[发明专利]一种基于噪声预测的图像去噪方法

说明书

本发明公开了一种基于噪声预测的图像去噪方法，属于图像处理的技术领域。本发明首先通过KSVD算法去除原始图像中不必要的冗余信息，接着通过邻域窗口对KSVD算法处理后剩余的图像冗余信息进行非均值处理，避免了大范围预测噪声带来的不准确，使得除去预测噪声后的图像能够更大限度地保留细节信息，再以原始图像和非均值处理后图像的差为独立成分分析算法的观测图像，通过独立成分分析确保分离出的有用信息分量和噪声分量相互独立，在去噪的同时尽量保留图像的有用信息，保证降噪后的图像最优。

技术领域

本发明公开了一种基于噪声预测的图像去噪方法，属于图像处理的技术领域。

背景技术

随着以计算机网络为基础的信息化技术的发展，人们对数字图像质量的要求越来越高，影像输出设备及一些光电器件产生的热噪声、散粒噪声和量子噪声等噪声会严重降低最终输出的图像的质量。数字图片噪声按照产生的原因可以分为内部噪声和外部噪声，按照噪声幅度随时间分布的形状来定义又可分为高斯噪声和雷利噪声，高斯噪声和椒盐噪声是数字图像中常见的两种噪声。

传统的去噪方式将噪声和有用信息同等对待，认为噪声和图像细节信息在某个变换域中分布于不同区间，然而，噪声和某些有用信息图像在某个区域中一般为相互叠加，在去除噪声的同时也会去除有用的细节信息，不同的去噪手段只能在特定的噪声信号范围之内有效，超出范围的含噪图像经过处理会大面积失真。

盲源分离是一种基于统计等热信号的处理技术，最初的经典应用为“鸡尾酒会”。盲源分离因可以分析多维数据逐渐被应用于图像融合、图像增强、特征提取、伪影消除、混合图像、消除散乱线等图像处理方面，而利用盲源分离进行图像降噪需要借助噪声的先验知识或者通过训练含噪声图像的方式进行稀疏编码压缩。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种基于噪声预测的图像去噪方法，通过对原始图像的逐步降噪处理，最大限度地保留了图像细节信息解决了盲源分离算法必须要有多张图像信号源的技术问题。

本发明为实现上述发明目的采用了如下技术方案：

本发明专利是一种基于盲源分离的从含噪图像中进行一定的噪声预测的图像去噪方法，当所得图像只有一张时，需要对这张图像进行一部分去噪处理，首先要进行的是压缩，通过压缩得到图像的冗余信息，对冗余信息进行非均值处理得到噪声强度不同的图像，重复此步骤，可以得到多张含不同强度噪声的图像，再根据独立成分分析算法进行盲源分离得到去噪图像，不需要大量地拍摄照片且能够最大限度地保留细节信息。

该方法具体是：对经KSVD字典压缩的冗余信息进行非均匀处理得到含有不同强度高斯噪声的图像，原始噪声图像减去含有不同强度高斯噪声的图像得到一张初步去噪图像，再对初步去噪图像进行盲源分离，具体方法如下：

1、稀疏压缩原始噪声图像

采用KSVD压缩算法处理拍摄得到的原始噪声图像，即满足KSVD的压缩迭代条件，KSVD算法的目标函数表示为：

其中，D∈R^n×K y∈Rⁿ x∈R^K，D、Y、X分别代表字典、训练信号、训练信号的稀疏表示向量，D∈R^n×K，Y∈Rⁿ，X∈R^K，R^n×K为n×K的向量空间，Rⁿ为n维向量空间，R^K为K维向量空间，为N个训练信号的集合，为Y的解向量集合，T₀为稀疏表示系数中非零分量的数目的上限，即系数向量中的最大差异度。

经过迭代变换之后，原始噪声图像中的许多噪声信息被一同剔除，保留下来的冗余信息却含有很多图像细节信息，即，经KSVD压缩处理过得到的冗余信息包含噪声信息和大量的图像细节信息，非均值处理对这些过量冗余信息进一步稀疏化；