本發(fā)明涉及數(shù)字信號(hào)處理領(lǐng)域，特別是圖像處理領(lǐng)域，更進(jìn)一步的涉及圖像去噪方法。

背景技術(shù)：

圖像去噪是幾乎所有圖像處理流程的第一步，在過(guò)去幾十年吸引了大量研究。圖像去噪致力于從其被噪聲污染的觀測(cè)數(shù)據(jù)中恢復(fù)出原圖像信號(hào)，一般可以表示成

y＝x+n,

其中y是含噪觀測(cè)圖像，x是要求的原圖像，n是加性噪聲。為了求解這個(gè)病態(tài)問(wèn)題，尋找可以準(zhǔn)確刻畫(huà)圖像特征的正則項(xiàng)有重要作用。

較早的正則項(xiàng)一般利用圖像的局部相關(guān)性，例如TV正則化用于刻畫(huà)圖像的局部平滑性，稀疏性約束假設(shè)圖像可以在變換域被稀疏表示。自從非局部平均(Non-Local Means,NLM)去噪方法被提出以來(lái)，很多研究工作利用圖像的非局部相似性以取得更好的去噪效果。著名的BM3D結(jié)合了局部變換域稀疏性約束和非局部塊匹配，將相似塊組成三維組并進(jìn)行三維變換，對(duì)變換系數(shù)施以硬閾值縮放或維納濾波。

為了連結(jié)非局部相似性和字典訓(xùn)練的思想，CSR嘗試結(jié)合局部和非局部的稀疏約束，為此，用l₁范數(shù)的正則項(xiàng)約束局部稀疏性，用l₂范數(shù)的正則項(xiàng)約束非局部稀疏性。但是，使這相互競(jìng)爭(zhēng)的兩個(gè)正則項(xiàng)在一起同時(shí)發(fā)揮作用可能會(huì)在一定程度上降低非局部正則項(xiàng)的作用。此外，選擇l₂范數(shù)刻畫(huà)非局部稀疏性的原因顯得不是很清楚。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是在貝葉斯框架下改進(jìn)正則化方法，使之更符合信號(hào)統(tǒng)計(jì)特性，因此達(dá)到更好的去噪效果。

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的。

根據(jù)本發(fā)明的實(shí)施方式，提出一種數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)視頻圖像去噪方法，其特征在于，所述方法包括：

S1，利用數(shù)據(jù)集學(xué)習(xí)得到各個(gè)頻帶系數(shù)的經(jīng)驗(yàn)分布；

S2，在待去噪圖像內(nèi)，為每個(gè)圖像塊尋找非局部相似塊，構(gòu)成樣本組；

S3，對(duì)樣本組內(nèi)所有塊進(jìn)行自適應(yīng)變換；

S4，對(duì)每個(gè)頻帶分別估計(jì)統(tǒng)計(jì)特性；

S5，根據(jù)S1和S4所得的各頻帶系數(shù)的先驗(yàn)分布，通過(guò)最大后驗(yàn)概率估計(jì)推導(dǎo)出相應(yīng)的優(yōu)化目標(biāo)函數(shù)進(jìn)行求解；以及

S6，將所有圖像塊放回圖像原位置，對(duì)有多個(gè)估計(jì)值的像素進(jìn)行平均，從而得到對(duì)全圖的去噪估計(jì)。

優(yōu)選的，所述S1的利用數(shù)據(jù)集學(xué)習(xí)得到各個(gè)頻帶系數(shù)的經(jīng)驗(yàn)分布具體包括：

S1-1，從多個(gè)干凈自然圖像中找出足夠多的由相似塊構(gòu)成的三維組；

S1-2，對(duì)每個(gè)三維組分別進(jìn)行中心化、方差歸一化；

S1-3，分別將每個(gè)頻帶的系數(shù)歸并到一起作為樣本，得到其經(jīng)驗(yàn)統(tǒng)計(jì)分布。

優(yōu)選的，所述S2的在待去噪圖像內(nèi)，為每個(gè)圖像塊尋找非局部相似塊，構(gòu)成樣本組具體包括：在圖像范圍內(nèi)做塊匹配，找出與當(dāng)前參考?jí)K最相似的若干個(gè)圖像塊，或者找出與當(dāng)前參考?jí)K差異小于某一閾值的所有圖像塊，這些圖像塊構(gòu)成樣本組。

優(yōu)選的，所述S3的對(duì)樣本組內(nèi)所有塊進(jìn)行自適應(yīng)變換具體包括：將相似塊作為樣本進(jìn)行主成分分析(PCA)訓(xùn)練，推導(dǎo)出能將當(dāng)前圖像塊近似完全去相關(guān)的PCA變換，并對(duì)樣本組內(nèi)所有塊進(jìn)行變換。

優(yōu)選的，所述S4的對(duì)每個(gè)頻帶分別估計(jì)統(tǒng)計(jì)特性具體包括：分別將每個(gè)頻帶的系數(shù)視作樣本，估計(jì)這個(gè)頻帶的系數(shù)的期望和方差。

優(yōu)選的，所述S5的根據(jù)S1和S4所得的各頻帶系數(shù)的先驗(yàn)分布，通過(guò)最大后驗(yàn)概率估計(jì)推導(dǎo)出相應(yīng)的優(yōu)化目標(biāo)函數(shù)進(jìn)行求解具體包括：若先驗(yàn)分布為拉普拉斯分布，則對(duì)各系數(shù)分別進(jìn)行軟閾值縮放。

優(yōu)選的，所述對(duì)各系數(shù)分別進(jìn)行軟閾值縮放包括：利用下式的正則項(xiàng)求解：

其中X_i為第i個(gè)三維組，x_j∈X_i表示第i個(gè)三維組中第j個(gè)樣本圖像塊，T_i是對(duì)第i個(gè)三維組施加的PCA變換，和是第i個(gè)三維組各頻帶的期望和標(biāo)準(zhǔn)差構(gòu)成的向量。

本發(fā)明提出的數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)視頻圖像去噪方法，是一種新的基于非局部樣本的自適應(yīng)軟閾值縮放去噪方法(Band Adaptive Non-local Soft-thresholding，BANS)，所述軟閾值縮放的強(qiáng)度由圖像信號(hào)的統(tǒng)計(jì)特性決定，能夠明顯提高不同噪聲強(qiáng)度下的去噪性能，適合實(shí)際應(yīng)用。

附圖說(shuō)明

通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中：

圖1示出了根據(jù)本發(fā)明實(shí)施方式的自適應(yīng)視頻圖像去噪方法流程圖。

圖2示出了6×6的圖像塊，PCA系數(shù)36個(gè)頻帶中6個(gè)頻帶的概率密度曲線。

圖3示出了隨著λ變化，不同的GGD與各頻帶的KL散度曲線。

圖4示出了本發(fā)明的方法與現(xiàn)有技術(shù)中幾種去噪方法的結(jié)果比較示意圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開(kāi)的示例性實(shí)施方式。雖然附圖中顯示了本公開(kāi)的示例性實(shí)施方式，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開(kāi)而不應(yīng)被這里闡述的實(shí)施方式所限制。相反，提供這些實(shí)施方式是為了能夠更透徹地理解本公開(kāi)，并且能夠?qū)⒈竟_(kāi)的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明的基本思想是利用非局部相似塊作為樣本，分頻帶自適應(yīng)估計(jì)PCA系數(shù)的統(tǒng)計(jì)特性，從而得到更準(zhǔn)確的圖像先驗(yàn)信息。在正則項(xiàng)設(shè)計(jì)方面，本發(fā)明提出利用KL散度(Kullback-Leibler divergence)尋找與各系數(shù)統(tǒng)計(jì)分布的廣義高斯分布，在貝葉斯框架下推導(dǎo)出相應(yīng)的正則項(xiàng)。由于不同頻帶(band)上的系數(shù)統(tǒng)計(jì)特性不同，本發(fā)明對(duì)不同的頻帶采用不同的分布。具體來(lái)講，對(duì)每個(gè)圖像塊，通過(guò)塊匹配找出一系列相似塊并構(gòu)成三維組，以這些相似塊為樣本進(jìn)行主成分分析(Principal Component Analysis，PCA)。從多個(gè)自然圖像中找出足夠多的這樣的三維組，并對(duì)每個(gè)三維組分別進(jìn)行中心化(centralilze，減去均值)、方差歸一化，再分別將每個(gè)頻帶的系數(shù)歸并到一起作為樣本，得到其概率密度曲線(如圖2所示，樣本來(lái)自9個(gè)自然圖像的65520個(gè)樣本組，每個(gè)組包含60個(gè)樣本)，然后用不同的廣義高斯分布擬合，利用KL散度尋找出匹配誤差最小的廣義高斯分布分布(如圖3所示)。形狀參數(shù)λ在經(jīng)驗(yàn)最優(yōu)值λ^opt±0.7范圍內(nèi)，廣義高斯分布(GGD)具有如下形式：

匹配結(jié)果顯示，各頻帶系數(shù)分布的最佳匹配都是λ＝1.3。為了方便求解，將λ設(shè)置為1，從而相應(yīng)的廣義高斯分布即為拉普拉斯分布。在這種情況下，相應(yīng)的正則項(xiàng)可以寫(xiě)為：

其中X_i為第i個(gè)三維組，x_j∈X_i表示第i個(gè)三維組中第j個(gè)樣本圖像塊，T_i是對(duì)第i個(gè)三維組施加的PCA變換，和是第i個(gè)三維組各頻帶的期望和標(biāo)準(zhǔn)差構(gòu)成的向量；(1)中的減法和除法都是對(duì)應(yīng)元素分別運(yùn)算。

利用上述正則項(xiàng)，在貝葉斯框架下，去除高斯白噪聲的問(wèn)題可以轉(zhuǎn)化為如下優(yōu)化問(wèn)題：

其中β是平衡數(shù)據(jù)保真項(xiàng)和正則項(xiàng)相對(duì)作用的正則化參數(shù)，是與噪聲強(qiáng)度有關(guān)的正數(shù)。

本發(fā)明的實(shí)現(xiàn)過(guò)程可以歸結(jié)為6步，下面詳細(xì)介紹本發(fā)明的實(shí)現(xiàn)方式。

第一步，利用數(shù)據(jù)集(足夠多的干凈圖像)學(xué)習(xí)得到各個(gè)頻帶系數(shù)的經(jīng)驗(yàn)分布。具體而言，從多個(gè)干凈自然圖像中找出足夠多的由相似塊構(gòu)成的三維組，并對(duì)每個(gè)三維組分別進(jìn)行中心化(centralilze，減去均值)、方差歸一化，再分別將每個(gè)頻帶的系數(shù)歸并到一起作為樣本，得到其經(jīng)驗(yàn)統(tǒng)計(jì)分布；

第二步，在待去噪圖像內(nèi)，為每個(gè)圖像塊尋找非局部相似塊，構(gòu)成樣本組：在圖像范圍內(nèi)做塊匹配，找出與當(dāng)前參考?jí)K最相似的若干個(gè)圖像塊，或者找出與當(dāng)前參考?jí)K差異小于某一閾值的所有圖像塊，這些圖像塊(包含當(dāng)前參考?jí)K本身)構(gòu)成樣本組。

第三步，信號(hào)自適應(yīng)的變換：將相似塊作為樣本進(jìn)行PCA訓(xùn)練，推導(dǎo)出能將當(dāng)前圖像塊近似完全去相關(guān)的PCA變換T，并對(duì)樣本組內(nèi)所有塊進(jìn)行變換。

第四步，每個(gè)頻帶分別估計(jì)統(tǒng)計(jì)特性：分別將每個(gè)頻帶的系數(shù)視作樣本，估計(jì)這個(gè)頻帶的系數(shù)的期望和方差。

第五步，根據(jù)第一步和第四步所得的各頻帶系數(shù)的先驗(yàn)分布，通過(guò)最大后驗(yàn)概率估計(jì)推導(dǎo)出相應(yīng)的優(yōu)化目標(biāo)函數(shù)進(jìn)行求解。特別的，若先驗(yàn)分布為拉普拉斯分布(或以拉普拉斯分布近似)，則對(duì)各系數(shù)分別進(jìn)行軟閾值縮放(Soft-Thresholding)：利用(1)中所示的正則項(xiàng)求解。

第六步，將所有圖像塊放回圖像原位置，對(duì)有多個(gè)估計(jì)值的像素進(jìn)行平均，從而得到對(duì)全圖的去噪估計(jì)。

圖4示出了本發(fā)明在不同噪聲強(qiáng)度下與另外幾種去噪方法的比較。8個(gè)圖像從左往右、從上到下依次為：輸入的帶噪圖像、BM3D[Buades 05],PID[Knaus14],WNNM[Gu 14],LINC[Niknejad 15],PLR[Hu 15],PCLR[Chen 15]以及本發(fā)明所提方法BANS。高斯白噪聲標(biāo)準(zhǔn)差為50。從圖4中可以看出本發(fā)明提出的方法能夠更有效地去除噪聲的同時(shí)更好的保留圖像細(xì)節(jié)，這是因?yàn)楦鶕?jù)圖像塊統(tǒng)計(jì)特性求得的正則項(xiàng)能夠更好地保留圖像的特性，從而提高了估計(jì)精度。

在表1中列出了在更多圖像種類(lèi)和噪聲強(qiáng)度(以噪聲標(biāo)準(zhǔn)差σ_n衡量)下測(cè)試的結(jié)果，實(shí)驗(yàn)表明，本發(fā)明能夠有效的提高去噪性能。

表1(單位：dB)

作為參考的，上述幾種現(xiàn)有技術(shù)中的方案可分別參考：

[Buades 05]A.Buades,B.Coll,and J.Morel.A non-local algorithm forimage denoising.In IEEE Conference on Computer Visionand Pattern Recognition(CVPR’05),volume 2,pages 60–65vol.2,June 2005.

[Knaus 14]C.Knaus and M.Zwicker,“Progressive image denoising,”IEEE Transactionson Image Processing,vol.23,no.7,pp.3114–3125,Jul.2014.

[Gu 14]S.Gu,L.Zhang,W.Zuo,and X.Feng,“Weighted nuclear normminimization with application to image denoising,”in IEEE Conferenceon Computer Vision and Pattern Recognition,vol.2,Jun.2014,pp.2862–2869.

[Niknejad 15]M.Niknejad,H.Rabbani,and M.Babaie-Zadeh,“Image restoration usinggaussian mixture models with spatially constrained patch clustering,”IEEE Transactions on Image Processing,vol.24,no.11,pp.3624–3636,Nov.2015.

[Hu 15]H.Hu,J.Froment,and Q.Liu,“Patch-based low-rank minimization forimage denoising,”Jun.2015,http://arxiv.org/abs/1506.08353.

[Chen 15]F.Chen,L.Zhang,and H.Yu,“External patch prior guided internalclustering for image denoising,”in IEEE International Conference onComputer Vision,Dec.2015,pp.603–611.

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)，例如，雖然本發(fā)明是用在去噪問(wèn)題上，但它同樣可以適用于其他的圖像重建問(wèn)題。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。