一種置換混疊圖像的盲分離方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種置換混疊圖像的盲分離方法。屬于盲源分離法處理數(shù)字圖像的領(lǐng) 域。
【背景技術(shù)】
[0002] 盲分離是對觀測信號和混合模型均無法獲知的情況下，從眾多混合信號中將不同 的源信號分離的方法，是近年來信號處理領(lǐng)域研究的熱點(diǎn)之一。盲分離也經(jīng)常用于圖像處 理方面，主要是用于分離被置換混疊的圖像，從而還原圖像的真實(shí)性。關(guān)于對置換混疊圖像 的盲分離方法主要是通過致力于提取置換圖像的具體特征，如果置換圖像是多個圖像，且 經(jīng)過多種不同方式處理過時(shí)，通過這種方式就無法準(zhǔn)確的將圖像分離。
[0003] 現(xiàn)有技術(shù)中關(guān)于對圖形盲分離的方法，如中國專利文獻(xiàn)中申請?zhí)?01210041421. X，公布日為2013. 09. 11，發(fā)明名稱為《基于反饋機(jī)制的抗混合噪聲的盲圖像源分離方法》 中，利用小波變換對混合圖像信號稀疏化，通過線性聚類的方法估計(jì)出系統(tǒng)的混合矩陣，經(jīng) 過反饋多次對圖像進(jìn)行盲分離，直到最終分離出混合噪聲的圖像。上述發(fā)明在求解估計(jì)混 合矩陣過程中會損失部分圖像特征信息。而且，該發(fā)明利用反饋機(jī)制對圖像進(jìn)行多次盲分 離，不僅求解過程繁瑣，而且會使圖像盲分離法的魯棒性下降。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出了一種針對置換混疊圖像的盲分離 方法，通過利用差值運(yùn)算優(yōu)化選取最優(yōu)閾值的算法，解決了對于含不同噪聲標(biāo)準(zhǔn)差的置換 混疊圖像分離準(zhǔn)確性低和魯棒性差的問題。
[0005] 本發(fā)明是通過如下方案予以實(shí)現(xiàn)的：
[0006] -種置換混疊圖像的盲分離方法，原圖像L(i，j)的部分圖像被含有噪聲的置換 圖像S (i，j)置換，得到混疊圖像Z (i，j)，步驟如下：
[0007] 步驟1，對混疊圖像Z(i，j)進(jìn)行去噪處理，得到去噪圖像
[0008] 步驟2,將混疊圖像Z(i，j)與去噪圖像Ζ?/,_/Μ乍差得到圖像差序列Zsub(i，j)，圖像 差序列Z sub(i，j)包含由置換圖像S(i，j)產(chǎn)生的噪聲誤差Smw;
[0009] 步驟3,對圖像差序列Zsub (i，j)作歸一化處理得到圖像Z' sub (i，j)，將圖像 z' sub(i, j)分成mXn個子塊，其中，m彡1，η彡I ;
[0010] 步驟4,圖像Z' sub(i，j)的部分區(qū)域作為參照區(qū)域，參照區(qū)域依據(jù)設(shè)定區(qū)域進(jìn)行選 取，所述參照區(qū)域和圖像Z' sub (i，j)的每個子塊通過作差來設(shè)定目標(biāo)函數(shù)，依據(jù)目標(biāo)函數(shù)求 得閾值向量 V= IVDV2-SVDVnixJ ;
[0011] 步驟5,噪聲誤差\""與每個子塊的閾值向量V作比較，根據(jù)比較結(jié)果對混疊圖像 z(i，j)中的原圖像L(i，j)與置換圖像S(i，j)進(jìn)行分離。
[0012] 進(jìn)一步的，步驟1所述的去噪處理中，利用對混疊圖像Z(i，j)稀疏表示的方式進(jìn) 行去噪。
[0013] 進(jìn)一步的，稀疏表示采用KSVD字典學(xué)習(xí)法。
[0014] 進(jìn)一步的，步驟3所述的歸一化的方法采用對數(shù)函數(shù)法，表達(dá)式如下：
[0015]
[0016]
[0017] 式⑴中[Zsub(i，川_表示圖像差序列Zsub(i，j)的最小值，式⑵中[Z〃 sub(i，j)] _表示序列Z〃sub(i，j)的最大值。
[0018] 進(jìn)一步的，步驟4所述設(shè)定區(qū)域中，設(shè)定區(qū)域處的差序列值是圖像Z' sub (i，j)中差 序列值明顯大的部分。
[0019] 進(jìn)一步的，步驟4所述的目標(biāo)函數(shù)Frast(V)表達(dá)式為：
[0020]
(3:.)
[0021] 式⑶中Dmn表示圖像Z' sub(i, j)差序列的參照區(qū)域；B (Vmn)mr^示圖像Z' sub(i, j) 分成的每個子塊。
[0022] 進(jìn)一步的，步驟4所述的閾值向量V中，對目標(biāo)函數(shù)通過差分進(jìn)化算法的初始化、 變異、交叉和選擇，獲取的目標(biāo)函數(shù)最小值即為閾值向量V。
[0023] 進(jìn)一步的，步驟5中，通過圖像二值化方法，將混疊圖像Z(i，j)中的原圖像L(i，j) 與置換圖像S(i，j)進(jìn)行分離。
[0024] 進(jìn)一步的，二值化方法中，根據(jù)比較結(jié)果對圖像Z' sub(i，j)每個子塊像素值進(jìn)行二 值化處理，進(jìn)而獲得二值化圖像之#(/，/)，混疊圖像Z(i，j)與二值化圖像通過點(diǎn) 乘運(yùn)算將原圖像L(i，j)與置換圖像S(i，j)分離。
[0025] 本發(fā)明與現(xiàn)有技術(shù)相比的有益效果：
[0026] 現(xiàn)有技術(shù)中對圖像進(jìn)行盲源分離的方法中都是針對具體的置換圖像的特征進(jìn)行 分離，對于置換的圖像為多個或經(jīng)過不同方式處理的圖像時(shí)，無法將其準(zhǔn)確分離，本發(fā)明通 過差分優(yōu)化算法設(shè)置目標(biāo)函數(shù)，選取最優(yōu)閾值的方法對混疊的圖像進(jìn)行分離，不僅分離效 果明顯，而且針對不同噪聲標(biāo)準(zhǔn)，不同大小，數(shù)量以及不同位置的混疊圖像都可以實(shí)現(xiàn)準(zhǔn)確 的分離，也證明了本發(fā)明對圖像盲分離算法具有很強(qiáng)的魯棒性。
【附圖說明】
[0027] 圖1是本發(fā)明基于差分進(jìn)化算法的置換混疊圖像盲分離方法流程圖；
[0028] 圖2是置換圖像含噪聲標(biāo)準(zhǔn)差為30的置換混疊圖像；
[0029] 圖3是置換圖像含噪聲標(biāo)準(zhǔn)差為30的置換混疊圖像的稀疏表示；
[0030] 圖4是置換圖像含噪聲標(biāo)準(zhǔn)差為30的置換混疊圖像的劃分為子塊；
[0031] 圖5是置換圖像含噪聲標(biāo)準(zhǔn)差為30的置換混疊圖像盲分離結(jié)果；
[0032] 圖6是置換圖像含噪聲標(biāo)準(zhǔn)差為20的置換混疊圖像；
[0033] 圖7是置換圖像含噪聲標(biāo)準(zhǔn)差為40的置換混疊圖像；
[0034] 圖8是置換圖像含噪聲標(biāo)準(zhǔn)差為50的置換混疊圖像；
[0035] 圖9是置換圖像含噪聲標(biāo)準(zhǔn)差為60的置換混疊圖像；
[0036] 圖10是置換圖像含噪聲標(biāo)準(zhǔn)差為80的置換混疊圖像；
[0037] 圖11-15依次是圖6-10的盲分離結(jié)果圖；
[0038] 圖16-20是含有不小、位置及噪聲標(biāo)準(zhǔn)差不同置換圖像的置換混疊圖像；
[0039] 圖21-25依次是圖16-20的盲分離結(jié)果圖；
[0040] 圖26是差分運(yùn)算獲取最優(yōu)閾值的流程圖。
【具體實(shí)施方式】
[0041] 下面結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步詳細(xì)的說明。
[0042] 以下實(shí)施例以置換圖像含噪聲標(biāo)準(zhǔn)差為30進(jìn)行說明，而在MATLAB仿真時(shí)，選取了 含不同噪聲標(biāo)準(zhǔn)的圖像作為其他實(shí)施例進(jìn)行實(shí)驗(yàn)分析。
[0043] 步驟（一）、如圖2所示，原圖像L(i，j)的部分圖像被含有噪聲的置換圖像S(i，j) 所置換，得到混疊圖像Z(i，j)，其中，圖像的大小為NXN。置換圖像S(i，j)包含噪聲，因此 混疊圖像Z (i，j)的數(shù)學(xué)模型表可表示為：
[0044] Z(i, j) = L(i, j)+S〇(i, j)+Sn(i, j) (4)
[0045] 其中，
S(](i，j)表示置換圖像中不含噪聲的成分，SnQ，j)表示置換圖像中所含噪 聲。
[0046] 步驟（二）、如圖3所示，通過KSVD字典學(xué)習(xí)方法對混疊圖像Z (i，j)稀疏表示，實(shí) 現(xiàn)對原圖像的去噪處理，具體步驟如下：
[0047] 1)確定目標(biāo)函數(shù)：將混疊圖像Z(i，j)進(jìn)行分塊處理，從每塊圖像中采集一個樣 本，構(gòu)成樣本集T = t。通過尋找最合適的字典D使Y中的每個樣本yi能在D上稀疏表 示，且誤差小于ε。因此，目標(biāo)函數(shù)表示如下式：
[0048]
(S)
[0049] 式中Y e RnxS D e RnXM為列矩陣，M為字典原子個數(shù)，a j為列向量，a e Rmx^ 示系數(shù)矩陣，ε為原圖像與稀疏表示后圖像之間的誤差，I |A||f表示Frobenius范數(shù)，其 中，
[0050] 2)稀疏編碼
[0051] KSVD字典學(xué)習(xí)算法需要兩個步驟：第一步，稀疏編碼；第二步，字典學(xué)習(xí)。本實(shí)施 例稀疏編碼階段選用正交匹配追蹤算法，通過采用非零約束的方式進(jìn)行稀疏編碼，其模型 如下式表示：
[0052]
(6)
[0053] 式中，T表示非零元個數(shù)，T e M。
[0054] 為了實(shí)現(xiàn)對圖像的稀疏表示，需要選取一個合適的非零個數(shù)。本實(shí)施例通過建立 圖庫進(jìn)行訓(xùn)練，觀察不同非零元約束下的信噪比，發(fā)現(xiàn)在未知圖像標(biāo)準(zhǔn)差的時(shí)候，將非零元 個數(shù)設(shè)置為1和8進(jìn)行去噪，當(dāng)取出其中PSNR為最大時(shí)，對應(yīng)的T值即為最優(yōu)。
[0055] 3)字典學(xué)習(xí)
[0056] 假設(shè)α與D是固定值，依次更新D中的一列4，再乘上行向量ak，從而獲得d kak， 如下式表示：
[0057]
(7)
[0058] 式中，Ek= (Y- Σ P1Aak)表示目前第k個原子被去除后其余y]的近似誤差，也 表示E k經(jīng)過奇異值分解所得到的秩-1矩陣能夠在最小化的誤差。
[0059] 從Ek中去除全部未涉及到d k的其他列后，對E k做奇異值分解，得到E k= U Δ V τ。 用U中第一列替換dk，Δ (1，I) XV的第一列替換a k。字典中所有原子4均用相同的方法 進(jìn)行更新。經(jīng)過以上迭代過程即可獲得1的稀疏表示字典D。
[0060] 4)圖像去噪
[0061] 本實(shí)施例采用KSVD字典學(xué)習(xí)法去噪。提取出含噪圖像中的子塊，按列向量排列代 入下式，表達(dá)式如下：
[0062]
(8)
[0063] 式中，Z表示混疊圖像，λ I |Ζ-Υ| I代表噪聲圖像與原圖像之間