[发明专利]基于非局部自相似性与稀疏表示的图像处理方法及装置

说明书

本发明公开了一种基于非局部自相似性与稀疏表示的图像处理方法及装置，通过引入结构相似度量SSIM计算得到每个图块的相似图块集，并将SSIM与图块的欧氏距离相结合应用到非局部中心化稀疏编码估计的加权系数的求解中，有效估计相似图块的加权系数值，进而计算获得更准确的稀疏编码值，同时利用迭代收缩算法对图块的预置字典与稀疏编码估计值进行运算得到每个图块的稀疏系数，将稀疏系数代入预置重构图像函数进行图像重构，得到去噪图像。解决了现有的图像稀疏去噪算法稀疏系数估计不准确影响去噪效果的技术问题。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于非局部自相似性与稀疏表示的图像处理方法及装置。

背景技术

随着图像处理技术的发展，人们对图像的识别要求也越来越高。通过拍照获得的图像，都会存在图像噪声，即与所需要的图像的真实内容无关的干扰信息，而图像处理技术其中一项就是图像去噪。

图块非局部自相似性与稀疏表示模型相结合为图像处理技术的发展注入新的内容和活力，极大推动和促进图像去噪技术的广泛应用。图块非局部相似性认为图块在图像中不同的空间位置上具有重复性，即任何一个图块能够在图像其他位置上找到与它相似的图块，将具有结构相似的图块组合成一个图块集，然而图块间相似性的度量方法例如欧氏距离度量法、夹角余弦法、相关系数度量法等利用欧氏距离来度量，把图块看成孤立的像素点来进行处理而忽略图块间具有的结构相似性。

为解决因忽略了结构相似性导致的图像处理效果差的问题，目前的一种方法是引入了结构相似性的索引测度(SSIM)度量处结构相似的图块。在非局部中心化稀疏编码估计中为了获得给定图块的原始稀疏系数的合理估计传统的非局部中心化稀疏表示模型首先找出图块的相似图块集将相似图块集的稀疏编码进行加权平均来获得估计值，忽略了图块间具有的结构相似性，使得结构上相似的图块会由于欧氏距离过大而获得更小的加权值从而导致加权平均后的图块与原始图块发生严重偏离，使得给定图块的原始稀疏系数的估计不准确，影响图像去噪效果。

发明内容

本发明实施例提供了一种基于非局部自相似性与稀疏表示的图像处理方法及装置，用于解决现有的图像稀疏去噪算法原始稀疏系数估计不准确影响去噪效果的技术问题。

本发明提供的一种基于非局部自相似性与稀疏表示的图像处理方法，包括：

S1：获取待去噪图像，对所述待去噪图像进行分割，得到若干个相互重叠的图块；

S2：根据SSIM公式计算每两个所述图块的相似度，得到每个所述图块的相似图块集，并计算所述相似图块集中每两个所述图块的欧氏距离；

S3：根据所述相似图块集中每两个所述图块的相似度和所述欧氏距离通过预置加权系数计算公式计算所述相似图块集中每个所述图块的加权系数，并将所述加权系数代入预置稀疏编码计算公式计算每个所述图块的稀疏编码估计值；

S4：根据对所述图块训练得到的预置字典与所述稀疏编码估计值通过迭代收缩算法计算每个所述图块的稀疏系数，并将所述稀疏系数代入预置重构图像函数重构得到第一去噪图像。

优选地，步骤S4具体包括：

S41：根据K均值算法对所述图块进行聚类，并对所述聚类进行训练，得到预置字典；

S42：根据所述预置字典与所述稀疏编码估计值通过迭代收缩算法计算所述图块的稀疏系数，并将所述稀疏系数代入预置重构图像函数重构得到去噪图像。

优选地，步骤S4之后还包括：

S5：计算所述第一去噪图像与所述待去噪图像的峰值信噪比，将所述第一去噪图像作为第一待去噪图像，并返回步骤S1；当所述峰值信噪比的变化趋于稳定时，获取到与所述峰值信噪比对应的去噪图像的最优稀疏系数，并执行步骤S6；