[发明专利]一种基于监督性机器学习的图像辅助去噪方法

权利要求书

1.一种基于监督性机器学习的图像辅助去噪方法，其特征在于，包括以下步骤：

S1、对含有噪声的图像进行非下采样轮廓波变换，得到高频率子带因子和低频率子带因子；

S2、使用二次规划方法，通过最小二乘线性系统构造最小二乘支持向量机，对高频率子带因子进行分类，得到边缘纹理因子和待去噪因子；

S3、通过软阈值方法对待去噪因子进行去噪操作，得到去噪因子；

步骤S3包括以下步骤：

S31、根据高频率子带因子，通过下式估算初步噪声标准差σ：

其中，y_ij为含有噪声的图像在Shearlet域第i层第j方向的待去噪因子值，Median()为中位数函数；

S32、根据待去噪因子和初步噪声标准差σ，通过以下各式估算阈值系数σ_th：

其中，σ_y为噪声标准差，为当前目标尺度K下噪声标准差σ_y的均值，前目标尺度K的取值范围在闭区间[1,N]内，N为最大尺度，Max()为最大值函数；

S33、判断是否大于阈值系数σ_th，若是，则跳转至步骤S34，若否，则跳转至步骤S35；

S34、根据理想阈值T_opt，通过软阈值函数对待去噪因子进行图像辅助去噪，得到去噪因子；

步骤S34理想阈值T_opt的表达式为：

T_opt＝argmin(r(T))(4)

其中，r()为去噪因子与该因子在未受噪声影响下的真实值的均方误差函数，argmin(r(T))表示求r()函数最小时的阈值T的数值的计算机迭代过程；

S35、根据贝叶斯下阈值T_LB，通过软阈值函数对待去噪因子进行图像辅助去噪，得到去噪因子；

步骤S35贝叶斯下阈值T_LB的表达式为：

S4、在Shearlet域中按坐标拼接去噪因子、边缘纹理因子和低频率子带因子，并进行非下采样Shearlet逆变换，得到辅助去噪图像。

2.根据权利要求1所述的基于监督性机器学习的图像辅助去噪方法，其特征在于，所述步骤S1包括以下步骤：

S11、对含有噪声的图像进行非下采样金字塔分解，得到多尺度特征；

S12、通过非下采样方向过滤设备组，对多尺度特征进行频率平面分割和方向性分解，得到高频率子带因子和低频率子带因子。