[发明专利]基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统

说明书

一种基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统，通过从原始图像中划分出若干图像块，将其中相似的图像块堆聚组成更高阶的张量，对高阶张量进行张量分解得到张量矩阵和噪声精度的联合概率，通过交替迭代法近似估计基于联合概率的极大对数似然模型参数和超参数并得到消噪高阶张量，最后将消噪高阶张量中每个图像块复原后得到消噪后的低阶图像。

技术领域

本发明涉及的是一种图像处理领域的技术，具体是一种基于贝叶斯张量并行因子分解的相似块堆聚图像消噪方法及系统。

背景技术

现代社会数字图像的应用已经相当普及，人们对高质量图像要求越来越高。但在图像获取过程中，由于环境的影响和设备的精度问题，获取的图像数据会包含各种噪声，影响了图像的视觉效果。减少图像噪音的影响，尽可能地恢复图像原来的信息具有广泛的应用前景。对应各种不同的噪声，传统的消噪方法有：高斯低通滤波、均值滤波、中值滤波、小波变换消噪等。近年来基于图像特征提取的方法越来越多地应用在这上面，譬如基于稀疏编码的消噪算法、基于图像非局部相似性的算法、基于深层神经网路的算法等。然而，这些方法都需要把噪音具体统计指标作为输入变量，这个在实际图像中一般是很难直接得到的。这些方法中很多需要复杂的参数调节或者需要使用大量数据进行训练才能较好地完成某些特定场景下的消噪任务。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于贝叶斯张量分解的相似块堆聚图像消噪方法及系统，只需要输入含有噪音的图像，在做了一个初步的预处理后之后，程序会把输入图像中的相似的小块组合成高阶张量，实现“堆聚”，然后利用的贝叶斯张量并行因子分解模型对张量的秩进行自动估计并进行张量分解，算出消噪结果并估计噪音方差，最后根据张量分解的结果对图像进行重构可以有效估计无噪音图像。

本发明是通过以下技术方案实现的：

本发明通过从原始图像中划分出若干图像块，将其中相似的图像块堆聚组成更高阶的张量，对高阶张量进行张量分解得到张量矩阵和噪声精度的联合概率，通过交替迭代法近似估计基于联合概率的极大对数似然模型参数和超参数并得到消噪高阶张量，最后将消噪高阶张量中每个图像块复原后得到消噪后的低阶图像。

所述的原始图像，具有三阶张量，即空间水平、垂直方向和颜色维度。

所述的初步消噪图像，是指在原图像上进行高斯滤波等简单操作后初步去除噪声的图像。

所述的图像块，通过用滑动窗口在图像中取出的若干小图像块。

所述的堆聚是指：首先用相对大一点的滑动距离生成初步消噪图像的参考图像块。对于每个参考图像块Y_i，在图像中的一个更小的区域，以较小滑动距离的滑动窗口生成新的图像块，并从其中选择与之最相似的图像块以组成初步消噪图像块组原始图像相同位置的图像块则组成原始图像块组当原来的图像块是三阶张量，现在加上相似的非局部结合，则得到四阶张量；使用双滑动窗口是为了选出与Y_i更相似的图像块。

所述的张量分解，即对得到的多个四阶张量原始图像块组按张量并行因子模式进行分解。张量分解算法采用贝叶斯模型，模型中参数和超参数具有条件概率关系，算法中对模型中每个参数和超参数采用先固定其他参数计算其极大对数似然的最优值的交替迭代法计算出因子，其中每个原始图像块组的噪音精度参数τ根据原始图像块组与初步消噪图像块组之差设定初始值。

所述的张量重构，当张量分解迭代收敛时，根据得到的因子通过重构得到消噪高阶张量

所述的复原是指：将消噪高阶张量中每一个图像块提取出来并置于原始位置得到消噪后的低阶图像。优选地，当存在多个图像块重叠，则取平均值作为消噪后的图像。