[发明专利]一种基于3D协同滤波与低秩矩阵重建的视频去噪方法及系统

摘要

本发明提出了一种基于3D协同滤波与低秩矩阵重建的视频去噪系统及方法，本发明首先对含噪视频进行3D协同滤波预处理，得到基础估计然后对基础估计再进行低秩矩阵重建来进行进一步的去噪，来得到最终估计；本发明主要应用于视频去噪中，特别是应用于基于3D协同滤波与低秩矩阵重建的视频去噪；同时本发明所提出去噪方法也适用于图像的去噪，对于较大分辨率的图像、视频源也具有良好的去噪效果；此外，本发明不仅对单纯的高斯噪声具有良好的去噪效果，同时对含有高斯噪声和脉冲噪声的混合噪声也具有较好的去噪效果，并且在效率上也有一定的提高，在视频图像降噪领域具有积极意义。

主权项

一种基于3D协同滤波与低秩矩阵重建的视频去噪方法，其特征在于，包括如下步骤：步骤1：对含噪视频进行3D协同滤波预处理，得到基础估计图像；所述的步骤1包括如下步骤；步骤1.1：对输入视频的每一帧进行分块，对每个图像块分别进行帧内和帧间的相似块匹配，得到每个参考块xR的相似块分组；步骤1.2：对每个参考块xR的相似块分组进行3D协同滤波，得到每个参考块xR的估计值步骤1.3：对估计值进行聚集，得到基础估计图像；步骤2：对得到的基础估计图像再进行低秩矩阵重建进一步去噪，得到最终去噪后的图像；所述的步骤2包括如下步骤；步骤2.1：对步骤1得到的基础估计图像的每个图像块分别进行帧内和帧间的相似块匹配，得到每个图像块的相似块分组；将分组中的每一个相似块排列成向量，组成一个相似性块矩阵Y；Y＝(y1,y2,…ym)其中m为参考块对应相似块组的个数，y1,y2,…ym分别为大小为N1×N1的匹配块矩阵；步骤2.2：将矩阵Y分解为两个矩阵A和E之和，对相似性块矩阵Y进行低秩循环最小化逼近，得到降噪之后的低秩矩阵A；Y＝A+E其中矩阵A和E均未知，A为低秩的无噪数据矩阵，E为噪声稀疏矩阵；所述的2.2中所述的对相似性块矩阵Y进行低秩循环最小化逼近采用非精确拉格朗日乘子法IALM低秩逼近，得到降噪后的低秩矩阵A，包括如下步骤进行：步骤2.2.1：更新噪声稀疏矩阵E；Ek+1=D-Ak+Ykμ-PΩ∞λ/μk(D-Ak+Ykμ)]]>其中，n为参考块大小N1×N1×3，σ为噪声水平标准差，m为参考块对应的相似块组的个数，D为相似块矩阵Y的初始值，表示在空间上}的欧几里得投影，λ＝100/(100‑σ)，Rm×n表示实数矩阵，k代表当前的迭代循环次数，k为初始值为0的自然数，Ak,Yk分别表示第k次循环中低秩矩阵A和相似性块矩阵Y的值，Ak,Yk的初始值为0，Ek+1为新更新的噪声稀疏矩阵；步骤2.2.2：更新低秩矩阵A，求得更新后低秩矩阵Ak+1，公式如下：Ak+1=Uk+1Sτ(Σ)Vk+1T]]>其中Uk+1，∑，通过对矩阵进行奇异值分解SVD求得，其中，Uk+1为左奇异矩阵，∑为奇异值对角矩阵，为右奇异矩阵，Vk+1T表示矩阵Vk+1的转置，Sτ(∑)表示对奇异值对角矩阵∑进行软阈值收缩；阈值计算公式为：τ＝0.5m·n/sum(D)其中，sum(D)为矩阵D中所有元素的和，矩阵D为相似性块矩阵Y的初始值；步骤2.2.3：根据更新后低秩矩阵Ak+1，求得更新的矩阵Yk+1，同时令k＝k+1进行下一次迭代；Yk+1＝Yk+μ(D‑Ak+1‑Ek+1)其中Ak+1,Ek+1分别为步骤2.2.1和2.2.2中更新的低秩矩阵A和噪声稀疏矩阵E的值，Yk为第k次循环中相似性块矩阵的Y值；步骤2.2.4判断迭代次数k是否达到最大迭代次数，若达到最大迭代次数，则终止迭代，输出去噪低秩矩阵A；否则重复步骤2.2.1到步骤2.2.3，进行下一次迭代。步骤3.根据步骤2输出的降噪之后的低秩矩阵A，采用均值法对重叠的像素进行聚集，最终输出视频。