[发明专利]一种基于广义自回归异方差模型的噪声方差估计方法

说明书

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于广义自回归异方差模型的噪声方差估计方法。

背景技术

由于成像环境和传输信道等各种因素的影响，获得的数字图像常常被噪声污染。噪声不仅降低了图像的质量和视觉效果，还会影响后续各种图像处理和分析过程。比如：图像复原中正则化参数的选取、稀疏表示中平衡因子的取值、图像压缩中最佳量化次数的确定等都依赖于噪声方差的先验知识，噪声方差估计得准确与否会显著地影响图像去噪、复原、表示、压缩、分割、特征提取、目标识别等的性能。

现有的图像噪声方差估计的方法主要有三大类：一类是基于滤波的方法，这类方法先通过滤波来提取图像的高频信息，再从高频信息中来估计噪声的方差，然而，该类方法容易将图像的边缘和纹理等高频细节信息视为噪声，导致噪声方差的过估计。第二类是基于分块的方法，该方法依赖“同质块的局部方差可以作为该块的噪声方差的估计量”这一假设，先按一定准则把噪声图像分成很多小块，然后从诸多小块中寻找同质子块，再基于同质子块来估计图像噪声的方差，该类方法性能的好坏取决于如何科学有效的确定图像的同质块，并保证有足够多的同质块参与到噪声方差的估计中。第三类是基于小波域统计建模的方法，该类方法中最著名的是Donoho方法，Donoho方法用统计量作为噪声方差的估计，其中median(·)表示取中值,HH为含噪图像小波变换域的第一层对角高频子带系数矩阵，该方法在噪声污染严重时估计的比较准确，当噪声水平较低时，会出现过估计。

因此，针对现有技术中的存在问题，亟需提供一种准确性高、且适用于各种噪声水平的退化图像，能够为去噪、复原、特征提取等后续图像处理提供支持的噪声方差估计方法显得尤为重要。

发明内容

本发明的目的在于针对现有含噪图像噪声方差估计技术的缺陷，提出一种 基于非子采样轮廓波变换和广义自回归异方差模型的噪声方差估计方法，该方法可以提高噪声方差估计的准确性，且适用于各种噪声水平的退化图像，为去噪、复原、特征提取等后续图像处理提供支持。

本发明的目的通过以下技术方案实现：

提供一种基于广义自回归异方差模型的噪声方差估计方法，包括以下步骤：

步骤1，读取被噪声污染的含噪图像；

步骤2，对含噪图像做非子采样轮廓波变换；

步骤3，对步骤2中的每个高频子带系数矩阵做去均值滤波处理；

步骤4，将去均值滤波处理后的二维高频子带系数矩阵转换为一维序列数据；

步骤5，对一维序列数据建立自回归模型，并求得其残差序列；

步骤6，对残差序列建立统计学模型；

步骤7，根据步骤5中求得的残差序列和步骤6的统计学模型，采用极大似然估计的方法计算统计学模型的参数；

步骤8，求得含噪图像中的噪声的方差。

其中，所述步骤1的具体步骤为：

读取被噪声污染的含噪图像g_x,y＝f_x,y+n_x,y，

其中：f_x,y为清晰图像，n_x,y为噪声图像；含噪图像g_x,y、清晰图像f_x,y、噪声图像n_x,y的大小均为N×M；n_x,y服从均值为0、方差为σ²的正态分布；下标x,y分别表示图像的行坐标与列坐标，1≤x≤N,1≤y≤M；

所述步骤2的具体步骤为：

对含噪图像g_x,y做L级非子采样轮廓波变换，即NSCT，其中，在第i级的方向数为2^i-1，得到大小为N×M的低频子带系数矩阵和各级各方向上的高频子带系数矩阵高频子带系数矩阵的个数为j为在第i级上的方向数，L为大于2的自然数；

其中，为f_x,y的NSCT的系数矩阵，为n_x,y的NSCT的系数矩阵。

其中，所述步骤3的具体步骤为：

采用以下公式对每个高频子带系数矩阵去均值滤波处理，

其中，为系数矩阵去均值滤波处理后得到的矩阵。

其中，所述步骤4的具体步骤为：

按照从左到右、从上到下的顺序依次回形读取去均值滤波后的二维系数矩阵 中的元素，得到一维序列数据序列数据既包含有噪声图像的信息，又包含有清晰图像的信息。