[发明专利]基于N‑Smoothlets的图像去噪方法

摘要

本发明涉及图像处理领域，具体为一种基于N‑Smoothlets的图像去噪方法，本发明利用N‑Smoothlets具有较好的线奇异性的优势，结合权重因子与噪声强度的关系选取权重因子λ的值，达到了在计算量最小的情况下保证最佳的图像去噪效果，降低了搜索最佳λ导致的较高的运算复杂度。最后，对实测图像进行实验，与小波去噪和基于Smoothlet的图像去噪算法进行比较，从去噪后图像的PSNR值和主观视觉质量两个方面验证了该算法的性能。

主权项

一种基于N‑Smoothlets的图像去噪方法，其特征在于，包括以下步骤：1)输入待处理图像F，尺寸为M×M像素，其中，M＝2i,其中i为大于等于1的整数；2)设置最小图像块的尺寸为m×m像素，其中，m＝2j,j＝1,2,3,…,log2M；3)以权重因子与图像中噪声强度的关系计算权重因子λ的值，对最小的图像块执行自底向上的四叉树修剪算法，得到最终的多尺度图像块划分；具体步骤如下：步骤1对原图像大小为M×M进行四叉树分解，分解后的每个最小图像块对应于四叉树的叶节点，假设分解后的最小图像块尺寸为2j×2j，j∈{1,2,3,…,log2M}；步骤2计算每个最小的宏块内的N‑Smoothlets以及根据公式(1)所示的率失真函数计算四个相邻子块的代价值之和c＝c0+c1+c2+c3；公式(1)中，D表示原始图像，表示N‑Smoothlets 拟合图像，λ为权重因子，K表示N‑Smoothlets 的块数；将四叉树分解后同一个父节点下的四个叶节点进行修剪，即将邻近的四个宏块合并为一个大的宏块，大宏块的尺寸为2j+1，计算此时大的宏块内的N‑Smoothlets以及此时的代价值c4；若c＞c4，即合并后的大宏块代价值较小，说明合并后的大宏块对原图像具有更好的逼近效果，将四个N‑Smoothlets合并为一个N‑Smoothlets，表现在四叉树上就是将四个小的宏块对应的叶节点修剪掉；反之，若c＜c4，则保留四个小的N‑Smoothlets；步骤3重复步骤2的操作，直至图像宏块增大到与原图像大小一致为止，此时用一个N‑Smoothlets即可表示整幅图像；步骤4对整幅图像的N‑Smoothlets变换完成后，执行去块效应后处理操作以消除基于四叉树分解的N‑Smoothlets变换给图像带来的块效应；4)将变换系数通过N‑Smoothlets反变换重建出去噪后的图像。