本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是一種基于非線性主分量分析從圖像序列中分離圖像信息的方法。
背景技術(shù)：
圖像噪聲通常產(chǎn)生于圖像采集與傳輸過(guò)程中，對(duì)圖像辨識(shí)性與后續(xù)圖像處理如邊緣檢測(cè)、特征提取、圖像匹配及圖像融合等產(chǎn)生負(fù)面影響。大多數(shù)降噪方法是通過(guò)時(shí)間域、空間域或變換域?qū)崿F(xiàn)濾波的，這些方法通常假設(shè)噪聲具有較高頻率或者滿足某種函數(shù)分布，而真實(shí)噪聲并不完全滿足這些假設(shè)，理想的降噪方法應(yīng)在減少噪聲的同時(shí)不損害圖像細(xì)節(jié)?，F(xiàn)有的圖像降噪方法存在從含噪聲的原圖像中提取圖像有用信息會(huì)損害其圖像細(xì)節(jié)的問(wèn)題。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足，而提供基于非線性主分量分析從圖像序列中分離圖像信息的方法，本發(fā)明基于非線性主分量分析(nonlinear Principal Component Analysis,NLPCA)盡最大可能從含噪聲的原圖像中提取圖像有用信息而不損害其圖像細(xì)節(jié)，達(dá)到圖像降噪目的。
本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：
根據(jù)本發(fā)明提出的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法，從一個(gè)相對(duì)靜止的場(chǎng)景圖像中取m幀組成圖像序列，將該圖像序列看作是圖像噪聲和圖像信息的n種組合，利用盲源分離得到n個(gè)分量，這n個(gè)分量中標(biāo)準(zhǔn)方差值最大者為圖像信息分量，其它n-1個(gè)分量即為圖像噪聲分量，從而分離出1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量。
作為本發(fā)明所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法進(jìn)一步優(yōu)化方案，當(dāng)n≤m時(shí)，利用盲源分離方法中的非線性主分量分析進(jìn)行分離得到分量，具體如下：
對(duì)相對(duì)靜止的場(chǎng)景拍攝一個(gè)圖像序列，該圖像序列是含有噪聲的，序列中任一幀中的圖像信息是穩(wěn)定的，圖像噪聲是隨機(jī)的，將不同的幀圖像視為1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量的不同組合，如式(1)所示：
X＝AS (1)
其中，X＝[x1,x2,…,xm]T是由xi組成的觀察圖像序列，xi表示第i幀含噪圖像；S＝[s1,s2,…,sn]T是由分量sj組成的矩陣，下標(biāo)j表示分量序號(hào)；A表示將S線性組合成X的系數(shù)矩陣；m，n為自然數(shù)，且1≤i≤m且1≤j≤n；上標(biāo)T表示矩陣的轉(zhuǎn)置；
通過(guò)非線性主分量分析方法得到變換矩陣W，從而得到無(wú)限逼近源分量sj的分量yj，其關(guān)系由公式(2)所示：
Y＝WX＝WAS (2)
其中，Y＝[y1,y2,…,yn]T表示由yj組成的分量矩陣，yj表示經(jīng)非線性主分量分析方法分離得到的第j個(gè)分量；W是wij構(gòu)成的矩陣，wij是將xi線性組合成yj的系數(shù)；y1,y2,…,yn這n個(gè)分量中，標(biāo)準(zhǔn)方差值最大者為圖像信息分量，其它n-1個(gè)分量即為圖像噪聲分量。
作為本發(fā)明所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法進(jìn)一步優(yōu)化方案，尋找變換矩陣W依賴遞歸最小二乘平方均值誤差指標(biāo)如公式(3)所示：
式(3)表示關(guān)于向量的極小化指標(biāo)；J(w1,w2,w3,…wn)表示對(duì)矩陣W的基向量w1,w2,w3,…wn進(jìn)行的指標(biāo)公式；第i個(gè)基向量wi是由系數(shù)wi1,wi2,wi3,…wim構(gòu)成；gi(*)表示非線性變換函數(shù)。
作為本發(fā)明所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法進(jìn)一步優(yōu)化方案，當(dāng)m＜n時(shí)，經(jīng)過(guò)如下信號(hào)處理步驟分離出圖像信息分量，具體如下：
步驟一、獲取含噪圖像序列X0，它由源信號(hào)S通過(guò)系數(shù)矩陣A0線性組合而成，表示如下：
X0＝A0S (4)
步驟二、由X0求Xm以組成X，即通過(guò)回歸變換使過(guò)完備盲源分離BSS模型轉(zhuǎn)化為標(biāo)準(zhǔn)盲源分離BSS模型；
式(5)中，X0含有m個(gè)變量，Xm是由n-m個(gè)變量組成的矩陣；Am表示對(duì)應(yīng)Xm的系數(shù)矩陣；Xm由如下條件期望求得，表示Xm的估計(jì)：
式(6)中，p(S)是S的概率密度函數(shù)，假設(shè)函數(shù)f(·)為式(6)的積分結(jié)果，得：
式(7)中，通過(guò)歐幾里德Euclidean距離平方的范數(shù)表達(dá)求得Xm的估計(jì)是進(jìn)而得到Xm；
步驟三、從而求得X，將X使用標(biāo)準(zhǔn)盲源分離BSS模型，運(yùn)用非線性主分量分析NLPCA得到包含1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量的n個(gè)分量y1,y2,...,yn，y1,y2,…,yn這n個(gè)分量中標(biāo)準(zhǔn)方差值最大者為圖像信息分量。
作為本發(fā)明所述的一種基于非線性主分量分析從圖像序列中分離圖像信息的方法進(jìn)一步優(yōu)化方案，所述n個(gè)分量是n-1個(gè)圖像噪聲分量和1個(gè)圖像信息分量的組合。
本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明的圖像降噪算法可以盡最大可能從含噪聲的原圖像中提取圖像有用信息而不損害其圖像細(xì)節(jié)，利用其進(jìn)行后續(xù)圖像分析等工作；這是一種既不需要噪聲先驗(yàn)知識(shí)也不需要對(duì)含噪聲圖像進(jìn)行訓(xùn)練的圖像降噪處理方法，僅利用盲源分離(BSS)原理即是具體使用非線性主分量分析(NLPCA)簡(jiǎn)單有效的將在圖像信息從圖像噪聲中分離出來(lái)，即達(dá)到圖像降噪目的。
具體實(shí)施方式
真實(shí)噪聲通常來(lái)自多個(gè)噪聲源，是多種噪聲疊加的結(jié)果。根據(jù)圖像噪聲是多種噪聲疊加的特點(diǎn)，本研究通過(guò)盲源分離(BSS)中非線性主分量分析(NLPCA)把圖像信號(hào)從多個(gè)噪聲中分離出來(lái)。盲源分離(BSS)是近年來(lái)備受關(guān)注的信號(hào)處理方法，它基于源信號(hào)之間是不相關(guān)或統(tǒng)計(jì)獨(dú)立的假設(shè)，從若干個(gè)信號(hào)的混合中分離出其源信號(hào)。在大多數(shù)圖像采集過(guò)程中，圖像與噪聲產(chǎn)生于不同的隨機(jī)過(guò)程，兩者之間無(wú)統(tǒng)計(jì)關(guān)聯(lián)；隨機(jī)的圖像噪聲和穩(wěn)定的圖像信號(hào)使每張含噪圖像代表噪聲與圖像信號(hào)的一種隨機(jī)組合。這種圖像與噪聲之間的獨(dú)立性使二者可以通過(guò)盲源分離技術(shù)分離開(kāi)，從而達(dá)到降噪目的。
取相對(duì)靜止場(chǎng)景的一組圖像序列；利用盲源分離(BSS)中非線性主分量分析(NLPCA)對(duì)圖像序列進(jìn)行分離；在使用非線性主分量分析(NLPCA)進(jìn)行分離時(shí)，采用最小二乘平方均值誤差準(zhǔn)則(least mean-square error reconstruction，LMSER)；計(jì)算被分離出的每個(gè)分量的標(biāo)準(zhǔn)方差(Standard Deviation,SD)或方差(Variance)，值最大者即為所求的圖像有用信息分量，而多個(gè)噪聲分量的標(biāo)準(zhǔn)方差或方差值彼此接近，但相對(duì)圖像有用信息的標(biāo)準(zhǔn)方差或方差卻小。
利用盲源分離(BSS)將含有m幀的圖像序列中每一幀視為噪聲和信息的n種不同組合，將含有m幀圖像的序列分離出n-1幀噪聲分量和1幀圖像信息分量；無(wú)需噪聲先驗(yàn)信息和圖像訓(xùn)練即將圖像信息分量分離并輸出，該方法不僅簡(jiǎn)單實(shí)現(xiàn)圖像降噪，且降噪效率隨圖像序列中幀數(shù)量和噪聲功率的增加而增加，并且會(huì)隨著非線性主分量分析(NLPCA)效率的提高而提高。
實(shí)例：
對(duì)相對(duì)靜止的場(chǎng)景拍攝一個(gè)圖像序列，該圖像序列是含有噪聲的，序列中任一幀中的圖像信息是穩(wěn)定的，圖像噪聲是隨機(jī)的，將不同的幀圖像視為1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量的不同組合，如式(1)所示：
X＝AS (1)
其中，X＝[x1,x2,…,xm]T是由xi組成的觀察圖像序列，xi表示第i幀含噪圖像；S＝[s1,s2,…,sn]T是由分量sj組成的矩陣，下標(biāo)j表示分量序號(hào)；A表示將S線性組合成X的系數(shù)矩陣；m，n為自然數(shù)，且1≤i≤m且1≤j≤n；上標(biāo)T表示矩陣的轉(zhuǎn)置；
通過(guò)非線性主分量分析方法得到變換矩陣W，從而得到無(wú)限逼近源分量sj的分量yj，其關(guān)系由公式(2)所示：
Y＝WX＝WAS (2)
其中，Y＝[y1,y2,…,yn]T表示由yj組成的分量矩陣，yj表示經(jīng)非線性主分量分析方法分離得到的第j個(gè)分量；W是wij構(gòu)成的矩陣，wij是將xi線性組合成yj的系數(shù)；y1,y2,…,yn這n個(gè)分量中，標(biāo)準(zhǔn)方差值最大者為圖像信息分量，其它n-1個(gè)分量即為圖像噪聲分量。
當(dāng)n≤m時(shí)，這屬于模型轉(zhuǎn)化為標(biāo)準(zhǔn)盲源分離BSS模型，可以利用盲源分離方法中的非線性主分量分析進(jìn)行分離得到分量，尋找變換矩陣W依賴遞歸最小二乘平方均值誤差指標(biāo)如公式(3)所示：
式(3)表示關(guān)于向量的極小化指標(biāo)；J(w1,w2,w3,…wn)表示對(duì)矩陣W的基向量w1,w2,w3,…wn進(jìn)行的指標(biāo)公式；任意一個(gè)基向量wi是由系數(shù)wi1,wi2,wi3,…wim構(gòu)成；gi(*)表示非線性變換函數(shù)。
當(dāng)m＜n時(shí)，經(jīng)過(guò)如下信號(hào)處理步驟分離出圖像信息分量，具體如下：
步驟一、獲取含噪圖像序列X0，它由源信號(hào)S通過(guò)系數(shù)矩陣A0線性組合而成，表示如下：
X0＝A0S (4)
步驟二、由X0求Xm以組成X，即通過(guò)回歸變換使過(guò)完備盲源分離BSS模型轉(zhuǎn)化為標(biāo)準(zhǔn)盲源分離BSS模型；
式(5)中，X0含有m個(gè)變量，Xm是由n-m個(gè)變量組成的矩陣；Am表示對(duì)應(yīng)Xm的系數(shù)矩陣；Xm由如下條件期望求得，表示Xm的估計(jì)：
式(6)中，p(S)是S的概率密度函數(shù)，假設(shè)函數(shù)f(·)為式(6)的積分結(jié)果，得：
式(7)中，通過(guò)歐幾里德Euclidean距離平方的范數(shù)表達(dá)求得Xm的估計(jì)是進(jìn)而得到Xm；
步驟三、從而求得X，將X使用標(biāo)準(zhǔn)盲源分離BSS模型，運(yùn)用非線性主分量分析NLPCA得到包含1個(gè)圖像信息分量和n-1個(gè)圖像噪聲分量的n個(gè)分量y1,y2,...,yn，y1,y2,…,yn這n個(gè)分量中標(biāo)準(zhǔn)方差值最大者為圖像信息分量。