[发明专利]一种四方向相对全变分图像去噪方法

说明书

一种四方向相对全变分图像去噪方法，包括去噪模型构建和去噪模型求解，在现有的全变分去噪模型中引入高斯加权算子对图像进行平滑，降低结果中光滑区域的梯度突变，同时将45°，135°两个方向的梯度加入模型的正则项中。本发明提出固有变分区分噪声与图像结构信息，去除噪声的同时也尽可能的保留了图像细节，在模型求解中提出迭代权重最小二乘法对模型进行求解，得到最后的去噪图片。本发明提出了一种综合考虑多方向和同方向上邻域多像素的四方向相对全变分模型，具有良好的保边性能和去噪效果，同时本发明还优化了算法的数值计算部分，满足工业检测场景下的效率要求，大大提升了检测的速度和效率。

技术领域

本发明属于图像处理技术领域，涉及图像去噪，为一种四方向相对全变分图像去噪方法。

背景技术

图像去噪是图像处理领域的经典问题。图像在采集、传输和存储的过程中产生随机噪声，需要滤除噪声后对图片做进一步分析处理。早期的图像去噪方法主要分为空间域去噪和频率域去噪。空间域滤波主要有高斯滤波、中值滤波和非局部均值滤波等，这些方法容易导致图像模糊，不能很好地保留图像的边缘信息。频率域滤波主要有基于傅里叶变换和基于小波变换的滤除高频噪声分量的去噪方法，这些方法在滤除噪声的同时会造成图像结构信息的损失。

近年来，一种基于全变分的正则化方法被广泛应用。该方法图像邻域平滑的情况下，全变分正则化表现出了优秀的去噪效果，但是经典的全变分模型在去噪时有明显的阶梯效应，即图像处理后某些区域内灰度相同，图像看上去就像是有各不相同亮度的区域组成，图像显得轮廓过分尖锐。为了解决这一问题，Bredies等人提出了总广义变分模型，不但去除了阶梯效应，而且还具有良好的边缘保持效果。然而在处理二维图像的边缘信息时，上述模型在同方向上都忽略了邻域多个像素之间的相关性。Li Xu等人提出了相对全变分模型，在经典的TV模型中引入了窗函数，取得了更好地将图像结构和纹理性噪声分离的效果。

然而上述模型都局限于考虑水平与垂直两个方向，忽略了其它方向的信息，有的在光滑区域还是会存在阶梯效应，去噪效果受到影响。

发明内容

本发明要解决的问题是：现有的全变分去噪模型大多只考虑水平与垂直两个方向图像梯度，在光滑区域存在阶梯效应；现有的求解算法还存在着迭代次数过多，耗时过长的问题，

本发明的技术方案为：一种四方向相对全变分图像去噪方法，包括去噪模型构建和去噪模型求解，

1)去噪模型构建：

1a)在全变分去噪模型中引入高斯加权算子对输入的图像进行平滑；

1b)在全变分去噪模型中的正则项中加入45°，135°两个方向的梯度，与水平与垂直两个方向的图像梯度一起构成四方向相对全变分模型，其中使用固有变分区分噪声与图像结构信息，进行图像边缘保留；

1c)根据四方向相对全变分模型得到去噪模型；

2)去噪模型求解：

2a)将待去噪图像f输入去噪模型，设去噪后图像为u，设置去噪模型的参数规整参数λ和常数项ε，设V_U和V_F是u和f的向量化表示，初始化k表示求解的迭代次数，

2b)根据去噪模型计算四方向相对全变分模型的四个方向的正则项；

2c)计算M^k，M^k是由根据正则项向量化展开后计算得到的权重矩阵；

2d)计算V_U^k+1：(1+λM^k)V_U^k+1＝V_F；