[发明专利]基于改进的形状自适应窗口的图像去噪方法

说明书

技术领域

本发明属于图像处理技术领域，特别是涉及图像去噪方法，可用于环境变化评估，国防军情监控，医学影像，天文影像等领域的数字图像预处理。

背景技术

图像去噪是图像领域的一个热点问题，也是一个具有挑战性的研究方向。图像中的噪声会妨碍人们对图像的理解，图像去噪可以很好的去除图像中的噪声，提高人们对图像的认识程度，以便对图像作进一步地处理。

根据图像的特点和统计特征，多年来很多学者已经提出很多去噪算法，而这么多种算法，无外乎是基于空域和频域两大方向，并且都是基于局部平滑的处理。而这种处理会使图像丢失很多种信息，去噪效果并不理想。2005年A.Buades，B.Coll等人对双边滤波器进行了改进，提出了一种非局部均值的去噪方法。非局部均值最大的贡献就在于，它打破了以往“局部平均”的思想，提出“全局搜索”的概念，即在整幅图像中搜索相似点进行加权平均。在非局部算法中，每一个相似块就是一种无序含噪的高维数据，若相似窗大小为7×7，则图像中每一个像素的邻域像素特征向量为49维，这样计算特征向量间相似性需要大量的计算时间，算法复杂度比较高。为了解决这个问题，Charles Kervrann，Pierrick Coupe等人提出利用Bayesian概率分布，在每一个相似块中加入均值和方差估计作为预选取，更准确地得到每一个像素的特征向量，减少了特征向量的个数，减少了算法复杂度，并且提高了准确度。但是这种的基于一个固定块的预选取方法，只是考虑了像素之间的结构信息，没有考虑到像素点之间的同质信息。

图像的同质区域可以很好的反映图像的相似信息，如果能成功地找到每一点同质区域，就能获得每一像素点更为准确的相似特征向量，这对于去噪是十分有利的。然而，由于噪声的影响，要获得精确图像的同质区域边界是一项非常复杂的工作。在图像压缩中，为了对感兴趣区域进行编码，学者们提出了许多形状自适应离散小波变换算法，当前应用最广泛的是由Li等人提出的SA-DCT，这种变换在保证分解稀疏性的前提下保留了小波变换的系数和位置特征。由于这些特性的存在，SA-DCT也可以有效地应用到图像去噪中。但是现有的SA-DCT算法不能很准确地得到每一个像素点的自适应区域，因而去噪结果并不是很理想。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了基于改进的形状自适应窗口的图像去噪方法，更准确的得到每一个像素点的自适应窗口，使得预选取后每一个像素点相似特征向量更为精确，去噪效果更好。

为实现上述目的，本发明包括如下步骤：

一种基于改进的形状自适应窗口的图像去噪方法，包括如下步骤：

(1)将输入的含噪自然图像z进行一次滤波，得到一次滤波结果

(2)假设一次滤波结果服从高斯分布，在中以待修正像素点x_i为中心的相似窗内按照以下公式建立高斯模型：

Pxi(xj)=12πσexp[-12(xj-μxiσ)2]]]>