基于字典学习和块匹配的自然图像去噪方法.pdf

(19)中华人民共和国国家知识产权局*CN102184526A*(12)发明专利申请(10)申请公布号CN102184526A(43)申请公布日2011.09.14(21)申请号201110102644.8(22)申请日2011.04.22(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人杨淑媛焦李成张月圆卫美绒王晶王爽侯彪缑水平(74)专利代理机构陕西电子工业专利中心61205代理人王品华朱红星(51)Int.Cl.G06T5/00(2006.01)权利要求书3页说明书6页附图4页(54)发明名称基于字典学习和块匹配的自然图像去噪方法(57)摘要本发明公开了一种基于字典学习和块匹配的自然图像去噪方法，主要克服现有自然图像去噪中纹理细节易丢失和同质区域不平滑的问题。其实现过程是：(1)设定去噪目标函数，输入含噪图像z(x)；(2)令原始图像等于含噪图像，即y(x)＝z(x)，令字典D为冗余DCT字典；(3)采用KSVD算法对字典D的原子和相应系数矩阵αij进行更新；(4)用BM3D算法对含噪图像z(x)去噪，获得初步去噪结果(5)将更新后的D、αij和代入原始图像的估计公式，得到含噪图像z(x)的去噪结果本发明相对于现有的经典去噪方法能够更好地去除噪声，在平滑同质区域的同时兼顾保留图像的纹理、轮廓、边缘细节信息，可用于自然图像的去噪。CN1028456ACCNN110218452602184530A权利要求书1/3页1.一种基于字典学习和块匹配的自然图像去噪方法，包括如下步骤：(1)设含噪图像z(x)＝y(x)+n(x)去噪后的原始图像的估计为：其中，y(x)为原始图像，n(x)为标准差为σ的高斯白噪声，x∈X，X为图像像素的坐标集合，λ为langrage乘子，且λ＝30/σ，代表取二范数平方，μ为残差控制因子，αij为图像块Rijy(x)的稀疏表示系数，||||0代表取零范数，D为过完备稀疏表示字典，Rij代表从图像中取出大小的图像块的取块操作，i，j为取出的图像块在原图像中的坐标位置，v为权重参数，它的取值范围是(78/σ)2～(1049/σ)2，为BM3D方法对含噪图像z(x)的初步去噪结果；(2)令原始图像等于含噪图像，即y(x)＝z(x)，令过完备稀疏表示字典D为冗余DCT字典，且D∈Rn×K，Rn×K代表n×K大小的实数矩阵，取n＝64，K＝256；(3)采用KSVD字典学习方法更新过完备稀疏表示字典D和稀疏表示系数αij，此步骤迭代J次，当σ≤5时，J＝5，当σ＞5时，J＝10；(4)用BM3D方法对含噪图像z(x)去噪，得到初步去噪结果(5)将更新后的过完备稀疏表示字典D、更新后的稀疏表示系数αij和初步去噪结果代入步骤(1)设定的原始图像的估计公式，得到原始图像的估计其中，I为图像大小的单位矩阵，为Rij的转置。2.根据权利要求1所述的基于字典学习和块匹配的自然图像去噪方法，其中步骤(3)所述的采用KSVD字典学习方法更新过完备稀疏表示字典D和稀疏表示系数αij，按如下步骤进行：3a)将原始图像y(x)分解成为大小的图像块yij(x)＝Rijy(x)，用追踪算法计算图像块yij(x)的稀疏表示系数αij，即3b)对于字典D的任一原子dl，l＝1，2，...，K，找出用到原子dl的那些图像块的坐标位置集合，即wl＝{(i，j)|αij(l)≠0}，其中式αij(l)表示稀疏系数αij的第l个元素；3c)对于计算残差其中dm为字典D的第m个原子，αij(m)表示稀疏系数αij的第m个元素；3d)令组成的集合为El，即T3e)对所述的El进行奇异值分解，得El＝UΔV，其中U为左奇异矩阵，Δ为奇异值TT矩阵，V右奇异矩阵的转置，用U中第一列更新原子dl，用V的第一行乘以Δ(1，1)以对αij(l)进行更新，其中3.根据权利要求1所述的基于字典学习和块匹配的自然图像去噪方法，其中步骤(4)所述的用BM3D方法对含噪图z(x)去噪，得到初步去噪结果按如下步骤进行：4a)将含噪图像z(x)，分解成8×8大小的图像块，依次取出一块图像块作为当前参考2CCNN110218452602184530A权利要求书2/3页块，设为令所有图像块为侯选块，设为Zx；4b)用块匹配法计算当前参考块和候选块Zx的距离其中，T2D表示二维小波线性变换，γ代表硬阈值算子，设硬阈值为0，代表取二范数平方，取出满足的侯选块作为与参考块相似的块，将这些相似块堆积成三维形式，表示为其中表示这些相似块的坐标集合；4c)在三维域对所述的作硬阈值联合滤波，得到的去噪结果并将去噪结果拆分二维形式，表示为x1∈S1，其中，T3D表示三维线性变换，γ′表示硬阈值算子，取硬阈值为2.7σ，表示逆三维线性变换；4d)重复步骤4b)-4