[发明专利]基于图像多特征融合的非局部均值去噪方法

摘要

本发明公开了一种基于图像多特征融合的非局部均值去噪方法，该方法改进了非局部均值去噪方法中图像块间相似度的计算方法，属于图像处理中的图像去噪的研究领域；传统的非局部均值方法采用欧氏距离或高斯加权的欧式距离来衡量块间相似度，这种方式存在一定的缺陷，容易引入不相似图像块，累计造成误差，尤其是在纹理细节区域，无法较好地保持图像的结构信息，降低了去噪性能。针对这样的问题，本方法根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混合相似度计算，最终确定相似图像块的权值分配。基于图像多特征融合的非局部均值去噪方法在去噪效果上得到了显著提升。

主权项

基于图像多特征融合的非局部均值去噪方法，其特征在于，根据LBP纹理特征来计算图像块之间的相似度，并同时结合LBP特征和灰度特征，进行一种混合相似度计算，最终确定相似图像块的权值分配，包括如下步骤：1)建立自适应非局部均值去噪的模型：给定离散域I上的一幅噪声图像V＝{v(i)|i∈I}，像素点i的相似窗N_i为以像素点i为中心的一个图像子块，去噪后的像素复原值为则利用非局部均值去噪算法，图像中像素的复原值通过求得，其中，权值w(i,j)取决于相似窗N_i和N_j之间的相似程度可由得到，Z(i)是归一化因子，是为了满足0≤w(i,j)≤1和Σ_jw(i,j)＝1，h是滤波参数用于控制图像平滑程度；2)计算图像多特征融合的混合相似度，一方面采用基于灰度特征的高斯加权欧式距离来衡量相似度，另一方面采用基于LBP纹理特征的卡方距离来衡量相似度，通过结合两种特征的混合相似度来计算相似图像块的权值：定义N_i，N_j表示像素i，j所在的图像块即相似窗大小，V(Ni),V(N_j)分别表示两相似窗的灰度向量，根据计算N_i和N_j的高斯加权欧式距离，根据计算Ni和Nj基于灰度值特征的相似度，获取N_i，N_j的LBP特征，由于LBP特征是以直方图形式表示的，使用卡方统计来度量两个LBP特征之间的距离，即可根据计算N_i和N_j之间的距离，根据计算N_i和N_j基于LBP特征的相似度，根据sim_mix(i,j)＝w₁sim_gray(i,j)+w₂sim_lbp(i,j)计算结合灰度特征和LBP纹理特征的混合相似度；3)计算权值：在混合相似度计算方法的基础上，根据计算分配相似图像块的权值；4)遍历图像去噪：根据计算像素点i处的滤波值使像素i遍历整幅图像，重复上述步骤1)～3)进行滤波，得到最终的滤波图像