一種時空聯合的圖像序列多尺度幾何變換去噪方法技術

本發明專利技術公開了一種時空聯合的圖像序列多尺度幾何變換去噪方法，通過將圖像多尺度幾何分析引入到圖像去噪處理中，并聯合圖像序列時空相關信息，建立圖像多尺度幾何變換域系數的統計分布模型，以所建立的圖像統計模型為先驗知識，采用貝葉斯最小二乘估計方法獲得無噪聲污染的圖像信號的最優估計結果；解決了在常規小波域去噪過程中經常遇到的圖像細節系數與圖像噪聲難以區分的難題；并通過收集大量的與待處理圖像相同場景的圖像樣本進行圖像統計分布建模，所建立的圖像多尺度幾何變換域統計分布模型直接體現了待處理圖像的邊緣和表面紋理細節的統計分布特點，為圖像貝葉斯最小二乘估計提供了可靠的先驗分布知識，實現了時空信息融合的圖像序列最優無噪圖像信號估計，在提高圖像去噪效果的同時極大限度的保持了圖像細節。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，具體為。
技術介紹
智能視覺在現代工業制造和安全監控等方面占有越來越重要的地位。通過計算機圖像處理技術實現對拍攝視野中的目標物體和自然場景進行自動分析和智能監控，是對傳統工業過程自動化和安全監控觀念的一種革新。視覺圖像的有效處理和圖像視覺特征的準確提取是智能視覺監控系統成功的關鍵。然而，工業現場圖像采集環境往往比較惡劣，比如光照不均、現場灰塵多、水霧重，且伴隨著其他設備的電磁干擾，圖像信號在采集和傳輸過程中不可避免地受到噪聲的干擾。噪聲的存在極大影響了后續更高層次的圖像處理和場景理解，從而影響了機器視覺在工業監控的中進一步推廣應用。因此，圖像去噪技術一直是圖像預處理方面的熱門話題。針對不同的應用場景和對應的圖像噪聲的特點，研究者們已提出了多種數字圖像去噪方法，其中最著名的是圖像小波域閾值收縮去噪方法以及基于該思想的各種改進的方法，由于這些方法通過預定義規則將某些幅值小的系數直接置為零，無法有效分開圖像信號系數與噪聲系數的差別，經常會造成圖像邊緣的模糊，去噪同時降低了圖像的視覺質量，甚至還會引入一些人工偽影。隨著研究者對圖像系數(比如小波變換域系數)統計模型的深入研究和進一步認識，基于貝葉斯估計的圖像小波域去噪方法越來越受到人們的重視，但是，對于圖像表面富含邊緣奇異曲線、無前景背景區分、且整個拍攝視野表現出復雜紋理細節的圖像，目前的基于小波域的圖像貝葉斯去噪技術還是難以解決圖像噪聲去除與圖像表面細節保護間的矛盾。其中最主要的原因是圖像細節和噪聲在圖像小波分解細尺度難以有效區分。目前，基于單幀圖像信息建模的去噪方法，由于忽略了圖像序列幀間時域相關信息，當發生噪聲信號與圖像細節信號誤判時，無法結合時域相關信息進行校正，難以對噪聲進行有效消除的同時極大限度地保持圖像的邊緣曲線和表面紋理細節，甚至可能產生人工偽影，嚴重影響了后續的圖像處理和更高層次的視覺理解結果。
技術實現思路
本專利技術提供，其目的在于通過聯合圖像時空域相關信息，有效地克服現有技術中無法區分圖像邊緣與表面紋理細節特征和圖像噪聲所造成的虛假邊界和表面奇異點的問題，從而提高圖像去噪效果，同時能夠極大限度的保持圖像細節。—種時空聯合的圖像序列多尺度幾何變換去噪方法，首先對待去噪圖像進行多尺度幾何變換，將高斯尺度混合(GSM)模型應用于圖像多尺度幾何變換域，對圖像變換域進行系數統計建模，以所獲得的系數統計模型為先驗知識，通過貝葉斯最小二乘估計，獲得基于圖像幀內空間信息統計分布的圖像變換域系數最優估計；然后根據運動補償原理和圖像序列幀間子塊的相關性引入圖像序列幀間加權因子，通過加權處理圖像序列幀間子塊系數獲得待處理圖像幀的時域相關的最佳系數，最后通過圖像多尺度幾何分析反變換，得到高信噪比的去噪處理圖像。所述圖像多尺度幾何變換是指，采用第二代Curvelet變換進行圖像多尺度幾何變換，Curvelet變換分解的尺度數為4，各尺度的方向分解數分別為32、32、64和64，圖像被變換分解后得到的子帶圖中，包括包含圖像大致輪廓的圖像高頻子帶圖和包含圖像細節的圖像低頻子帶圖。所述圖像變換域系數統計建模為采用GSM模型進行圖像幀內空間信息統計分布建模，具體執行以下步驟:(I)根據待去噪圖像具有邊緣曲線和表面紋理細節的視覺特點，收集相同拍攝場景中具有待去噪圖像相同視覺特點的大量未受噪聲污染的圖像Ii組成圖像統計分布建模樣本庫Ui, I≤i≤m}，樣本庫中共m幅圖像，m ≥10 ；(2)對圖像庫中的任意圖像Ii采用第二代Curvelet變換獲得Ii對應的Curvelet變換域各高頻子帶系數矩陣巧! j表示分解尺度，Θ表示分解方向，圖像Curvelet變換分解的尺度數為4，圖像各分解尺度上的分解方向的分解數分別為32、32、64和64 ；(3)局部窗口系數采樣，對任意高頻部分子帶圖的系數矩陣約N，在同一子帶圖內，收集以任意(kx，ky)為中心采樣點、局部窗口大小為w*w的局部窗口系數，w e [5，7，9],同時通過雙線性插值處理,收集務,^-^和吟./+1.9中相同位置(kx, ky)上的圖像分解子帶系數，組成隨機變量1，I的維數為w*w+2 ；(4)采用(3)中所述的局部窗口系數采樣方法，對樣本庫中圖像的各高頻部分子帶圖系數進行r次采樣，采樣次數滿足1024≤r < M*N*m，Μ, N分別為圖像的寬和高，將r次采樣獲得的系數向量組成一個大小為r*W隨機變量矩陣X，X的每一行為在圖像變換域高頻子帶圖中進行局部窗口系數采樣獲得的系數向量，W = w*w+2, m為樣本庫的圖像數量；其中，圖像被分解后得到的子帶圖中，包括圖像低頻子帶圖像和圖像高頻子帶圖，圖像低頻子帶圖包含圖像的大致輪廓，圖像高頻子帶圖主要包含圖像細節；(5)采用GSM模型擬合圖像多尺度幾何變換域系數的統計分布模型，即X中的任意行向量I所構成的隨機變量通過GSM模型進行統計建模分析，該統計模型通過如下公式表示:本文檔來自技高網...

【技術保護點】
一種時空聯合的圖像序列多尺度幾何變換去噪方法，其特征在于：首先對待去噪圖像進行多尺度幾何變換，將高斯尺度混合（GSM）模型應用于圖像多尺度幾何變換域，對圖像變換域進行系數統計建模，以所獲得的系數統計模型為先驗知識，通過貝葉斯最小二乘估計，獲得基于圖像幀內空間信息統計分布的圖像變換域系數最優估計；然后根據運動補償原理和圖像序列幀間子塊的相關性引入圖像序列幀間加權因子，通過加權處理圖像序列幀間子塊系數獲得待處理圖像幀的時域相關的最佳系數，最后通過圖像多尺度幾何反變換，得到高信噪比的去噪處理圖像。

【技術特征摘要】
1.一種時空聯合的圖像序列多尺度幾何變換去噪方法，其特征在于:首先對待去噪圖像進行多尺度幾何變換，將高斯尺度混合(GSM)模型應用于圖像多尺度幾何變換域，對圖像變換域進行系數統計建模，以所獲得的系數統計模型為先驗知識，通過貝葉斯最小二乘估計，獲得基于圖像幀內空間信息統計分布的圖像變換域系數最優估計；然后根據運動補償原理和圖像序列幀間子塊的相關性引入圖像序列幀間加權因子,通過加權處理圖像序列幀間子塊系數獲得待處理圖像幀的時域相關的最佳系數，最后通過圖像多尺度幾何反變換，得到高信噪比的去噪處理圖像。2.根據權利要求1所述的一種時空聯合的圖像序列多尺度幾何變換去噪方法，其特征在于:所述圖像多尺度幾何變換是指，采用第二代Curvelet變換進行圖像多尺度幾何變換，圖像Curvelet變換分解的尺度數為4，各尺度上的方向分解數分別為32、32、64和64，圖像被變換分解后得到的子帶圖中，包括圖像低頻子帶圖和高頻子帶圖，圖像低頻子帶圖包含圖像大致輪廓，圖像高頻子帶圖主要包含圖像細節。3.根據權利要求2所述的一種時空聯合的圖像序列多尺度幾何變換去噪方法，其特征在于:所述對圖像變換域進行系數統計建模為采用GSM模型進行圖像幀內空間信息統計分布建模，具體執行以下步驟: (1)根據待去噪圖像所具有的邊緣曲線和表面紋理細節的視覺特點，收集相同拍攝場景中具有待去噪圖像相同視覺特點的大量未受噪聲污染的圖像Ii，組成圖像統計分布建模樣本庫Ui, I彡i彡m}，樣本庫中共m幅圖像，m ^ 10 ； (2)對圖像庫中的任意圖像Ii采用第二代Curvelet變換,獲得Ii對應的Curvelet變換域各高頻子帶圖系數矩陣! j表示分解尺度，Θ表示分解方向，圖像Curvelet變換分解的尺度數為4，圖像各分解尺度上的分解方向的分解數分別為32、32、64及64 ； (3)局部窗口系數采樣，對任意高頻子帶圖系數矩陣，收集以任意(kx，ky)為中心采樣點、窗口大小 為w*w的局部窗口系數，w e [5，7，9]，同時通過雙線性插值處理，收集吟和外',...

【專利技術屬性】
技術研發人員：唐朝暉，劉金平，桂衛華，陽春華，朱建勇，李建奇，
申請(專利權)人：中南大學，
類型：發明
國別省市：