[发明专利]一种基于机器学习的区域感知图像去噪方法

摘要

本发明涉及一种基于机器学习的区域感知图像去噪方法，包括以下步骤：1、对噪声图像采用加噪标准差σ和k种缩小率缩小后的标准差rj×σ分别作为去噪参数，获得不同去噪结果集；2、将采用σ分别与采用rj×σ的去噪结果相结合，获得最优缩小率和图像块对于采用σ和这两种去噪参数的偏好；3、对噪声图像和采用两种去噪参数的去噪结果进行特征提取；4、将获得的偏好特征集作为机器学习算法的特征集，学习获得图像块的去噪参数偏好模型；5、采用去噪参数偏好模型对测试集中噪声图像进行预测，获得每个图像块预测的偏好概率值；6、通过阈值处理并结合两种去噪参数的去噪结果，获得最终的去噪结果。该方法能够有效提高图像去噪方法的性能。

主权项

1.一种基于机器学习的区域感知图像去噪方法，其特征在于，包括以下步骤：步骤S1：对训练集中不同噪声幅度下的噪声图像采用加噪标准差σ和k种缩小率缩小后的标准差rj×σ分别作为去噪参数，j＝1,2,...,k，获得不同去噪参数的去噪结果集；步骤S2：将各噪声图像分别划分为互不重叠、n×n大小的图像块，并将每个噪声幅度下采用加噪标准差σ为去噪参数的去噪结果分别与采用缩小率缩小后的标准差r_j×σ为去噪参数的去噪结果相结合，获得每个噪声幅度的最优缩小率和图像块对于采用加噪标准差σ和最优缩小率缩小后的标准差这两种去噪参数的偏好；步骤S3：对噪声图像和采用σ和这两种去噪参数的去噪结果进行特征提取，获得图像块的偏好特征集；步骤S4：将图像块的偏好特征集作为机器学习算法的特征集，通过机器学习算法，获得图像块的去噪参数偏好模型；步骤S5：采用图像块的去噪参数偏好模型对测试集中每幅噪声图像进行预测，获得测试集中噪声图像的每个图像块预测的偏好概率值；步骤S6：对得到的偏好概率值做阈值处理，并结合σ和这两种去噪参数的去噪结果，获得最终的去噪结果。