[发明专利]基于超像素聚类和稀疏表示的图像去噪方法

摘要

本发明提出了一种基于超像素聚类和稀疏表示的图像去噪方法，用于解决现有图像去噪方法中存在的去噪图像峰值信噪比低和细节信息丢失的技术问题，实现步骤：1.输入一幅待去噪图像；2.对图像进行超像素分割和超像素聚类，得到多簇相似超像素；3.对每簇相似超像素分别进行图像块提取和字典训练；4.计算每个图像块在对应的字典下的稀疏系数；5.寻找每个图像块的相似图像块，并计算相似图像块的稀疏系数加权和；6.利用相似图像块的稀疏系数加权和，对每个图像块的稀疏分解过程进行约束，得到新稀疏系数；7.判断当前迭代次数是否大于最大迭代次数Λ，若是，执行步骤8，否则，迭代次数加1，执行步骤5；8.重构待去噪图像，得到去噪图像。

主权项

1.一种基于超像素聚类和稀疏表示的图像去噪方法，其特征在于，包括如下步骤：(1)输入一幅含有标准方差为δ的高斯白噪声的图像I_n；(2)首先设定图像I_n的超像素数目R，并对图像I_n进行超像素分割，得到超像素集合{SP_i|i＝1,2,...,R}，其次定义一个空的相似矩阵S，计算超像素集合{SP_i|i＝1,2,...,R}中每两个超像素之间的相似度，并将计算结果存储到相似矩阵S中，其中，i是超像素集合{SP_i|i＝1,2,...,R}中超像素的序号，SP_i是超像素集合{SP_i|i＝1,2,...,R}中第i个超像素，i₁和i₂是超像素集合{SP_i|i＝1,2,...,R}中任意两个超像素的序号，且i₁＝1,2,...,R,i₂＝1,2,...,R，i₁≠i₂，是超像素集合{SP_i|i＝1,2,...,R}中第i₁个超像素，是超像素集合{SP_i|i＝1,2,...,R}中第i₂个超像素；(3)设定类的个数为K，并利用相似矩阵S，对超像素集合{SP_i|i＝1,2,...,R}中的超像素进行聚类，得到相似超像素集合{Cr_k|k＝1,2,...,K}，其中k是相似超像素集合{Cr_k|k＝1,2,...,K}中相似超像素的序号，Cr_k是相似超像素集合{Cr_k|k＝1,2,...,K}中第k簇相似超像素；(4)对相似超像素集合{Cr_k|k＝1,2,...,K}中每簇相似超像素分别进行重叠取块，具体步骤为：设定图像块边长p，在图像I_n平面内，以图像I_n的边界像素点为中心，镜像复制p′个像素点，得到图像I′_n，其中，在图像I′_n平面内，以相似超像素集合{Cr_k|k＝1,2,...,K}中每簇相似超像素中的像素点为中心，提取p×p大小的图像块，得到K个图像块子集合；再以该K个图像块子集合中的每个图像块子集合为元素组成图像块子集集合{{Bl_kt|t＝1,2,...,T_k}|k＝1,2,...,K}，并将该K个图像块子集合进行合并，得到图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}，其中，{Bl_kt|t＝1,2,...,T_k}是图像块子集集合{{Bl_kt|t＝1,2,...,T_k}|k＝1,2,...,K}中第k个图像块子集合，t是从相似超像素集合{Cr_k|k＝1,2,...,K}中第k簇相似超像素Cr_k中提取的图像块的序号，Bl_kt是从相似超像素集合{Cr_k|k＝1,2,...,K}中第k簇相似超像素Cr_k中提取的第t个图像块，T_k是相似超像素集合{Cr_k|k＝1,2,...,K}中第k簇相似超像素Cr_k中提取的图像块的数目；(5)对图像块子集集合{{Bl_kt|t＝1,2,...,T_k}|k＝1,2,...,K}中的每个图像块子集合分别进行字典训练，得到字典集合{D_k|k＝1,2,...,K}，其中，D_k是字典集合{D_k|k＝1,2,...,K}中第k个字典；(6)设迭代变量为且初始化迭代变量为0，并利用字典集合{D_k|k＝1,2,...,K}，对图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中所有图像块进行稀疏分解，得到稀疏系数集合其中，表示第次迭代时图像块Bl_kt的稀疏系数；(7)设定选取相似图像块的数目L，为图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中的每个图像块选取L个相似图像块，并计算图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中每个图像块的L个相似图像块的稀疏系数加权和，得到加权稀疏系数集合其中，表示第次迭代时图像块Bl_kt的L个相似图像块的稀疏系数加权和，选取相似图像块和计算图像块对应的稀疏系数加权和的实现步骤如下：(7a)计算图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中图像块Bl_kt与图像块子集合{Bl_kt|t＝1,2,...,T_k}中除图像块Bl_kt以外的其它图像块之间的相似度，再对得到的相似度按从大到小的顺序进行排序，从图像块子集合{Bl_kt|t＝1,2,...,T_k}中选取前L个相似度对应的图像块作为图像块Bl_kt的相似图像块，并对图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中除图像块Bl_kt以外的其它图像块进行相同的操作，得到相似度集合和相似图像块集合其中，l表示与图像块Bl_kt相似的L个图像块中任意图像块的序号，表示与图像块Bl_kt第l相似的图像块，表示图像块Bl_kt和图像块之间的相似度；(7b)利用相似度集合和稀疏系数集合计算图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中每个图像块的相似图像块的稀疏系数加权和，得到加权稀疏系数集合(8)利用加权稀疏系数集合对图像块集合{Bl_kt|k＝1,2,...,K；t＝1,2,...,T_k}中每个图像块的稀疏分解过程进行约束，得到每个图像块的新稀疏系数，并利用得到的新稀疏系数对稀疏系数集合进行更新，得到新稀疏系数集合其中，对图像块的稀疏分解过程进行约束的公式为：其中，y_kt表示将图像块Bl_kt的灰度值矩阵进行列化得到的灰度值向量，γ是用以平衡图像块Bl_kt重构误差和稀疏度的归一化参数；(9)设定迭代变量阈值Λ，并判断迭代变量是否大于迭代变量阈值Λ，若是，停止更新稀疏系数集合，并将第Λ次迭代得到的稀疏系数集合作为最终的稀疏系数集合，否则迭代变量自增1，并执行步骤(7)，其中，表示第Λ次迭代时图像块Bl_kt的稀疏系数；(10)利用字典集合{D_k|k＝1,2...,K}和稀疏系数集合对图像I_n进行重构，得到去噪后的图像I_c。