一种基于局部高斯过程回归的图像降噪方法.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CN113393390A(43)申请公布日2021.09.14(21)申请号202110624146.3(22)申请日2021.06.04(71)申请人南京理工大学地址210094江苏省南京市玄武区孝陵卫200号(72)发明人戴可人华抟张祥金郭竞杰周鹏李磊新刘鹏张合(74)专利代理机构南京理工大学专利中心32203代理人朱沉雁(51)Int.Cl.G06T5/00(2006.01)G06T5/20(2006.01)权利要求书3页说明书7页附图2页(54)发明名称一种基于局部高斯过程回归的图像降噪方法(57)摘要本发明公开了一种基于局部高斯过程回归的图像降噪方法，首先将带噪图像分割成若干重叠的图像块，针对其中的每一个像素点，将包含局部结构相似度信息的邻域像素作为训练样本集来训练高斯过程回归模型，构造了一个复合协方差函数来度量输入数据之间的相似性，并预测相应的输出，即降噪处理后的像素值。之后对各图像块的重叠区域进行线性平滑处理，将处理后的图像块按顺序组合，重建降噪图像。本发明能有效利用图像局部结构中的相似性信息，在降噪的同时能保留原始图像中的结构信息，具有自适应性强、鲁棒性强和可靠性强等优点，能对被高斯白噪声污染的图像进行有效的降噪处理。CN113393390ACN113393390A权利要求书1/3页1.一种基于局部高斯过程回归的图像降噪方法，其特征在于，包括以下步骤：步骤1：将含噪声样本图像I划分为n个边缘重叠的图像块Pm，m＝1,2,...n，m表示当前图像块序号，初始化m＝1，转入步骤2；步骤2：采样图像块Pm中的所有像素点集合ym＝{p1,p2,…ps...,pD}，s为像素点p的序号，D为图像块Pm中的像素点总数，以及每个像素点的k近邻像素域集合Xm＝{Nk(p1),Nk(p2),...Nk(ps)...,Nk(pD)}，组成训练样本对{Xm,ym}，转入步骤3；步骤3：基于训练样本对{Xm,ym}训练高斯过程回归模型，得到预测值的后验概率转入步骤4；步骤4：利用预测值的后验概率预测降噪后的像素点集合y′m＝{p′1,p′2,...p′s...,p′D}，转入步骤5；步骤5：将y′m按照原先位置重组为新图像块P′m，转入步骤6；步骤6：判断当前m是否满足迭代终止条件：若满足m≥n则进入步骤7，否则令m＝m+1，并返回步骤2；步骤7：将新图像块P′m按照原先位置组合，相邻图像块的边缘重叠部分作线性平滑处理，得到降噪后的图像I′。2.如权利要求1所述的基于局部高斯过程回归的图像降噪方法，其特征在于：所述步骤1中，图像块的尺寸为d×d像素，且满足D＝d×d，重叠的像素数为e。3.如权利要求2所述的基于局部高斯过程回归的图像降噪方法，其特征在于，所述步骤2中每个像素点的k近邻像素域有如下定义：像素点p的k近邻像素域Nk(p)是指以p像素为中心像素的边长为k的正方形内包含的像素点集合，该集合不包含像素p，总数为4k2+4k。4.如权利要求3所述的基于局部高斯过程回归的图像降噪方法，其特征在于，所述步骤2中，采样图像块Pm中的所有像素点集合ym＝{p1,p2,…pD}，D为图像块Pm中的像素点总数，以及每个像素点的k近邻像素域集合Xm＝{Nk(p1),Nk(p1),...Nk(pD)}，组成训练样本对{Xm,ym}，具体包括以下步骤：步骤2.1：将图像块Pm的边缘向外扩展k个像素进行填充，所填充像素值与图像边缘像素值对称分布，初始化s为1；步骤2.2：将图像块Pm中像素按列的顺序合并成大小为D×1的向量ym，采样ym中第s个元2素的k近邻像素Nk(ps)，并将其按行的顺序转换为大小为1×(4k+4k)的向量xs；步骤2.3：判断s是否满足迭代终止条件：若满足s≥D则进入步骤2.4，否则令s＝s+1，并返回步骤2.2；2步骤2.4：将(x1,x2,…xs)按列的顺序组合成大小为D×(4k+4k)的矩阵Xm，得到训练样本对{Xm,ym}。5.如权利要求4所述的基于局部高斯过程回归的图像降噪方法，其特征在于，所述步骤3中，基于训练样本对{Xm,ym}训练高斯过程回归模型，得到预测值f*的后验概率，包括以下步骤：步骤3.1：基于图像块的噪声模型由下式定义：Pm＝f(ym)+ε其中，ym为图像块Pm中的所有像素点集合，f(ym)为未被噪声污染的理想函数，ε为噪声，2CN113393390A权利要求书2/3页假设为噪声方差；步骤3.2：高斯过程由如下公式定义：f(ym)～gp(m(ym),k(ymi,ymj))其中，gp表示高斯过程分布，m(ym)为均值函数，k(ymi,ymj)为协方差函数，分别由下式定义m(ym)＝E(f(ym))k(ymi,ymj)＝E[(f(ym