[发明专利]一种基于噪声水平函数的信号依赖噪声分段线性去噪方法

摘要

本发明公开了一种基于噪声水平函数的信号依赖噪声分段线性去噪方法。现有技术中，对信号依赖噪声去噪的图像融合方法需要通过相机进行多次捕获，在实际应用中消耗了大量人力和计算，十分消耗资源和时间，因此实际用途并不能采取。本发明如下：一、求取被处理图像的噪声水平函数曲线并分段；二、划分最终匹配块。三、在最终匹配块中进一步划分搜索框。四、更新搜索框中心位置的像素。本发明能够精确地对信号依赖噪声被处理图像进行噪声估计，并清楚的展现被处理图像的噪声水平函数。此外，本发明解决了传统的对信号依赖图像去噪方法不能参照实际的随灰度水平变换的噪声进行去噪的问题。

主权项

1.一种基于噪声水平函数的信号依赖噪声分段线性去噪方法，其特征在于：步骤一、以a₁为步长遍历被处理图像，选取出M个初始匹配块，初始匹配块的长宽均为s₁；步骤二、分别计算M个初始匹配块各自的平均值avg_k如式(1)所示，k＝1,2,…,M；式(1)中，e_ijk为第k个初始匹配块上第i行像素与第j列像素的交点的像素值；步骤三、将步骤二求得的M个初始匹配块各自的平均值avg_k进行归一化，得到M个归一化均值avg′_k如式(2)所示；式(2)中，avg_max为M个初始匹配块各自的平均值avg_k中的最大值；avg_min为M个初始匹配块各自的平均值avg_k中的最小值；步骤四、计算所有匹配块g_k的总协方差矩阵C_g如式(3)所示；式(3)中，g_k为第k个初始匹配块所对应的像素值矩阵；为矩阵g_k的转置矩阵；步骤五、计算总协方差矩阵C_g的各个特征值和特征向量，选取总协方差矩阵C_g的各个特征值中最小的那个特征值对应的特征向量作为最小方差向量分别计算M个初始匹配块的局部噪声标准差如式(4)所示，，k＝1,2,…,M；式(4)中，为矩阵的欧几里德范数；建立横坐标为局部均值，纵坐标为局部标准差的平面直角坐标系；将M个初始匹配块对应的坐标点加入平面直角坐标系中；将平面直角坐标系横坐标0～1的区间均分为b₁个区域；在b₁个区域中各取纵坐标最小的那个点作为最佳点，得到b₁个最佳点；通过最小二乘法将b₁个最佳点拟合成噪声水平函数曲线；步骤六、将噪声水平函数曲线上横坐标0～1的区间沿横坐标方向均分为b₂段局部曲线；并分别对b₂段局部曲线取平均值，得到b₂个局部平均值δ_i′，i＝1,2,…,b₂；步骤七、以a₂为步长遍历被处理图像，选取出N个最终匹配块；最终匹配块的长宽均为s₂；步骤八、分别计算N个最终匹配块各自的平均值I_avg_k如式(5)所示，k＝1,2,…,M；式(5)中，e′_ijk为第k个最终匹配块上第i行像素与第j列像素的交点的像素值；步骤九、将步骤二求得的N个最终匹配块各自的平均值I_avg_k进行归一化，得到N个归一化均值I_avg_k′如式(6)所示；式(6)中，I_avg_max为N个最终匹配块各自的平均值I_avg_k中的最大值；I_avg_min为N个最终匹配块各自的平均值I_avg_k中的最小值；步骤十、k＝1,2,…,N，依次执行步骤十一；步骤十一、更新像素值，完成去噪；11‑1.将1赋值给i、j；11‑2.以第k个最终匹配块的第i行、第j列的像素点作为中心点，选取长宽均为I_f的图像作为第i·j个固定搜索框；选取与第i·j个固定搜索框同心，且长宽均为I_t的的图像作为第i·j个中心框；11‑3.将1赋值给p、q；11‑4.以第i·j个固定搜索框的第p行、第q列的像素点作为中心点，长宽均为I_t的图像作为第i·j个固定搜索框内第p·q个相似框；11‑5.计算第i·j个固定搜索框内第p·q个相似框的权重值w_ijkpq如式(7)所示；式(7)中，D为第i·j个固定搜索框内第p·q个相似框对应的矩阵与第i·j个中心框对应的矩阵求差所得的矩阵内所有元素的平均值；h_k为第k个最终匹配块的去噪滤波系数值，其值等于进入步骤11‑6；11‑6.若p<I_f，且q<I_f，则将q增大1，并重复执行步骤11‑4和11‑5；若p<I_f，且q＝I_f，则将p增大1，将1赋值给q，并重复执行步骤11‑4和11‑5；若p＝I_f，且q＝I_f，则将进入步骤11‑7；11‑7.将被处理图像中第k个最终匹配块的第i·j个固定搜索框的中心点像素值γ′_ijk更新为的表达式如式(8)所示；式(8)中，w_ijk,max为第k个最终匹配块内第i·j个固定搜索框所有权重值中的最大值；γ_ijkpq为第k个最终匹配块内第i·j个固定搜索框的第p·q个相似框的中心点像素值；11‑8.若i<s₂且j<s₂，则将j增大1，并重复执行步骤11‑2至11‑7；若i<s₂，且j＝s₂，则将i增大1，将1赋值给j，并重复执行步骤11‑2至11‑7；若i＝s₂，且j＝s₂，则步骤十一执行完毕。