基于尺度混合模型和低秩逼近的视频去噪方法.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CN106157259A(43)申请公布日2016.11.23(21)申请号201610465886.6(22)申请日2016.06.24(71)申请人西安电子科技大学昆山创新研究院地址215300江苏省苏州市昆山市苇城南路1699号工业技术研究院申请人西安电子科技大学(72)发明人董伟生石光明黄韬(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7页附图2页(54)发明名称基于尺度混合模型和低秩逼近的视频去噪方法(57)摘要本发明公开了一种基于尺度混合模型和低秩逼近的视频去噪方法，主要解决现有技术难以精确去除高斯脉冲混合噪声的问题。其方案是：1.采用中值滤波法获得视频的初始估计，并在测试图像的前后帧里寻找相似图像块矩阵；2.用拉普拉斯尺度混合模型对异常点集合建模，将异常点估计问题转为异常点和隐藏因子联合求解的问题，以去除混合噪声带来的异常点；3.对相似图像块矩阵进行低秩逼近，利用非局部低秩模型计算出去噪后图像；4.用拉普拉斯尺度混合模型和非局部低秩模型迭代计算得到恢复的单帧图像；5.重复1‐4得到去噪后的视频。本发明能去除混合噪声，保留图像细节信息，视觉效果更好，可用于视频多媒体、遥感影像、医学影像去噪。CN106157259ACN106157259A权利要求书1/3页1.一种基于尺度混合模型和低秩逼近的视频去噪方法，包括：M×N×T(1)对输入含噪视频序列y＝{y1,...,yt,...,yT}∈R进行中值滤波预处理，得到初M×N始估计视频其中yt∈R代表含噪视频y的第t帧图像，代表初始视频y0的第t帧图像，t∈{1,2,...,T}，T代表视频中的图像帧数，M和N代表单帧图像的维度；(2)利用初始估计视频y0中的第t-1帧图像第t帧图像和t+1帧图像创建的相似块矩阵Xi,t，生成相似块矩阵索引集合Gi,t：Gi,t＝[(i1,t),(i2,t-1)...,(is,t),...,(im,t+1)],其中表示为第s个与xi,t相似并且从中提取的大小为n的图像块，i＝1,2,...,I，I为聚类后相似块矩阵的个数，(is,t)代表对应的索引，s＝1,2,...,m，m为相似块的个数；(3)联合第t帧含噪图像yt的前后P帧含噪图像yt-1和yt+1，获得去噪后的图像这里P取1：(3a)利用拉普拉斯尺度混合模型，将奇异点矩阵分解为隐性变量因子θ和拉普拉斯变量β的点乘积：其中·代表点乘，βj和θj分别代表β和θ的第j个元素，j＝1,2,...,mn，是高斯噪声的方差，ε＝10-5，用来保证计算的稳定性；(3b)对(3a)的分解式进行计算，得到隐性变量因子θ和拉普拉斯变量β：(3b1)将(3a)的分解式转化为如下目标函数，计算隐性变量因子θ：(3b2)将(3a)的分解式转化为如下目标函数，计算拉普拉斯变量β：(3b3)通过(3b1)计算出的θ和(3b2)计算出的β得到奇异点矩阵(3c)利用非局部低秩模型和(3b3)得到的计算去噪后的图像(3d)重复(3a)-(3c)共L次，按步骤(2)中的方法在恢复后的视频图像中更新相似块矩阵Xi,t和索引集合Gi,t；(3e)重复(3a)-(3d)共Q次，Q为迭代次数最大值，得到去噪后的图像(4)重复(3a)-(3e)共T次，重构出的干净视频序列：2.根据权利要求书1所述的方法，其中步骤(3b1)中对隐性变量因子θ的求解如下：(3b1a)将步骤(3b1)中的目标函数转化如下方程式来求解θj：2CN106157259A权利要求书2/3页其中θj，和分别代表θ，yt和xt的第j个元素；将上式<1>展开，并令是其简化为：令上式<2>右边为f(θj)；(3b1b)通过最小化目标函数f(θj)得到θj的解为：其中3.根据权利要求书1所述的方法，其中步骤(3b2)中对拉普拉斯变量β的求解如下：将步骤(3b2)中的目标函数转化如下方程式来求解βj：其中βj，和分别代表β，yt和xt的第j个元素，通过对上式进行软阈值法得到βj的解：其中为阈值。4.根据权利要求1所述的方法，其中步骤(3c)中计算去噪后的图像按如下步骤求解：(3c1)将相似块矩阵Xi,t进行如下奇异值分解：svd(Xi,t)＝(Oi,t,Λi,t,Vi,t)，其中svd表示奇异值分解符号，Oi,t和Vi,t分别代表左奇异矩阵和右奇异矩阵，diag表示对角线矩阵，表示奇异值矩阵Λi,t对角线上的第r个奇异值元素，r∈{1,2,..,R}，R＝min(n,m)；(3c2)根据(3c1)计算出的计算第k次迭代阈值矩阵对角线的第r个元素如下：其中，k∈{1,2,..,G}，G为最大迭代次数，代