[发明专利]一种基于噪声估计的图像去噪方法

说明书

本发明公开了一种基于噪声估计的图像去噪方法，利用超像素分割根据图像内容将其分为若干同源区域，利用平坦信息更能代表图像噪声污染水平的先验知识，以图像信息熵为依据找出图像中较为平滑的同源区域，并估计平滑区域的噪声标准差，以这些平滑区域的噪声标准差作为整幅图像的噪声水平，达到更加准确估计噪声水平的目的，从而根据噪声水平对非局部均值(NLM)去噪方法进行修正，实现根据噪声程度合理地控制去噪程度，能够自适应地处理带噪图像，使去噪后的图像整体效果较传统的NLM算法大幅度提升，在去噪的同时更好地保留了细节。全过程可实现自动化与自能化，无需人工干预。

技术领域

本发明涉及图像处理领域，尤其涉及一种噪声估计的图像去噪方法。

背景技术

随着数字图像和多媒体技术的快速发展，各种类型的光学成像系统也越来越多，人们对成像系统的画面质量要求也越来越高，但在图像的传输过程中，难免会受到各种噪声的污染，从而导致所获取的图像与原始的图像质量有所降低，不仅会影像图像的效果，噪声严重时甚至会影响图像的可读性，从而导致后续获取信息出现错误。因此，在图像处理领域中，对数字图像进行去噪是十分有意义的。

目前一种常用的去噪方法是性能优异且边缘保持能力较强的非局部均值(NLM)图像去噪算法。其基本思想是在整幅图像中寻找与待去噪像素相似的像素并以这些相似像素的权值平均值作为其去噪结果，相似度越高的像素对应的权值也越高。其优点在于引入非局部思想和基于图像块的相似度的概念。在自然图像中，每个像素对应的相似像素往往不仅限于其周围较小范围内，且去噪效果也一般与参与去噪的相似像素数量成正比，因此引入非局部搜索方式对提升去噪性能具有重大意义。相似度的准确性是非局部搜索发挥作用的基本保证，若相似度的准确性无法得到保证，使用图像块向量间的高斯加权欧式距作为像素间的相似度，显著提升了噪声环境中相似度的鲁棒性。

带噪图像中的噪声通常被认为是均值为零标准差位置的加性白噪声，因此，合理地估计噪声水平对于去噪可以起到一定的引导作用，而图像中平滑区域的噪声水平往往比细节丰富的区域更接近图像的噪声水平，因此利用超像素分割得到的图像内容相关的同源块，避免了边缘的影响，同时，结合信息熵来评价超像素同源区域的平滑程度，信息熵值越小代表图像中的纹理信息越少，则图像越平滑。因此，选出较为平滑的超像素同源区域用来估计图像的噪声水平，以此为依据修正NLM去噪算法，更有效地对图像进行去噪，在对图像进行去噪的同时很好地保留了细节和边缘信息。

发明内容

本发明的目的在于提出一种自适应的，易于实现，鲁棒性强的图像去噪方法，从而解决现有图像去噪方法由于未知噪声水平而引起的去噪程度不足或去噪过度的问题，并在去噪的同时有效地保留了边缘和纹理信息。

本发明的目的是通过以下技术方案实现的：一种图像去噪的方法，该方法包括以下步骤：

(1)对带噪图J进行基于熵率的超像素分割，得到若干超像素同源区域L_i；

(2)根据图像信息熵理论，计算每个超像素同源区域的信息熵：

L_i代表第i个超像素同源区域，l代表像素的灰度级，代表第i个超像素同源区域中灰度级为l的概率，代表L_i中的信息熵；

(3)根据计算得到的各个超像素同源区域的信息熵的大小进行排序，选出值最小的t个超像素同源区域(占总数的10～20％)，即为图像中最为平滑的部分区域，并标记为1，其他区域标记为0，得到平滑区域的二值图；

(4)计算各个平滑同源区域的标准差

是L_i中像素x的强度，代表L_i中平均强度，为超像素块中像素的个数；