[发明专利]融合KL变换与灰色关联度的非局部均值去噪方法

说明书

本发明提供了一种融合KL变换与灰色关联度的非局部均值去噪方法，包括如下步骤：S1，采用非局部均值去噪方法对含噪图像进行预去噪处理；S2，基于非局部均值去噪方法的基本原理，改进图像子块间相似性度量的方式，进行权值重构；S3，在相似性度量中，加入基于KL变换的特征因子，充分而完整的利用KL变换的特征提取功能，较精确的捕捉图像的特征；S4，在相似性度量中，加入基于新型灰色关联度的纹理因子；S5，以预去噪图像为基础，采用加入了特征因子和纹理因子进行权值重构的改进的非局部均值去噪方法进行二次去噪。进一步提升权重度量的准确性。

技术领域

本发明涉及一种图像去噪方法，属于图像处理领域，尤其是一种以保护图像细节特征为目的的融合KL变换与灰色关联度的非局部均值去噪方法。

背景技术

在图像处理中，图像去噪属于底层的预处理环节。尽管如此，针对目标识别、图像分割、特征信息提取等对图像质量要求较高的后续处理，图像去噪环节不可或缺。一种好的图像去噪算法不仅能有效去除噪声，在去噪同时还能极大程度的保留图像的边缘细节特征。研究者们以有效去噪为基点，提出了许多图像去噪算法。有别于均值滤波、高斯滤波、双边滤波等几种经典空域去噪方法，Buades等人于2005年创造性的提出非局部均值去噪方法(Non-local means，NLM)，不再针对单一像素而是对图像块进行处理，通过计算两个图像子块之间的欧氏距离来确定两子块中心点像素的相似程度，得到更为精确的邻域灰度值的权值系数，能够达到较为理想的去噪效果，推动着图像去噪进入又一个崭新的历程。近年来，很多学者从算法性能提升方向出发，在NLM的基础上又提出一些改进。提出NLM-PCA算法，通过主成分分析(PCA)将图像子块投影到低维子空间进行相似性度量，但该算法特征向量的构造是基于搜索窗内所有图像子块，包含了相似度低的子块特征，且仅保留主要特征分量，使相似性度量不够准确，去噪的同时丢失了细节特征。将BF思想推广到NLM过程中，加入空间邻近度因子改进权重度量，在一定程度上更好地保护了图像的结构细节，但绝对的降低远距离图像子块对中心图像子块的影响，忽略了长边缘等边缘延伸较长的情况，不具有鲁棒性。现有技术还提出采用两幅受相同噪声分布与噪声强度干扰的噪声图像在NLM的基础上进行首次去噪，利用残留图像的梯度图像进行二次去噪。尽管梯度图像能部分反映图像的细节特征，但残留图像中大量的噪声对梯度的提取影响较大，使二次去噪时相似性度量不准确。

现有的改进算法在去噪效果上都取得一定提升，但大多算法在图像子块间相似性度量环节忽略了不同的图像子块纹理特征的分布不同，使相似性度量不具有鲁棒性，不利于去噪后图像边缘细节的保护。考虑去噪质量和纹理特征保护的综合平衡，提出一种改进的融合KL变换与灰色关联度的非局部均值去噪方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种融合KL变换与灰色关联度的非局部均值去噪方法。

本发明在权重度量时加入特征因子和纹理因子，利用KL变换的特征提取和改进的新型灰色关联度模型能在一定程度上反映图像子块纹理结构的局部分布的优势，将KL变换、灰色关联度与NLM算法结合，进行权值重构，使权值度量更为精确，以达到提升去噪性能的目的，本发明提供了一种融合KL变换与灰色关联度的非局部均值去噪方法，包括如下步骤：

S1，采用非局部均值去噪方法对含噪图像进行预去噪处理；

S2，基于非局部均值去噪方法的基本原理，改进图像子块间相似性度量的方式，进行权值重构；

S3，在相似性度量中，加入基于KL变换的特征因子，充分而完整的利用KL变换的特征提取功能，较精确的捕捉图像的特征

S4，在相似性度量中，加入基于新型灰色关联度的纹理因子，从纹理方向出发，进一步提高相似性度量的准确性，保护去噪后图像的细节纹理；

S5，以预去噪图像为基础，采用加入了特征因子和纹理因子进行权值重构的改进的非局部均值去噪方法进行二次去噪。