[发明专利]基于NCSR模型的三维协同滤波去噪方法

说明书

本发明公开了基于NCSR模型的三维协同滤波去噪方法，具体步骤为：利用Canny算子提取含噪图像边缘像素点，将该边缘像素点的坐标保存在W中，由此实现像素的分类；步骤2、将步骤1中含噪图像通过块匹配的方式进行分组；步骤3、将步骤2中各分组图像块进行协同滤波去噪；步骤4、经步骤3去噪后的图像加权平均进行聚合，求得图像的最终估计值；对含噪图像进行分区域处理，进一步提高图像细节部分的清晰程度；本发明基于NCSR模型的三维协同滤波去噪方法利用NCSR模型中的滤波公式对噪声进行过滤，充分利用了图像的非局部相似性，明显减少了去噪结果中的光晕和振铃效应。

技术领域

本发明属于图像处理技术领域，具体涉及基于NCSR模型的三维协同滤波去噪方法。

背景技术

近年来，通过对图像噪声以及图像自身信号的特征研究，许多学者以及研究人员不断地提出新的去噪方法。这些方法的共同目标都是：在实现去噪的同时能够保留更多的图像细节信息。对于一幅自然图像来说，其结构纹理特征都存在着很大的相关性。因此，无论是用空域方法直接对像素值进行平均处理，还是利用频域方法将图像进行变换再对变换系数进行阈值处理，都是充分利用了图像本身的局部和非局部相关性特征来取得较好的去噪效果。

利用局部相似性进行去噪的方法都是仅通过比较单个像素的灰度值来对含有噪声的像素进行处理，算法的鲁棒性达不到预想的效果。针对局部去噪方法的这一缺陷，研究者们力图挖掘图像的非局部相关性，进一步提高去噪效果。在Buades等人首先提出NL-Means这一非局部去噪方法，该方法为后来的许多非局部去噪方法提供了新的思路。其中，BM3D算法是公认的去噪效果相对较好的非局部去噪算法，它算法能很好地克服NL-Means时间复杂度过高这一缺陷。既能更多地保护图像细节，又能在相对短的时间内得到图像的非局部相似性并加以利用。但是BM3D的去噪效果中出现了光晕、振铃和马赛克效应。由于它采用了简单的硬阈值过滤公式来对一组图像块进行局部和非局部过滤，而该过滤公式仅适用于图像的局部过滤。在对非局部图像块进行过滤时常常会使图像边缘出现振铃效应。

发明内容

本发明目的是提供基于NCSR模型的三维协同滤波去噪方法，采用不同的滤波方式对图像的边缘区域和光滑区域分开处理，能够提高处理后图像的清晰度。

本发明所采用的技术方案是，基于NCSR模型的三维协同滤波去噪方法，具体按照以下步骤实施：

步骤1、利用Canny算子提取含噪图像边缘像素点，将该边缘像素点的坐标保存在数组W中；

步骤2、将步骤1中含噪图像通过块匹配的方式进行分组，得到多个分组图像块；

步骤3、将步骤2中各分组图像块进行协同滤波去噪；

步骤4、将步骤3去噪后的分组图像块解组成多个图像块，对于在原图像中具有同一坐标的各图像块通过加权平均的方式进行聚合，求得图像的最终估计值。

步骤2具体步骤为：首先确定参考块的位置，从图像左上角第一个8×8的图像块开始为第一个参考块，下一个参考块的位置为向右或向下平移三个像素，以每个参考块为中心的39×39的区域为当前参考块所在的邻域，在邻域内所有与参考块大小相同的图像块都是候选块，遍历邻域内所有的候选块并求出其与当前参考块之间的欧式距离，选出16个欧式距离最小的候选块作为一组相似块，该组相似块与相应的参考块组成一个分组。

欧式距离的求解方法为：

式(1)中，d^noisy表示欧式距离，||·||₂表示l-2范式，Z_xR代表参考块的像素值，Z_x代表邻域内的侯选块的像素值，代表一个图像块内的像素点个数。

步骤3具体步骤为：