2.52 THz图像的双平方加权函数非局部均值去噪算法研究
发布时间：2020-12-08 23:51
太赫兹（THz）成像技术是一种无损、非电离的成像技术,以其较低的光子能量和对可见光、近红外不透明的非金属和非极性物质的较高的穿透能力,在生物医辽、工业生产、安防检测等领域具有重大的研究价值和广阔的应用前景,目前已成为当今世界成像技术的研究热点。由于光源及探测器分辨率等性能的限制,成像系统在采集图像的过程中往往存在噪声,需要对采集到的太赫兹图像进行去噪处理。而现有的图像去噪算法往往在去除背景噪声的同时模糊了图像的细节,因此研究出既能去除背景噪声又可保留目标细节的优良算法具有重要的意义。一些较经典的去噪算法例如非局部均值（NLM）去噪方法是根据添加的噪声方差来设置参数进行去噪的。而对于真实的太赫兹图像,由于其结构的特殊性及复杂的噪声特点,我们无法获知其具体的噪声方差,进而无法自动设置去噪算法的参数,因此需要研究一种能对太赫兹图像进行噪声估计的自适应去噪算法。首先,针对THz反射扫描图像重影和背景条纹噪声严重的问题以及THz图像尺寸较小的特点,采用了一种基于四叉树的加权双平方非局部均值（QBNLM）复合去噪算法。通过露西-理查德森（L-R）去模糊和直方图均衡化进行预处理然后使用四叉树分解方法...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
不同形状的相似块[13]，红色点为中心像素，黑色区域为高权重，F1圆形，F2半圆形，F3四分之一圆形，F4矩形
哈尔滨工业大学工学硕士学位论文-3-时间大致减少一半）并使用查找表来加快权重的计算速度，可以进一步优化加速方法。Vignesh等人[11]于2010年提出了采用概率模型来实现提前终止像素邻域之间的失真计算，提高了算法的性能，解决了原始NLM算法计算复杂度高的问题，为去噪算法的运行节省了大量的运算时间。这些非局部去噪方法利用了图像的非局部自相似性，其性能取决于准确地找到足够多的相似块的能力。在这些方法中使用的块通常具有固定的形状和大小，这限制了合适的候选块的数量。此外，这些方法在块大小和潜在相似块的数量之间也面临着不可避免的折衷。一方面，大的块对噪声更加鲁棒，并且能够产生很少的伪影，从而产生平滑的去噪结果。另一方面，块大小的增加导致候选块数量的减少，这导致降低降噪性能，特别是对于纹理区域。目前已有许多方法来有效解决这一问题。2012年Tahmouresi等人提出了一种使用自适应内核进行非局部均值去噪的方法[12]，通过对中心像素和其他块像素之间的差进行阈值估计来估计每个块的自适应二进制形状。Deledalle等人于2012年提出了显式的块形状自适应NLM(NLMwithshape-adaptivepatches,NLM-SAP)算法，对不同形状块下的去噪结果进行局部融合，提高了算法的性能[13]。局部融合权重是根据局部SURE值（Steinunbiasedestimate,Stein无偏风险估计）确定的。但是，由于局部SURE估计精度不高使得融合权值不稳定进而使该算法的效果出现一些问题。不同形状的相似块如图1-2所示，噪声图像的去噪结果如图1-3所示。图1-2不同形状的相似块[13]，红色点为中心像素，黑色区域为高权重，F1圆形，F2半圆形，F3四分之一圆形，F4矩形图1-3八个不同方向块的去噪结果，第五幅是最终聚集所有方向的去噪结果[13]
，自适应的正则化算法纠正了缺少路径效应的问题。一些方法将非局部原理与其他技术相结合，产生了先进的去噪性能，如Dabov等人于2007年提出的块匹配和3D滤波（BM3D）算法，该算法将结构相似的二维图像块组成三维数组，通过协同滤波方法进行降噪，最后逆操作得到去噪图像[15]。该算法适用于灰度图像同时也可用于彩色图像，目前已成为公认的最优图像去噪算法，去噪结果如图1-4所示。但当噪声水平增大时该算法的去噪能力会迅速下降并且算法的运算难度也相对较大。a)房子噪声图像及其滤波结果b)Lena噪声图像及其滤波结果图1-4BM3D算法用于灰度图像和彩色图像的去噪结果[15]2019年Bic等人提出了一种改进的非局部均值（NLM）方法[16]，该方法在评估块相似度函数之前采用了预滤波步骤，并使用了改进的相似度函数，从而可以更好地控制滤波中涉及块的影响。与原始的NLM算法和NLM的最新进展相比，改进的方法可以实现更好的视觉和客观量化结果，接近使用BM3D（块匹配3D）等最新方法获得的结果。目前也有学者将非局部均值方法用于光学图像去噪，YassineTounsi等人在2019年提出一种通过变体非局部均值方法对散斑噪声进行去噪的方法[17]。该方法主要着眼于NLM的形状自适应块和几种NLM重投影方案，以减少数字相干成像系统振幅和相位图像中的散斑噪声。在数字相干成像系统（例如数字散斑图案干涉法，数字全息干涉法等）中，由于光源的相干特性，附加的不相关散斑噪声会严重降低图像质量，因此限制了这些成像系统在许多领域中应用的发展。使用NLM及其变体去噪方法对从这些成像系统中获得的强度或相位图像进行降噪，与其他散斑去噪技术相比，该去噪方法能够更好地改善强度
本文编号：2905901
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
不同形状的相似块[13]，红色点为中心像素，黑色区域为高权重，F1圆形，F2半圆形，F3四分之一圆形，F4矩形
哈尔滨工业大学工学硕士学位论文-3-时间大致减少一半）并使用查找表来加快权重的计算速度，可以进一步优化加速方法。Vignesh等人[11]于2010年提出了采用概率模型来实现提前终止像素邻域之间的失真计算，提高了算法的性能，解决了原始NLM算法计算复杂度高的问题，为去噪算法的运行节省了大量的运算时间。这些非局部去噪方法利用了图像的非局部自相似性，其性能取决于准确地找到足够多的相似块的能力。在这些方法中使用的块通常具有固定的形状和大小，这限制了合适的候选块的数量。此外，这些方法在块大小和潜在相似块的数量之间也面临着不可避免的折衷。一方面，大的块对噪声更加鲁棒，并且能够产生很少的伪影，从而产生平滑的去噪结果。另一方面，块大小的增加导致候选块数量的减少，这导致降低降噪性能，特别是对于纹理区域。目前已有许多方法来有效解决这一问题。2012年Tahmouresi等人提出了一种使用自适应内核进行非局部均值去噪的方法[12]，通过对中心像素和其他块像素之间的差进行阈值估计来估计每个块的自适应二进制形状。Deledalle等人于2012年提出了显式的块形状自适应NLM(NLMwithshape-adaptivepatches,NLM-SAP)算法，对不同形状块下的去噪结果进行局部融合，提高了算法的性能[13]。局部融合权重是根据局部SURE值（Steinunbiasedestimate,Stein无偏风险估计）确定的。但是，由于局部SURE估计精度不高使得融合权值不稳定进而使该算法的效果出现一些问题。不同形状的相似块如图1-2所示，噪声图像的去噪结果如图1-3所示。图1-2不同形状的相似块[13]，红色点为中心像素，黑色区域为高权重，F1圆形，F2半圆形，F3四分之一圆形，F4矩形图1-3八个不同方向块的去噪结果，第五幅是最终聚集所有方向的去噪结果[13]
，自适应的正则化算法纠正了缺少路径效应的问题。一些方法将非局部原理与其他技术相结合，产生了先进的去噪性能，如Dabov等人于2007年提出的块匹配和3D滤波（BM3D）算法，该算法将结构相似的二维图像块组成三维数组，通过协同滤波方法进行降噪，最后逆操作得到去噪图像[15]。该算法适用于灰度图像同时也可用于彩色图像，目前已成为公认的最优图像去噪算法，去噪结果如图1-4所示。但当噪声水平增大时该算法的去噪能力会迅速下降并且算法的运算难度也相对较大。a)房子噪声图像及其滤波结果b)Lena噪声图像及其滤波结果图1-4BM3D算法用于灰度图像和彩色图像的去噪结果[15]2019年Bic等人提出了一种改进的非局部均值（NLM）方法[16]，该方法在评估块相似度函数之前采用了预滤波步骤，并使用了改进的相似度函数，从而可以更好地控制滤波中涉及块的影响。与原始的NLM算法和NLM的最新进展相比，改进的方法可以实现更好的视觉和客观量化结果，接近使用BM3D（块匹配3D）等最新方法获得的结果。目前也有学者将非局部均值方法用于光学图像去噪，YassineTounsi等人在2019年提出一种通过变体非局部均值方法对散斑噪声进行去噪的方法[17]。该方法主要着眼于NLM的形状自适应块和几种NLM重投影方案，以减少数字相干成像系统振幅和相位图像中的散斑噪声。在数字相干成像系统（例如数字散斑图案干涉法，数字全息干涉法等）中，由于光源的相干特性，附加的不相关散斑噪声会严重降低图像质量，因此限制了这些成像系统在许多领域中应用的发展。使用NLM及其变体去噪方法对从这些成像系统中获得的强度或相位图像进行降噪，与其他散斑去噪技术相比，该去噪方法能够更好地改善强度
本文编号：2905901
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2905901.html
