[发明专利]一种基于无监督学习的非局部均值图像去噪方法

说明书

技术领域

本发明涉及图像去噪技术领域，特别涉及一种基于无监督学习的非局部均值图像去噪方法。

背景技术

在图像处理当中，图像去噪是非常重要的预处理技术，它是图像处理中其他技术的基础和前提，图像去噪是从受损的图像中提取出原始图像的，为图像处理的其它阶段提供清晰的、完整的、尽可能接近于原始图像的图像信息。所以，高效、高质量的图像去噪方法，在图像处理中的地位十分重要。因此，图像去噪一直以来都是图像处理中非常热门的一个研究课题。到目前为止，有许多非常有效的方法被提出来应用于图像去噪。其中，非局部均值滤波算法就是这些算法中比较有代表性的方法之一，被广泛应用于遥感图像的去噪、场景图像或视频的去噪以及医学图像的去噪，并且都有很好的去噪效果。它通过充分利用图像本身的冗余性，在全局范围内搜索图像中像素点的相互关系，提高权值的计算精度，使像素点的估计值更加的接近图像的原始值，达到移除噪声的目的，此外该方法能够有效的移除噪声保存更多的原始图像的细节信息。

非局部均值滤波在全局范围内进行搜索，将原始图像拆分为大小相同图像块，分别计算图像块之间的相似性，均值化相似性权重从而估计出相对应的像素点的值，此方法很好的解决了传统的局部的去噪方法，去噪能力弱或损失过多原始信息的问题。非局部均值滤波算法在全局范围内进行计算相似性，保存更多图像的细节信息，从相似性权重的计算方式上我们可以看出该方法同时带来了更多的计算的开销。非局部均值滤波算法可以分为三个步骤：第一步，选择一定大小搜索窗口，根据搜索窗口的大小将图像进行拆分；第二步，在同一搜索窗口内，将图像分为相同大小的图像块，计算搜索窗口中心点所在的图像块与同一搜索窗口内的所有图像块的相似性权重，相似性权重的计算是平均化像块内的像素点的欧式距离获得；第三步，通过相似性权重估计出搜索窗口中心点的像素值。

无监督学习是一种被广泛应用于深度学习和机器学习的工具，同时它是进行数据挖掘的主要的工具之一，无监督的方法也被用于图像处理当中。聚类分析属于无监督学习方法的一种，它是在没有标签的条件下利用数据的相似性尽可能的将同一类数据聚到一个类里面，同时它还能让不同的类之间的差别尽可能的大。本文中使用的是k-means算法，Adam Coates等人在他们的论文中证明了K-means聚类算法是准确率最高的算法，并且不需要超参数(hyper-parameter)，因此在本文中选用的是聚类中的K-means方法进行计算。图像的噪声是随机产生的，尤其是在实际的应用当中，由于设备之间的差异和外部条件的不同产生的噪声是各不相同的，甚至是不同的图像采集者，收集到的图像的中包含的噪声也会有差别，想要找到一种通用的处理办法是非常困难的，本文提出的基于无监督学习(聚类)的图像去造的方法，就是充分利用所采集到的图像本身所具有的特性来进行聚类，找出图像内部像素点之间的共性，以及每个类之间的最大差异。前面已经讲过，去噪的过程本身就是一个利用平均化的方法，从噪声图像中提取出复原图像，以此来达到去噪的效果，所以选用的k-means的方法也正好能够实现去噪，所以在理论上提出的方法是可行的。

现有技术：

图像去噪一直以来都是非常重要，并且是比较热门的研究课题，有很多去噪的方法和模型被提出来应用于遥感图像、场景图像和医学图像，同时取得了一定的效果。其包括局部的、非局部的去噪方法，线性的、非线性的去噪方法，频域的、空间域的去噪方法，还包括小波变换，各向异性和同向异性扩散等。

均值滤波，根据实际情况的需要，选择不同大小的图像块，用待求像素点所在的图像块的均值对像素值进行估计，该方法可以根据选择不同大小的图像块得到不同的去噪效果，利用平均化的方法，能够有效地去除噪声对图像的影响。

中值滤波，与均值滤波相似，也是选择一定大小的图像块。不同的是，中值滤波是用图像块内的中去对所求的像素值进行估计，该方法能够很好的排除椒盐噪声对图像的影响。

邻域滤波，考虑到相邻的图像块之间或多或少存在相关性，邻域滤波利用这种相关性对像素点的值进行估计。在同一个图像块内，邻域滤波根据待求像素点与用于估计的像素点的距离关系，给每一个用于估计的像素点分配一个权值，距离待求的像素点越远的权值越小。该方法考虑到像素点之间的位置关系，是去噪效果的到了提升。

高斯滤波，与邻域滤波相似，高斯滤波也是给用于估计的像素点分配一个权值，权值的分配方式与邻域滤波不同，高斯滤波利用像素值本身的相似性程度进行权值的分配，同样的能够达到去噪的效果。