[发明专利]基于shearlet域非局部均值的自然图像去噪方法

说明书

技术领域

本发明属于图像处理技术领域，涉及高噪声情况下自然图像的去噪，可用于开展森林资源调查、土地利用、覆盖变化研究、环境灾害评估、城市规划、国防军情监控、医学影像和天文学影像等领域图像处理中经常会用到的预处理技术。

背景技术

计算机科学技术的迅猛发展对数字图像处理领域产生了巨大的影响，图像去噪作为图像处理领域的一个重要分支，处理时最基本的方法就是将噪声图像估计成：v(i)＝u(i)+n(i)，v(i)表示噪声图像，u(i)表示原始图像，而n(i)表示噪声，处理图像的目的就是去除n(i)，尽可能准确的估计出u(i)，图像去噪，无外乎于空域和频域两个大的方向，但无论是在空域，还是在频域进行去噪，在各种方法中，都是基于“局部平滑”这种思想，但是这种思想无论是在频域，还是在空域，最后都会使图像丢失很多细节信息，为了克服这种思想的缺点，有人提出了非局部均值的思想，非局部均值的方法能够尽可能充分的利用整幅图像中的相似信息，从而估计出待估计的点的信息，但是非局部均值方法在提出时只是应用于空域；而且随着图像噪声的增加，整幅图像的相关信息遭到了噪声的破坏，使得非局部均值方法很难有效地利用图像中的相似信息。

Shearlet变换，作为第三代小波变换中的一种，已经广泛的应用于图像去噪，它克服了小波变换在对图像进行处理时，因为方向性的缺失，不能很好的逼近图像的很多细节特征，使得图像的去噪结果在视觉上比较模糊，有比较严重的划痕现象，造成图像去噪效果差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于shearlet域非局部均值的自然图像去噪方法，以克服现有方法在高噪声情况下对自然图像在视觉上比较模糊，有比较严重的划痕现象的问题，提高去噪效果。

为实现上述目的，本发明包括以下步骤：

(1)选取测试图像，对其加入标准差为50的高斯白噪声；

(2)对加入标准差为50的高斯白噪声的测试图像进行拉普拉斯金字塔分解，将测试图像分解为三层，其中对第二层与第三层再分别应用shearlet基函数产生的shearlet滤波器组进行方向滤波，即将shearlet滤波器组的滤波器个数指定为四个，分别得到四组shearlet系数；对第一层执行步骤(5)；

(3)对第二层得到的四组shearlet系数与第三层得到的四组shearlet系数按如下步骤进行方向参数β的估计：

3a)将β的取值范围取为0到4，递增幅度a取为0.001，将c定义为其中s为shearlet系数的标准差，为shearlet系数的绝对值的期望，将d定义为其中Γ(·)表示伽马函数，将c与d的误差参数b取为0.001；

3b)对β从0开始进行递增幅度为a的递增处理，当c与d的差小于误差参数b时，结束迭代过程，得到递增幅度a的迭代次数n，a与n的乘积即为β的参数结果；

(4)方向参数β确定后，采用基于广义高斯模型的非局部均值方法对第二层与第三层得到的各组shearlet系数进行去噪处理；

(5)对第一层得到的图像分量采用非局部均值方法进行去噪处理；

(6)对步骤(4)与步骤(5)得到的去噪结果进行shearlet逆变换，得到测试图像的重构结果图。

本发明与现有的技术相比具有以下优点：

a、本发明由于将自然图像进行了shearlet三层分解，对分解得到的各组系数进行了非局部均值方法的去噪，克服了现有的非局部均值方法不能应用于变换域的不足。

b、本发明由于将β取值范围确定为0到4，再从0开始进行迭代搜索β值，克服了现有技术对于β的求解效率过低的不足。

仿真实验结果表明，本发明提出的基于shearlet域的非局部均值方法能有效地应用于被噪声标准差为50的噪声腐蚀的自然图像的去噪处理。

附图说明

图1是本发明的实现流程图；

图2是本发明的实验测试图；

图3是本发明与现有的非局部均值自然图像去噪方法在噪声标准差为50时的实验对比结果。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1，选取测试图像，对其加入标准差为50的高斯白噪声。

步骤2，对加入标准差为50的高斯白噪声的测试图像进行拉普拉斯金字塔分解，将测试图像分解为三层，其中对第二层与第三层再分别应用shearlet基函数产生的shearlet滤波器组进行方向滤波，即将shearlet滤波器组的滤波器个数指定为四个，分别得到四组shearlet系数；对第一层执行步骤5。