一种基于广义自回归异方差模型的噪声方差估计方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN104616266A(43)申请公布日2015.05.13(21)申请号201510076452.2(22)申请日2015.02.11(71)申请人张振军地址510000广东省广州市高新技术产业开发区科学城科汇发展中心1604号(72)发明人张振军(74)专利代理机构北京市盈科律师事务所11344代理人张瑞杰(51)Int.Cl.G06T5/00(2006.01)权利要求书3页说明书8页附图3页(54)发明名称一种基于广义自回归异方差模型的噪声方差估计方法(57)摘要一种基于广义自回归异方差模型的噪声方差估计方法，包括以下步骤：步骤1，读取被噪声污染的含噪图像；步骤2，对含噪图像做非子采样轮廓波变换；步骤3，对步骤2中的每个高频子带系数矩阵做去均值滤波处理；步骤4，将去均值滤波处理后的高频子带系数矩阵转换为一维序列数据；步骤5，对一维序列数据建立自回归模型，并求得其残差序列；步骤6，对残差序列建立统计学模型；步骤7，根据步骤5中求得的残差序列和步骤6的统计学模型，采用极大似然估计的方法计算统计学模型的参数；步骤8，求得含噪图像中的噪声的方差。该方法可以提高噪声方差估计的准确性，且适用于各种噪声水平的退化图像，为去噪、复原、特征提取等后续图像处理提供支持。CN104616266ACN104616266A权利要求书1/3页1.一种基于广义自回归异方差模型的噪声方差估计方法，其特征在于，包括以下步骤：步骤1，读取被噪声污染的含噪图像；步骤2，对含噪图像做非子采样轮廓波变换；步骤3，对步骤2中的每个高频子带系数矩阵做去均值滤波处理；步骤4，将去均值滤波处理后的二维高频子带系数矩阵转换为一维序列数据；步骤5，对一维序列数据建立自回归模型，并求得其残差序列；步骤6，对残差序列建立统计学模型；步骤7，根据步骤5中求得的残差序列和步骤6的统计学模型，采用极大似然估计的方法计算统计学模型的参数；步骤8，求得含噪图像中的噪声的方差。2.根据权利要求1所述的一种基于广义自回归异方差模型的噪声方差估计方法，其特征在于，所述步骤1的具体步骤为：读取被噪声污染的含噪图像gx,y＝fx,y+nx,y，其中：fx,y为清晰图像，nx,y为噪声图像；含噪图像gx,y、清晰图像fx,y、噪声图像nx,y的大2小均为N×M；nx,y服从均值为0、方差为σ的正态分布；下标x,y分别表示图像的行坐标与列坐标，1≤x≤N,1≤y≤M；所述步骤2的具体步骤为：对含噪图像gx,y做L级非子采样轮廓波变换，即NSCT，其中，在第i(1≤i≤L)级的方向数为2i-1，得到大小为N×M的低频子带系数矩阵和各级各方向上的高频子带系数矩阵(1≤i≤L,1≤j≤2i-1，j为在第i级上的方向数)，高频子带系数矩阵的个数为L为大于2的自然数；其中，为fx,y的NSCT的系数矩阵，为nx,y的NSCT的系数矩阵。3.根据权利要求2所述的一种基于广义自回归异方差模型的噪声方差估计方法，其特征在于，所述步骤3的具体步骤为：采用以下公式对每个高频子带系数矩阵去均值滤波处理，其中，为系数矩阵去均值滤波处理后得到的矩阵。4.根据权利要求3所述的一种基于广义自回归异方差模型的噪声方差估计方法，其特2CN104616266A权利要求书2/3页征在于，所述步骤4的具体步骤为：按照从左到右、从上到下的顺序依次回形读取去均值滤波后的二维系数矩阵中的元素，得到一维序列数据序列数据既包含有噪声图像的信息，又包含有清晰图像的信息。5.根据权利要求4所述的一种基于广义自回归异方差模型的噪声方差估计方法，其特征在于，所述步骤5的具体步骤为：对一维序列数据建立r阶自回归模型，r为大于3的自然数，为均值为0的残差序列，采用Gram-Schmidt正交法确定自回归模型的阶数r，采用最小二乘估计的方法求得自回归模型的自回归系数进而得到均值为0的残差序列所述残差序列包括两部分：其中，为清晰图像的残差信息，为噪声图像的残差信息。6.根据权利要求5所述的一种基于广义自回归异方差模型的噪声方差估计方法，其特征在于，所述步骤6的具体步骤为：用均值为0、方差为(σ(i,j))2的正态分布模型对噪声图像的残差信息建模，得到模型：用(1,1)阶广义自回归异方差模型GARCH(1,1)对清晰图像的残差信息建模，得到模型：其中：α0＞0,α1≥0,β1≥0，α1+β1＜1；从而，残差序列服从的统计学模型为：所述统计学模型中包含的参数有7.根据权利要求6所述的一种基于广义自回归异方差模型的噪声方差估计方法，其特征在于，所述步骤7的具体步骤为：采用极大似然估计的方法，求得估计统计模型的参数的目标函数：3CN104616266A权利要求书3/3页其中，基于步骤5中求得的残差序