局部均值噪声估计的盲3维滤波降噪算法

发布时间：2019-11-06 21:23

【摘要】：目的图像在获取和传输的过程中很容易受到噪声的干扰,图像降噪作为众多图像处理系统的预处理模块在过去数十年中得到了广泛的研究。在已提出的降噪算法中,往往采用加性高斯白噪声模型AWGN(additive white Gaussian noise)为噪声建模,噪声水平(严重程度)由方差参数控制。经典的BM3D 3维滤波算法属于非盲降噪(non-blind denoising algorithm)算法,在实际使用中需要由人工评估图像噪声水平并设置参数,存在着噪声评估值随机性大而导致无法获得最佳降噪效果的问题。为此,提出了一种新的局部均值噪声估计(LME)算法并作为BM3D算法的前置预处理模块。方法本文专注于利用基于自然统计规律(NSS)的图像质量感知特征和局部均值估计技术构建图像噪声水平预测器,并通过它高效地获得噪声图像中准确的噪声水平值。关于自然场景统计方面的研究表明,无失真的自然场景图像在空域或者频率域上具有显著的统计规律,一旦受到噪声干扰会产生规律性的偏移,可以提取这些特征值作为反映图像质量好坏的图像质量感知特征。另外,局部均值估计因其简单而高效率的预测特性被采用。具体实现上,在具有广泛代表性且未受噪声干扰图像集合上添加不同噪声水平的高斯噪声构建失真图像集合,然后利用小波变换对这些失真图像进行不同尺度和不同方向的分解,再用广义高斯分布模型(GGD)提取子带滤波系数的统计信息构成描述图像失真程度的特征矢量,最后用每幅失真图像上所提取的特征矢量及对其所施加的高斯噪声水平值构成了失真特征矢量库。在降噪阶段,用相同的特征提取方法提取待降噪的图像的特征矢量并在失真特征矢量库中检索出与之类似的若干特征矢量及它们所对应的噪声水平值,然后用局部均值法估计出待降噪图像中高斯噪声大小作为经典BM3D算法的输入参数。结果改进后的BM3D算法转换为盲降噪算法,称为BM3D-LME(block-matching and 3D filtering based on local means estimation)算法。准确的噪声估计对于诸如图像降噪,图像超分辨率和图像分割等图像处理任务非常重要。已经验证了所提出噪声水平估计算法的准确性、鲁棒性和有效性。结论相对人工进行噪声估计,LME算法能够准确、快速地估算出任意待降噪图像中的噪声大小。配合BM3D算法使用后,有效提高了它的实际降噪效果并扩大它的应用范围。
【图文】：

流程框图,流程框图,经典,降噪算法

工那样受图像内容干扰)且扩展性好，可以有效地实现对任何输入的高斯噪声图像进行噪声水平评估，评估准确率远高于人工估计。另外，所采用的基于小波变换的特征矢量提取方法的实现效率也很高，保障了LME算法的效率。基于此，将LME算法应有于经典的BM3D图像降噪算法得到BM3D-LME算法。相对与经典的BM3D算法，BM3D-LME算法为盲降噪算法，具有更好的实际降噪效果，更广阔的应用范围。需要特别说明的是:所提出的LME算法不但可以应有于BM3D降噪算法，对于其他各种非盲降噪算法同样适用。1BM3D算法简介1．1BM3D算法如图1所示，BM3D降噪算法［19］主要由两个工作阶段构成:1)基础估计阶段(左侧虚框部分)。该阶段利用硬阈值收缩通过协同滤波对噪声图像进行初步降噪形成基本估计。具体来说，就是将图像中所有与参考图块相近图块进行堆叠构成3D数组，之后对3D数组进行协同滤波，返回关于参考图块的基本估计。2)最终估计阶段(右侧虚框部分)。利用原始的噪声图像以及第1阶段获得的基本估计图像进行收缩滤波(以维纳滤波实现)，得到最终输出。BM3D这两个阶段都包括类似的两个步骤:(1)利用和当前处理块同样大小的滑动窗口在图像中搜索与当前处理图像块匹配的所有图像块，并将全部的匹配图像块组合成一个3维数组;(2)选取合适的3维滤波算子对3维数组进行滤波，接着逆变换还原图像，完成降噪任务。其实，BM3D算法充分利用了稀疏表示和非局部均值(图像块之间的相似性)降噪技术，通过有效的模块匹配和3D堆叠可以使得图块获得好的稀疏表示［1，9］。稀疏表示使得所谓的3D协同滤波有效地保留图块中的细节信息。BM3D算法自2006年被提出后，因其不但具有较好的降噪效果，，同时保持了较高的执行效率，常被研究者作为各

噪声,图像,像素点,亮度值

Vol.22，No.4，April2017426图2不同噪声大小的图像Fig．2Imagescorruptedwithdifferentnoiselevels((a)σ=40;(b)σ=50;(c)σ=60)2BM3D-LME算法2．1改进策略正如前文所述，经典的BM3D算法在对图像进行滤波时需要提供图像的噪声大小σ作为输入参数。对于任意给定的噪声图像，仅仅通过人眼评估，随机性大，无法准确地估算图像噪声大校但是，图像噪声的大小参数对最终的图像降噪效果具有决定性作用。受基于内容的图像检索(CBIＲ)［23］和非局部均值图像降噪算法(NLM)［1］领域研究工作经验的启发，本文采用局部均值(localmeans)方法来解决这个问题。主要创新思想来源于:1)基于具有近似图像特征矢量的图像(特征描述符需要合理设计)在图像内容上也类似的原理，CBIＲ系统能够在图像数据库中将与查询图像在内容上相近的图像全部检索出来。理论上，噪声水平估计与CBIＲ系统的工作原理是近似的(只不过是图像特征描述符描述对象不同而已，一个关于图像噪声水平而另外一个则是图像内容)。所以，只要图像描述符经过合理合计，在图像特征矢量数据库中所检索到的与待评价图像特征矢量近似的图像，其与待评价图像在噪声水平上也应该是近似或者大致相当。2)在NLM图像降噪算法中［1，14］，当前噪声像素点的修复亮度值可以基于图像中其他类似像素点的亮度值用均值估计方法很好地估算出来。所谓类似像素点是指以这些像素点为中心的图块在某种特征描述符下是近似的(经典的NLM算法直接采用图块中所包含的所有像素点亮度值之间的欧氏距离来度量，相当于直接把图块上所有的像素点亮度值都作为特征矢量)。NLM算法被广泛成功应用表明:利用图像中与当前噪声像素点近似的像素点的亮度值可以实现

【相似文献】