圖像塊的奇異值構(gòu)建新的像素相似度權(quán)重函數(shù)。由于奇異值包含了圖像塊的主要特征，所以相似的圖像塊之間的奇異值是相近的；在圖像塊的奇異值中，大的奇異值包含了圖像塊的主要特征，小的奇異值包含了圖像塊的次要特征；并且在含有噪聲的圖像中，噪聲不是圖像的主要特征，所以在構(gòu)建新的像素相似度權(quán)重函數(shù)時，只選用圖像塊的最大奇異值，通過圖像塊的主要特征來判斷圖像塊之間的相似性，這樣就減少了噪聲的干擾；構(gòu)建圖像f中兩個像素點x和y的相似度權(quán)重函數(shù)：其中x為當(dāng)前像素點，y是以x為中心的搜索窗口內(nèi)的一點，ax是以x為中心、大小為N2×N2的鄰域內(nèi)的像素灰度值矩陣Mx的最大奇異值，ay是以y為中心、大小為N2×N2的鄰域的像素灰度值矩陣My的最大奇異值；表示在圖像f中以x為中心的大小為N2×N2的圖像塊與以y為中心的大小為N2×N2的圖像塊之間的高斯加權(quán)距離，表示求和范圍是以x或y為中心的大小為N2×N2的鄰域內(nèi)的每一像素點(不包括x或y自身)，共N2×N2-1項，Gσ(c)是標(biāo)準(zhǔn)差為σ的高斯核函數(shù)；h和j是常數(shù)，通過干預(yù)指數(shù)函數(shù)的衰減速度來控制權(quán)重函數(shù)ω的大小,h和j的取值越大，權(quán)重函數(shù)ω的值越接近1，算法收斂速度快，但是難以達(dá)到最優(yōu)值，h和j的取值越小，權(quán)重函數(shù)ω的值越接近0，算法經(jīng)過多次迭代可以收斂到最優(yōu)值，但是耗費時間多，h和j的取值原則上要綜合以上兩點因素，取大小合適的值；(5)建立非局部TV模型：其中J(u)是模型的目標(biāo)函數(shù)，λ是保真參數(shù)，f是輸入的含噪圖像，u是去噪后得到的圖像，Ω是f、u的圖像空間，是GUYGILBOA和STANLEYOSHER提出的非局部梯度算子，u(y)和u(x)分別是圖像u上的點x和y的像素灰度值，(6)對步驟(5)建立的NLTV模型，采用分裂的Bregman算法迭代逼近來求解，迭代過程分成三步，降低了迭代的...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：金燕，蔣文宇，萬宇，趙羿，杜偉龍，王雪麗，
申請(專利權(quán))人：浙江工業(yè)大學(xué)，
類型：發(fā)明
國別省市：浙江,33