[发明专利]一种基于各向异性扩散模型的自适应边缘保持去噪方法

说明书

本发明公开一种基于各向异性扩散模型的自适应边缘保持去噪方法，包括以下步骤：原始噪声图像预处理、构建去噪算法模型、原始噪声图像迭代计算和原始噪声图像去噪处理；本发明改进了基于分数阶微分算子与高斯曲率相结合的自适应图像去噪算法的扩散系数，加入双边滤波和局部方差，在扩散模型中引入正则化项，提高图像边缘保持的效果，对自适应图像去噪算法模型的扩散系数进行了修正，使得去噪和保持边缘的效果更好，提高图像的视觉效果；利用局部方差调节扩散系数，以更好地控制扩散速度；正则化项的加入提高了图像保真度，并且使用了自适应阈值，除了自然图像，在处理医学图像方面也优于传统图像处理方法。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于各向异性扩散模型的自适应边缘保持去噪方法。

背景技术

在图像处理中，各向异性扩散模型一直受到关注，扩散的概念主要来源于多尺度描述，高分辨率图像可以通过对原始图像与高斯核的卷积得到低分辨率图像，这种描述在理论上可以看作是各向同性热传导方程。Perona和Malik首先提出了各向异性扩散模型(PM模型)。各向异性扩散模型能在扩散过程中自适应选择扩散方向，该特性确保区域内的平滑优先于区域之间的平滑，但各向异性扩散模型具有光滑区域扩散速度快于非光滑区域扩散速度的特点，这导致图像很容易出现“方块效应”。而四阶偏微分方程可以克服这一挑战，该方法在能量函数中使用拉普拉斯算子，通过计算算子是否为零来确定图像在其邻域内是否是平面，偏微分方程将分割后的平面图像近似于观测图像，以去除噪声并保留边缘，但这种方法的缺点是使得斑点突出。

在实际应用中，对于特征明显的区域，PM模型的扩散函数不能快速收敛，这导致这些细节被平滑，此外，它也不能在没有明显特征的区域迅速扩散。针对于此问题，研究者们尝试在扩散系数中分别加入局部方差或局部熵来提高PM模型对边缘细节的保护，又或者将剪切波变换(NSST)与各向异性扩散模型结合，这些方法虽然有一定的效果，但仍有待改进。因此，本发明提出一种基于各向异性扩散模型的自适应边缘保持去噪方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于各向异性扩散模型的自适应边缘保持去噪方法，该方法改进了基于分数阶微分算子与高斯曲率相结合的自适应图像去噪算法的扩散系数，加入双边滤波和局部方差，利用双边滤波和局部方差的特性，同时加入正则项来实现图像较好的去噪及边缘保持效果。

为了实现本发明的目的，本发明通过以下技术方案实现：一种基于各向异性扩散模型的自适应边缘保持去噪方法，包括以下步骤：

步骤一

先读取待去噪的原始噪声图像，再对噪声图像进行高斯滤波处理，得到预处理图像；

步骤二

在各向异性扩散模型的基础上，在自适应图像去噪算法模型中引入高斯曲率，由图像梯度进行边缘检测，再结合高斯曲率和分数阶微分算子的性质，由图像的局部方差建立分数阶微分算子，加入正则化项，构建自适应边缘保持去噪算法模型：

其中，I₀为原始图像，I₁为在I₀上经过高斯滤波处理的图像，t为扩散尺度，div和分别表示散度算子和梯度算子，λ是一个参数，用于控制去噪后图像I和预处理图像I₁的保真度；

步骤三

设定迭代次数及模型中的各参数；

步骤四

根据自适应边缘保持去噪算法模型对噪声图像进行迭代计算，得到图像迭代结果，每次迭代的结果即为此次去噪结果。