[发明专利]图像乘性噪声移除方法

说明书

技术领域

本发明属于数字图像处理技术领域，具体是一种基于非局部相似的稀疏表示和低秩约束的图像乘性噪声移除方法。

背景技术

图像去噪是图像处理中的最基本的问题之一，其目的是从带噪图像中恢复出原始图像。由于乘性噪声广泛存在于核磁共振、遥感、合成孔径雷达等成像领域，其降低了图像画面质量，严重的影响了图像的分割、目标检测等处理，因此，如何有效的去除乘性噪声是相干成像领域的首要问题。

目前，关于乘性噪声去除算法中，比较普遍的方法有基于变分和基于稀疏表示的方法。基于变分的方法是利用变分模型经过迭代去噪，该变分模型包含忠诚项和正则项。基于变分的方法的收敛速度一般比较慢，而且容易引起阶梯效应。基于稀疏表示的方法分两类，一类是多尺度变换(如超小波)，由于这类算法的字典是固定的，对处理的图像有一定的限制性；另一类是学习字典，这类算法是根据样本训练出字典，然后利用该字典来表示图像，并建立相应的模型，经过迭代去噪。基于稀疏表示的方法在视觉质量和峰值信噪比上效果不理想。

针对这些缺陷，已经有许多文献提出了一些不同解决方案。

在“C.Chesneau,M.Fadili,and J.Starck,Stein block thresholding for image denoising,Appl.Comput.Harmon.Anal.,2010,28(1):67-88.”中，Chesneau等提出基于滤波器的变分乘性噪声的移除(BS模型)。该算法是设定斯坦块阈值D＝2，特别强调任何尺寸d的最小值。为了实现这一目标，证明了平滑空间的一个子类即所谓的分解空间，这些平滑空间覆盖的Besov空间，以及相应的曲波型结构的平滑空间。主要理论成果是分解的这些空间，并显示的块估计可以达到最佳的最小值，或至少是接近最小值的情况。另一个贡献是最小化的惩罚性是表示对噪声序列模型的转换，系数满足一些假设和阈值参数的选择，从理论上探讨其最佳值在一定的条件下满足，缺点是BS模型在峰值信噪上比以前的噪声移除算法提高很多，但是在处理后的图像视觉效果上增加了一些不必要的东西。

在“Y.M.Huang,L.Moisan,M.K.Ng,and T.Y.Zeng,Multiplicative noise removal via a learned dictionary,IEEE Trans.Image Process.,2012,21(11):4534-4543.”中，Huang等提出了基于稀疏表示的K-SVD方法字典训练的乘性噪声的移除算法(HYM)，HYM模型得到了很好的峰值信噪比和视觉效果，但是在较高的噪声图像中，仍存在较多的噪声点，细节丢失严重，视觉效果不理想。

通过对上述乘性噪声去除方法的分析发现：它们在不同程度上存在细节丢失、适应性差等影响图像视觉效果的问题。需要开发一种能很好的去噪的同时有效保持图像细节的方法。

发明内容

本发明所要解决的技术问题是现有图像乘性噪声去除方法，在不同程度上存在细节丢失、适应性差等影响图像视觉效果的问题，提供一种图像乘性噪声移除的方法。

为解决上述问题，本发明所设计的一种图像乘性噪声移除方法，包括如下步骤：

步骤1，对图像进行归一化预处理即对图像进行对数变换；

步骤2，先对对数域中的图像进行分块，再分别对分块所得的每个图像块进行非局部相似匹配，并找到每个图像块具有相同结构类型的非局部相似图像块；

步骤3，对于每个图像块，先对该图像块的非局部相似图像块进行K均值聚类，再分别在每一聚类中构建一个自适应稀疏字典；

步骤4，对于每个聚类的自适应稀疏字典，先对自适应稀疏字典利用收缩算子的代理函数得到稀疏编码，再对该稀疏编码和自适应稀疏字典利用软阈值算子求解低秩约束函数；

步骤5，将得到的稀疏编码和低秩约束函数，利用欧拉-拉格朗日公式获得最小化的图像函数；

步骤6，使用牛顿迭代法对最小化的图像函数进行迭代所得到的函数迭代公式即为对数域中噪声移除后的图像；

步骤7，将对数域中噪声移除后的图像还原到实数域中，恢复得到最终实数域中的噪声移除后的图像。

上述步骤2中，需将每个图像块用稀疏编码进行表示，此时每个图像块与其非局部相似图像块之间通过稀疏编码进行联系。

上述步骤2中，每个图像块与其非局部相似图像块之间的信息用它们之间的距离权重的2范数去刻画。

上述步骤3中，采用PCA主成分分析方法来构建每一聚类的自适应稀疏字典。