[发明专利]一种基于局部高斯过程回归的图像降噪方法有效
申请号: | 202110624146.3 | 申请日: | 2021-06-04 |
公开(公告)号: | CN113393390B | 公开(公告)日: | 2022-08-16 |
发明(设计)人: | 戴可人;华抟;张祥金;郭竞杰;周鹏;李磊新;刘鹏;张合 | 申请(专利权)人: | 南京理工大学 |
主分类号: | G06T5/00 | 分类号: | G06T5/00;G06T5/20 |
代理公司: | 南京理工大学专利中心 32203 | 代理人: | 朱沉雁 |
地址: | 210094 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 局部 过程 回归 图像 方法 | ||
本发明公开了一种基于局部高斯过程回归的图像降噪方法,首先将带噪图像分割成若干重叠的图像块,针对其中的每一个像素点,将包含局部结构相似度信息的邻域像素作为训练样本集来训练高斯过程回归模型,构造了一个复合协方差函数来度量输入数据之间的相似性,并预测相应的输出,即降噪处理后的像素值。之后对各图像块的重叠区域进行线性平滑处理,将处理后的图像块按顺序组合,重建降噪图像。本发明能有效利用图像局部结构中的相似性信息,在降噪的同时能保留原始图像中的结构信息,具有自适应性强、鲁棒性强和可靠性强等优点,能对被高斯白噪声污染的图像进行有效的降噪处理。
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种基于局部高斯过程回归的图像降噪方法。
背景技术
21世纪是信息化的时代,语音和文字已经不再是单纯的信息传递形式,而是发展到包括图像、视频、数据等在内的多媒体形式。据统计,人类接收外界的信息中有70%来自于图像。随着计算机科学和图像处理技术的迅猛发展,图像已经被广泛应用于人类生产和生活的各个领域,如医学成像、人工智能、教育培训等。然而,数字图像在获取和传输的过程中不可避免地会受到噪声的影响,会破坏图像本身的结构和细节,使图像的视觉质量受到严重的影响。因此,如何去除图像中的背景噪声,是科学界研究的热点。
传统的图像去噪方法主要有变换域去噪和空间去噪两种。变换域去噪方法主要是利用傅里叶变换、离散余弦变换、小波变换等数学变换将图像块从空间域变换到频率域,并设置适当的阈值进行去噪。然而,自然图像往往具有丰富的局部结构。图像的边缘和噪声无法准确区分,这导致去噪后不同程度的细节丢失。空间去噪方法主要利用空间相邻像素之间的空间相关性,对这些相似的像素进行加权和平均来代替去噪后的像素。典型的例子有高斯滤波、双边滤波、中值滤波等。虽然这些去噪算法提供了不错的效果,但图像的细节或纹理或多或少受到了破坏。为了解决上述问题,Buades等人在2005提出了一种非局部图像去噪算法non-local means(NLM)。NLM的主要思想是将图像中具有相似邻域结构的像素加权平均,得到当前像素的估计值。然而,NLM具有相当的计算复杂度,限制了其在快速响应场景中的应用。
He He等人在《Single Image Super-Resolution using Gaussian ProcessRegression》一文中,采用基于图像块的邻域高斯过程回归方法,实现了由一幅低分辨率图像产生高分辨率图像的过程。但是该方法需要原始低分辨率图像和其模糊图像两个样本去训练高斯过程回归模型,方法较为复杂,且无法应用于图像去噪领域。
Arka Ujjal Dey等人在《Gradient Sensitive Kernel for Image Denoising,using Gaussian Process Regression》一文中,采用基于梯度敏感核函数的高斯过程回归方法,实现了对图像的去噪。但是该方法将像素点的空间坐标和对应像素值作为训练样本对,无法完全捕获邻域像素间的关联性,且去噪效果一般。
发明内容
本发明的目的在于提供一种基于局部高斯过程回归的图像降噪方法,该方法只需要原始含噪图像一个训练样本,将各像素值和其邻域像素值作为训练样本对,利用高斯过程回归模型预测去噪后的像素值。该方法能够很好地获取邻域像素间的关联性,有效去除图像中的高斯白噪声。
实现本发明目的的技术解决方案为:一种基于局部高斯过程回归的图像降噪方法,包括以下步骤:
步骤1:将含噪声样本图像I划分为n个边缘重叠的图像块Pm,m=1,2,...n,m表示当前图像块序号,初始化m=1。
进一步的,所述步骤1中,图像块的尺寸为d×d,重叠像素数为e。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京理工大学,未经南京理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110624146.3/2.html,转载请声明来源钻瓜专利网。