[发明专利]一种衰减参数自适应非局部均值的图像降噪方法

说明书

本发明提供了一种衰减参数自适应非局部均值的图像降噪方法，涉及图像去噪领域。在对噪声图像进行非局部均值降噪处理中确定衰减参数与全局均方误差的关系，利用迭代算法获得衰减参数的最优值，并根据该值确定最优预降噪图像；然后利用最优预降噪图像估计降噪图像的像素级均方误差，再利用最速下降法获得像素级均方误差取得最小值时对应的最终降噪图像。本发明提供的图像降噪方法，可对受高斯噪声和斑点噪声污染的图像进行有效的恢复，与现有非局部均值方法相比，在图像噪声滤除、伪影消除和细节保留方面可获得更佳的效果。

技术领域

本发明涉及图像分析与处理中的图像去噪领域，尤其涉及一种衰减参数自适应非局部均值的图像降噪方法。

背景技术

噪声会降低图像质量，并且使模式识别变得困难。降噪有助于后续图像处理任务，如分割、配准及可视化等处理任务，因此研究图像降噪方法具有重要理论价值和实际意义。

非局部均值(Nonlocal Means,NLM)是图像降噪的主流方法之一，在图像降噪领域引起了广泛关注。该方法最初是为消除高斯噪声而设计，其核心思想是利用图像在全局范围内的自相似性实现图像降噪，其中自相似性则利用像素邻域(即图像块)而非单个像素间的灰度差异进行评价。近年来，有学者将NLM推广至受斑点噪声污染图像(如医学超声图像、合成孔径雷达图像)的降噪处理中，提出了基于概率块(probabilistic patch-based,PPB)的滤波方法及优化的贝叶斯非局部均值(optimized Bayesian nonlocal means，OBNLM)方法，其取得了一定的效果。

NLM方法的恢复性能与衰减参数h有直接关系，衰减参数的自适应选择是一个极具挑战的难题。有学者提出了衰减参数全局自适应方法，这些方法采用Stein无偏风险估计(Stein’s unbiased risk estimate，SURE)来确定h，或简单地认为h与图像中噪声标准差σ之间呈线性关系，将h设计为h＝c·σ，其中c为常数。这些方法虽然能在一定程度上提高NLM的鲁棒性，但对整幅图像选择相同的衰减参数h很难保证对图像中的边缘区和平滑区皆取得良好的恢复效果。因此，研究衰减参数h的局部自适应方法非常重要。Duval等在NLM方法中引入了偏差-方差平衡原理，利用像素级SURE(pixel-wise SURE,PSURE)来确定每个像素的最优衰减参数，该方法易在图像边缘区域产生衰减参数的误估计，导致在一些边缘区域的恢复性能降低。Dore等通过在牛顿方法中嵌入C_p统计方法，提出了C_p-NLM方法，以确定最佳的衰减参数。该方法直接利用受噪声污染的图像来估计局部均方误差，当图像中噪声污染程度较严重时，因难以准确确定每个像素对应的衰减参数而导致图像恢复性能的不佳。

总体来说，现有非局部均值方法无法准确地确定衰减系数，因此会影响该方法对高斯噪声或斑点噪声污染图像进行降噪处理时的恢复性能，特别是在图像中噪声污染程度较高时，上述方法难以在有效抑制图像噪声的同时很好地保护图像细节信息。

发明内容

为了克服现有技术中的不足，本发明提供一种衰减参数自适应非局部均值的图像降噪方法，利用该方法可在图像处理中获取更为理想的衰减参数，从而有效提高图像处理过程中的噪声滤除、伪影规避和细节保留性能。

本发明是通过以下技术方案实现的：

一种衰减参数自适应非局部均值的图像降噪方法，所述方法步骤包括：

步骤S1、对噪声图像I进行非局部均值降噪处理，获得降噪图像μ，并确定在降噪处理中的衰减参数h与降噪图像μ对应的全局均方误差M[μ]的关系；

步骤S2、根据所述衰减参数h与所述全局均方误差M[μ]之间的关系，计算出所述衰减参数h的最优值h_opt，并根据该最优值h_opt确定最优预降噪图像

步骤S3、计算出所述最优预降噪图像对应的方法噪声并对该方法噪声进行降噪处理，获得所述方法噪声的残余图像细节图