[发明专利]基于低秩函数和多方向全变分的图像混合噪声去除方法

说明书

本发明公开了一种基于低秩函数和多方向全变分的图像混合噪声去除方法，结合图像的低秩结构特性，采用了一种改进的低秩函数来逼近秩函数，并结合基于多方向全变分的正则化方法，设计了一中基于低秩函数和多方向全变分的图像混合去噪方法。本方法采用改进的低秩函数，更好地利用了图像内在的低秩结构特性；另一方面，为了充分利用图像中所有可能方向上存在的相关性，引入多方向全变分正则项。即利用多方向的相邻域像素点作为输入数据，这样将充分考虑到当前像素与其所有相邻像素之间的纹理连续性，最大限度的利用这个图像在空域的冗余性。

技术领域

本发明涉及图像去噪技术领域，具体涉及一种基于低秩函数和多方向全变分的图像混合噪声去除方法。

背景技术

图像在采集、传输等过程中，往往会遭受不同噪声类型的污染，如高斯噪声、椒盐噪声、随机噪声和条纹噪声等。这些混合噪声严重降低了图像的视觉质量，也大大影响了后续的图像分割、分类、目标检测等任务的处理。

当前，去除图像中混合噪声的方法主要包括：传统的两阶段方法、基于联合建模的混合噪声去除方法、基于低秩矩阵恢复的方法以及基于深度学习的混合噪声去除方法。传统的两阶段方法，通常采用不同的去噪模型与中值滤波相结合的方法，一般是先检测到图像受噪声污染的区域，然后将图像去噪的问题转化为图像恢复问题。因此，这类方法依赖于噪声检测的准确率。而基于联合建模的混合噪声去除方法不需要事先做检测，而是对高斯与椒盐、高斯与随机等混合的噪声进行联合建模。但由于高斯噪声与椒盐噪声或随机噪声的分布差异较大，因此对它们进行联合建模的计算复杂度较高。基于低秩矩阵恢复的方法主要结合了图像块之间的高度相关性，使得由图像块构成的图像数据通常呈现低秩的结构特点。因此可采用低秩矩阵恢复的方法来去除图像中的噪声。基于低秩矩阵恢复的方法其优势是在没有噪声先验信息的条件下可同时处理多种不同类型的混合噪声，对不同噪声具有较好的包容性。但是基于低秩矩阵恢复的方法大部分将低秩函数平等的对待每个奇异值，而实际上核范数的所有非零奇异值的贡献是各自不同的。因此，这种方式不一定合适。一种基于加权Schatten-p范数模型的混合噪声去除方法，虽然该方法对不同的奇异值进行了加权处理，但加权Schatten-p范数的P值和权重系数需要预先设置，容易导致该方法性能的不稳定性。基于深度学习的混合噪声去除方法虽然取得了较好的去噪效果，但基于深度学习的混合噪声去除方法需要大量的训练数据作为支撑，并且容易出现过拟合现象。

基于低秩矩阵恢复的混合去噪方法利用了图像的内在低秩结构特点，利用矩阵的核范数来设计秩函数，并且采用1范数代替零范数来描述椒盐噪声的稀疏性。最终将原始的非凸优化问题转化为凸优化问题，并进行迭代求解，取得了较好的去除混合噪声的效果。但是，该方法基于矩阵的核范数策略，忽略了矩阵核范数中所有非零奇异值对图像恢复的贡献是不同的事实，平等的对待每个奇异值，容易导致去噪后的图像过于平滑。另一方面，基于低秩矩阵恢复的混合去噪方法的采用L1范数作为稀疏正则项，忽略了图像中多个方向上的纹理相关性和冗余性，容易使得恢复后的图像产生阶梯效应。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于低秩函数和多方向全变分的图像混合噪声去除方法解决了基于低秩矩阵恢复的混合去噪方法忽略了矩阵核范数中所有非零奇异值对图像恢复的贡献是不同的事实，平等的对待每个奇异值，导致的去噪后的图像过于平滑的问题，以及忽略了图像中多个方向上的纹理相关性和冗余性，导致恢复后的图像产生阶梯效应的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于低秩函数和多方向全变分的图像混合噪声去除方法，包括以下步骤：

S1、将受混合噪声污染的退化图像划分为多个图像块；

S2、对每个图像块采用块匹配算法搜索除该图像的剩余图像块中与该图像块相似度高的图像块，即相似图像块；

S3、将同一图像块的相似图像块排成一个矩阵，即得到一个结构组；

S4、对每一个结构组，采用基于秩函数和多方向全变分方法对图像混合噪声进行联合建模，得到去除混合噪声模型；