一种基于像素级噪声方差估计的真实图像盲降噪方法

1.本发明涉及图像增强与处理中的图像去噪技术领域，特别是一种基于像素级噪声方差估计的真实图像盲降噪方法。


背景技术：

2.随着多媒体设备的迅速发展，人们对图像质量的需求越来越高，而图像去噪是获取高质量图像的有效手段，同时也是夜间图像增强、图像去模糊、图像分割和目标识别等众多方向的预处理模块之一。近些年来，人们提出了很多算法来解决图像降噪的问题，并取得了非常不错的效果。但是,大部分算法都假设噪声服从高斯噪声分布，而真实场景下采集到的图像内包含的噪声模型并不只是高斯噪声，往往还和设备内的暗电流、热噪声等诸多因素有关。因此，许多算法在应用到真实场景下的效果并不好，针对这种情况找到一种鲁棒的真实场景下图像降噪算法是有必要的。而目前主流的图像降噪算法都需要已知图像的噪声方差并作为参数输入，但是真实场景下采集到的图像噪声水平往往是未知的，因此我们还需要对图像进行噪声方差估计。
3.本发明基于像素级噪声方差估计的真实图像降噪方法建立在bm3d图像降噪算法的基础上加以改进。大多数主流的降噪算法(包括bm3d)都是基于块级nss先验，而本发明提出的噪声方差估计算法sa-nlh在此基础上进一步引入像素级nss先验，然后将该算法与bm3d算法按块结合完成降噪任务。


技术实现要素：

4.本发明的目的在于提供一种基于像素级噪声方差估计的真实图像盲降噪方法，该方法在保证性能的前提下很大程度降低了处理所需要的时间，且整体降噪算法与其他经典的传统降噪算法相比具有一定优势。
5.为实现上述目的，本发明的技术方案是：一种基于像素级噪声方差估计的真实图像盲降噪方法，包括如下步骤：
6.步骤s1、输入一张真实场景下拍摄的含噪声图像；
7.步骤s2、提出一种像素级噪声方差估计算法估计含噪声图像目标块中的噪声水平，并将像素级噪声方差估计算法与bm3d图像降噪算法按图像块结合；
8.步骤s3、根据当前目标块的噪声方差自适应调整bm3d图像降噪算法后续模块的滤波参数并参与后续模块处理；
9.步骤s4、输出降噪后的图像。
10.相较于现有技术，本发明具有以下有益效果：本发明基于像素级噪声方差估计的真实图像降噪方法建立在bm3d图像降噪算法的基础上加以改进。大多数主流的降噪算法(包括bm3d)都是基于块级nss先验，而本发明提出的噪声方差估计算法sa-nlh在此基础上进一步引入像素级nss先验，然后将该算法与bm3d算法按块结合完成降噪任务。
附图说明
11.图1为本发明图1是本发明实施例的整体图像降噪算法结构框图。
12.图2是本发明实施例中输入的在真实场景下拍摄且需要降噪的图片。
13.图3是本发明实施例中像素级噪声方差估计算法结构框图。
14.图4是本发明实施例中步骤s22不同相对平坦程度条件下对应最适合搜索的相似像素个数。
15.图5是本发明实施例中步骤s31不同噪声方差条件下最适宜的滤波系数。
16.图6是本发明实施例中经过降噪处理后最终输出的图片。
具体实施方式
17.下面结合附图，对本发明的技术方案进行具体说明。
18.如图1所示，本实例提供了一种基于像素级噪声方差估计的真实图像盲降噪方法，具体包括以下步骤：
19.步骤s1、输入一张真实场景下拍摄的含噪声图像；
20.步骤s2、用我们提出的像素级噪声方差估计算法估计目标块中的噪声水平，并将该算法与bm3d图像降噪算法按图像块结合；
21.步骤s3、根据当前目标块的噪声方差自适应调整bm3d后续模块的滤波参数并参与后续的模块处理。
22.步骤s4、输出降噪后的图像；
23.在本实施实例中，所述步骤s1的输入图像如图2所示，有以下特征：
24.(1)在真实场景下拍摄；
25.(2)图像不需要经过任何图像处理，图像尺寸为m
×
n(其中，m为输入图像的行数，n为输入图像的列数)；
26.(3)图像都带有噪声。
27.在本实施实例中，输入一张真实场景下拍摄且需要降噪的图片，可进入步骤s2，图像噪声方差估计的流程图如图3所示。
28.在本实施实例中，所述步骤s2主要包括以下步骤
29.步骤s21、输入待处理的图像ir＝i i
x
，ir∈rm×n,其中ir表示带噪声图像，i表示我们想恢复出的干净图像，i
x
表示输入图像中的噪声，生成以为中心的ns×ns
邻域数据ir(i)，表示待处理的图像ir中第i个目标块，大小为n1×
n1；
30.步骤s22、计算目标块的相对平坦程度fi，并根据fi自适应调整步骤s23中的参数s；
31.步骤s23、对于每个目标块zr(i)，在ir(i)内根据欧氏距离寻找最相似的n个图像块t
l
(l＝1，2，....，n)；
32.步骤s24、将t
l
合并成一个矩阵向量，并进一步搜索其中与每个像素最相似的s个像素并整合成相似像素矩阵
33.步骤s25、根据步骤s24求出的相似像素矩阵计算目标块的噪声方差σ。
34.在本实施实例中，所述步骤s22具体包括以下步骤：
35.步骤s221、我们用图像块像素之间的梯度g来表示其平坦程度,其中g为水平梯度gh
和垂直梯度gv之和，以8*8的图像块s
(x，y)
(x，y＝1，2，....n1)为例，其计算公式分别为和最后当前目标块梯度gi＝gv gh；
36.步骤s222、令当前目标块的参考梯度为的计算公式为其中，g
x
指代当前目标块之前处理过的每一个目标块对应的目标块梯度，则相对平坦程度由可以算出，最后根据fi的值自适应调整参数s的值，具体映射表如图4所示。
37.在本实施实例中，所述步骤s24具体包括以下步骤：
38.步骤s241、将块匹配得到的n个相似块t
l
的像素数据都拉伸为n1×
n1行1列的向量然后把这n个向量按列组合就成了一个长为n1×
n1宽为n的像素矩阵
39.步骤s242、把像素矩阵t的每一行当成一个整体并进一步用二范数计算每一行像素ti与其他行像素tj之间的相似距离
40.步骤s243、根据v
ij
找到每一行像素最相似的s行像素，即相似块中与参考像素点最相似的s个像素点，将这s行像素按照相似距离由小到大的顺序从第一行到最后一行依次排列组成一个新的像素级矩阵k表示第k行像素对应的相似像素矩阵。
41.在本实施实例中，所述步骤s25具体包括以下步骤：
42.步骤s251、根据步骤s243中求出的像素级矩阵yk,令yk的每个行向量为令为的第k个像素值，则当前目标块噪声方差为
43.步骤s252、若要计算整幅图像的噪声方差，则由每个目标块的噪声方差加权平均可得。
44.在本实施实例中，所述步骤s3具体包括以下步骤
45.步骤s31、将步骤s2获取的目标块的噪声标准差σ(i)输入到bm3d的算法中，进行参数选择；
46.步骤s32、对图像做基础估计，σ(i)参与后续计算，以消除图像中大部分的噪声；
47.步骤s33、再对基础估计处理完图像做最终估计，σ(i)参与后续计算，以还原原图中更多的细节；
48.在本实施例中，所述步骤s31具体包括以下步骤：
49.步骤s311、根据噪声标准差σ(i)选择在bm3d基础估计阶段判断其他块和目标块相似的阈值参数τ
hard
和相似块数量上限参数n
hard
，以及在最终估计阶段判断其他块和目标块相似的阈值参数τ
wien
，如图5所示。
50.所述步骤s32具体包括以下步骤：
51.步骤s321、对于每个目标图块，在附近寻找相似的图块，按目标块和其他块的欧式
距离从小到大排序后取最多前n
hard
个。首先在噪声图像中选择k
hard
×khard
大小的目标块，在目标块的周围39
×
39的区域内进行搜索，寻找若干个差异度最小的块，先对图块进行二维变换，并把这些块整合成一个三维的矩阵，目标块自身也要整合进三维矩阵。
52.步骤s322、在矩阵的第三个维度进行一维变换，通常为hadamard transform。变换后采用硬阈值的方式将小于阈值γ的系数置为0。其中，硬阈值的计算公式为：σ(i)是上式中所求得的噪声标准差。同时统计系数非零成分的数量作为后续权重的参考，权重计算公式为：i表示当前第i个目标块。最后通过在第三维的一维反变换和二维反变换得到处理后的图像块；
53.步骤s323、将逆变换后的图像像素除以每个点的权重就得到基础估计的图像，权重取决于置0的个数和噪声强度，此时图像的噪点得到了较大的去除；
54.所述步骤s33具体包括以下步骤：
55.步骤s331、按目标块和其他块的距离从小到大排序后取最多前n
wien
个。首先在噪声图像中选择k
wien
×kwien
大小的目标块，在目标块的周围39
×
39的区域内进行搜索，寻找若干个差异度最小的块，将基础估计图块、含噪原图图块分别叠成两个三维数组。所以这一步与第一步中不同的是这次会得到两个三维数组，一个是噪声图像形成的三维数组一个是基础估计得到的三维数组。；
56.步骤s332、将两个三维矩阵都进行二维和一维变换，这里的二维变换采用dct变换。用维纳滤波(wiener filtering)将噪声图形成的三维矩阵进行系数放缩，该系数通过基础估计的三维矩阵的值以及噪声强度得出,将这些图块逆变换后放回原位。这一过程用表示，其中是维纳滤波的系数,和分别表示三维的变换和逆变换；
57.步骤s333、将这些图块逆变换后放回原位，利用系数非零成分数量统计叠加权重，最后将叠放后的图除以每个点的权重就得到基础估计的图像，权重计算公式为：此时图像还原了更多原图的细节，整幅图像也就完成了去噪的全部过程，输出图片如图6所示。
58.以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。