一種基于視覺(jué)感知的非局部中值盲降噪方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其是數(shù)字圖像降噪技術(shù)，具體而言涉及一種基 于視覺(jué)感知的非局部中值盲降噪方法，適于對(duì)數(shù)字圖像中未知模型脈沖噪聲的盲降噪。
【背景技術(shù)】
[0002] 脈沖噪聲是數(shù)字圖像中一類(lèi)常見(jiàn)的干擾信號(hào)，在圖像的采集、傳輸以及存儲(chǔ)過(guò)程 中，因成像系統(tǒng)、傳輸介質(zhì)及記錄設(shè)備的不完善、錯(cuò)誤等因素而產(chǎn)生。依據(jù)亮度值分布通常 將脈沖噪聲分為三種，分別是固定值、隨機(jī)值以及固定值隨機(jī)值混合型。抑制數(shù)字圖像中的 脈沖噪聲是圖像分析、理解及識(shí)別的前提和基礎(chǔ)，也是該領(lǐng)域的一個(gè)重點(diǎn)和難點(diǎn)問(wèn)題。針對(duì) 具體脈沖模型，國(guó)內(nèi)外研究機(jī)構(gòu)和研究人員開(kāi)展了廣泛的研究，得到了大量的降噪方法，總 的來(lái)說(shuō)，可分為變換域降噪和空域降噪兩類(lèi)。
[0003] 變換域降噪方法的思路是，將觀測(cè)圖像進(jìn)行轉(zhuǎn)化，在變換域中抑制噪聲，然后通過(guò) 反變換得到最終降噪結(jié)果。這類(lèi)方法以變換域系數(shù)的分布特點(diǎn)及字典表示域的稀疏性為先 驗(yàn)，具有強(qiáng)大的多分辨性和稀疏表示能力，但系數(shù)操作復(fù)雜、對(duì)參數(shù)設(shè)置和初始條件依賴性 強(qiáng)，而且通常沒(méi)有全局解，修復(fù)高密度噪聲圖像、復(fù)雜圖像時(shí)，易引入虛假信息，破環(huán)對(duì)比 度，如產(chǎn)生"振鈴"、"階梯"、"重疊"。
[0004] 空域降噪方法是直接在圖像的空間域中抑制脈沖噪聲，相比之下，這一方法在現(xiàn) 有技術(shù)中的應(yīng)用相對(duì)成熟，降噪結(jié)果也更接近視覺(jué)感知。脈沖噪聲的空域去除方法大致可 分為線性和非線性兩類(lèi)。均值濾波、中值濾波及其改進(jìn)算法是最為典型的空域?yàn)V波算法，但 僅僅利用均值、中值及其簡(jiǎn)單的變形對(duì)噪聲像素修復(fù)，賦值精度低，可能會(huì)導(dǎo)致降噪結(jié)果模 糊或細(xì)節(jié)信息丟失。理論和實(shí)驗(yàn)表明，基于能量泛函模型的正則化脈沖噪聲去除方法可以 有效地抑制噪聲，并較完整地保護(hù)圖像的細(xì)節(jié)。圍繞正則化模型的設(shè)計(jì)，正則化參數(shù)的選 取，目標(biāo)函數(shù)的求解三項(xiàng)工作，國(guó)內(nèi)外研究人員提出了 h范數(shù)+保邊正則化項(xiàng)、h范數(shù)+全變 差項(xiàng)、h范數(shù)+偏微分約束、h范數(shù)-^范數(shù)約束項(xiàng)等優(yōu)秀算法。一般情況下，這些方法大多具 有理想的降噪性能，可抑制脈沖并有效地保護(hù)圖像的細(xì)節(jié)，但前提是先驗(yàn)約束準(zhǔn)確可靠，正 則化參數(shù)選取合理。在選取正則化參數(shù)時(shí)，目前大多算法采用預(yù)先統(tǒng)一定義，再通過(guò)大量實(shí) 驗(yàn)優(yōu)化的方式。但對(duì)圖像中不同特征的噪聲像素定義一致參數(shù)值，使得圖像的復(fù)雜區(qū)域，高 密度噪聲區(qū)域保真和平滑失衡，復(fù)雜圖像、高密度噪聲圖像修復(fù)精確性降低。
[0005] 綜上，現(xiàn)有的多數(shù)方法在脈沖模型、噪聲生密度已知，待修復(fù)圖像相對(duì)簡(jiǎn)單時(shí)可獲 得較好的降噪結(jié)果。但考慮到實(shí)際降噪過(guò)程中，很少會(huì)預(yù)先知道圖像中脈沖噪聲的具體模 型、密度以及待修復(fù)圖像的復(fù)雜程度，因而涉及圖像中對(duì)未知模型脈沖噪聲的盲檢測(cè)、對(duì)不 同特征區(qū)域像素的自適應(yīng)檢測(cè)、修復(fù)以及對(duì)高密度脈沖噪聲的有效去除等問(wèn)題時(shí)，現(xiàn)有的 降噪方法很難有效處理。

【發(fā)明內(nèi)容】

[0006] 針對(duì)現(xiàn)有技術(shù)存在的缺陷或不足，本發(fā)明旨在提出一種基于視覺(jué)感知的非局部中 值盲降噪方法，可在未知脈沖噪聲模型、噪聲密度以及圖像的復(fù)雜度的情況下有效地抑制 噪聲，并完整地保護(hù)圖像的細(xì)節(jié)信息。
[0007] 本發(fā)明的另一目的在于，提供一種基于視覺(jué)感知的脈沖噪聲的盲降噪裝置，以及 一種用于實(shí)現(xiàn)前述基于視覺(jué)感知的非局部中值盲降噪的計(jì)算機(jī)系統(tǒng)。
[0008] 本發(fā)明的上述目的通過(guò)獨(dú)立權(quán)利要求的技術(shù)特征實(shí)現(xiàn)，從屬權(quán)利要求以另選或有 利的方式發(fā)展獨(dú)立權(quán)利要求的技術(shù)特征。
[0009] 為達(dá)成上述目的，本發(fā)明的第一方面提出一種基于視覺(jué)感知的非局部中值盲降噪 方法，包括以下步驟：
[0010] 步驟1、基于數(shù)字圖像中像素的視覺(jué)離群測(cè)度，構(gòu)造脈沖噪聲盲檢測(cè)器，所述的視 覺(jué)離群測(cè)度通過(guò)量化不同模型脈沖噪聲的視覺(jué)共性，融合不同視覺(jué)特征量化結(jié)果而得到；
[0011] 步驟2、提取圖像的非局部信息，構(gòu)造非局部中值計(jì)算模型；
[0012] 步驟3、依據(jù)視覺(jué)離群測(cè)度和非局部信息計(jì)算正則化參數(shù)，建立非局部中值正則化 項(xiàng)；
[0013] 步驟4、依據(jù)步驟2、3建立非局部中值降噪泛函模型，自適應(yīng)修復(fù)圖像中噪聲像素。
[0014] 根據(jù)本公開(kāi)，本發(fā)明的另一方面還提出一種基于視覺(jué)感知的脈沖噪聲的盲降噪裝 置，包括：
[0015] 用于基于數(shù)字圖像中像素的視覺(jué)離群測(cè)度，構(gòu)造脈沖噪聲盲檢測(cè)器的第一模塊， 所述的視覺(jué)離群測(cè)度通過(guò)量化不同模型脈沖噪聲的視覺(jué)共性，融合不同視覺(jué)特征量化結(jié)果 而得到；
[0016] 用于提取圖像的非局部信息，構(gòu)造非局部中值計(jì)算模型的第二模塊；
[0017] 用于依據(jù)視覺(jué)離群測(cè)度和非局部信息計(jì)算正則化參數(shù)，建立非局部中值正則化項(xiàng) 的第三模塊；
[0018] 用于依據(jù)前述第二模塊所構(gòu)建的非局部中值計(jì)算模型和第三模塊所建立的非局 部中值正則化項(xiàng)構(gòu)建非局部中值降噪泛函模型，該非局部中值降噪泛函模型被配置用于自 適應(yīng)修復(fù)圖像中噪聲像素。
[0019] 根據(jù)本發(fā)明的改進(jìn)，本發(fā)明的第三方面還提出一種用于實(shí)現(xiàn)基于視覺(jué)感知的非局 部中值盲降噪的計(jì)算機(jī)系統(tǒng)，該計(jì)算機(jī)系統(tǒng)包括：
[0020]存儲(chǔ)器；
[0021] 一個(gè)或多個(gè)處理器；
[0022] -個(gè)或多個(gè)模塊，該一個(gè)或多個(gè)模塊被存儲(chǔ)在所述存儲(chǔ)器中并被配置成由所述一 個(gè)或多個(gè)處理器執(zhí)行，所述一個(gè)或多個(gè)模塊包括用于執(zhí)行下述處理的模塊：
[0023] 用于基于數(shù)字圖像中像素的視覺(jué)離群測(cè)度，構(gòu)造脈沖噪聲盲檢測(cè)器的第一模塊， 所述的視覺(jué)離群測(cè)度通過(guò)量化不同模型脈沖噪聲的視覺(jué)共性，融合不同視覺(jué)特征量化結(jié)果 而得到；
[0024] 用于提取圖像的非局部信息，構(gòu)造非局部中值計(jì)算模型的第二模塊；
[0025]用于依據(jù)視覺(jué)離群測(cè)度和非局部信息計(jì)算正則化參數(shù)，建立非局部中值正則化項(xiàng) 的第三模塊；
[0026]用于依據(jù)前述第二模塊所構(gòu)建的非局部中值計(jì)算模型和第三模塊所建立的非局 部中值正則化項(xiàng)構(gòu)建非局部中值降噪泛函模型，該非局部中值降噪泛函模型被配置用于自 適應(yīng)修復(fù)圖像中的噪聲像素。
[0027] 與現(xiàn)有技術(shù)相比，本發(fā)明所提出的盲降噪方案，具有顯著的有益效果：
[0028] 1.從視覺(jué)角度量化和融合了不同模型脈沖噪聲離群特性，提出像素視覺(jué)離群測(cè) 度，構(gòu)造了脈沖噪聲盲檢測(cè)器，為不同模型的脈沖噪聲統(tǒng)一判別，實(shí)現(xiàn)未知模型脈沖噪聲盲 檢測(cè)；
[0029] 2.設(shè)計(jì)了非局部中值脈沖噪聲去除方法，自適應(yīng)正則化參數(shù)，結(jié)合非局部中值構(gòu) 造降噪泛函模型，增加目標(biāo)函數(shù)的先驗(yàn)約束，從而提高噪聲像素的修復(fù)精度；
[0030] 3.在未知脈沖噪聲模型，噪聲密度以及圖像的復(fù)雜度的情況下有效地抑制噪聲， 并完整地保護(hù)圖像的細(xì)節(jié)信息。
[0031] 應(yīng)當(dāng)理解，前述構(gòu)思以及在下面更加詳細(xì)地描述的額外構(gòu)思的所有組合只要在這 樣的構(gòu)思不相互矛盾的情況下都可以被視為本公開(kāi)的發(fā)明主題的一部分。另外，所要求保 護(hù)的主題的所有組合都被視為本公開(kāi)的發(fā)明主題的一部分。
[0032] 結(jié)合附圖從下面的描述中可以更加全面地理解本發(fā)明教導(dǎo)的前述和其他方面、實(shí) 施例和特征。本發(fā)明的其他附加方面例如示例性實(shí)施方式的特征和/或有益效果將在下面 的描述中顯見(jiàn)，或通過(guò)根據(jù)本發(fā)明教導(dǎo)的【具體實(shí)施方式】的實(shí)踐中得知。
【附圖說(shuō)明】
[0033] 附圖不意在按比例繪制。在附圖中，在各個(gè)圖中示出的每個(gè)相同或近似相同的組 成部分可以用相同的標(biāo)號(hào)表示。為了清晰起見(jiàn)，在每個(gè)圖中，并非每個(gè)組成部分均被標(biāo)記。 現(xiàn)在，將通過(guò)例子并參考附圖來(lái)描述本發(fā)明的各個(gè)方面的實(shí)施例，其中：
[0034] 圖1是根據(jù)本發(fā)明某些實(shí)施例的基于視覺(jué)感知的非局部中值盲降噪方法的流程 圖。
[0035]圖2a_2d分別是兩類(lèi)脈沖干擾的圖像示意圖（噪聲密度均為30%)。
[0036]圖3a_3c分別是受到50%隨機(jī)值噪聲干擾