基于非局部自相似性的图像去噪算法研究
如今的人工智能和大数据时代，信息的传输不再局限于曾经的文字模式，更多的是基于如语音通话、数字图像、视频通讯等高速率通信方式传播，其中图像是人类日常生活中最为直接和广泛地获取信息的方式。然而在成像系统的采集或传播过程中，会难以避免地受到噪声干扰，噪声会使图像降质，进而导致现实中多个相关领域的工作难以展开。因此，通过图像去噪技术去除噪声是一个极具研究意义的课题。 近年来，基于非局部自相似性（Non-localSelf-Similarity，NSS）理论的图像去噪算法取得了很好的去噪效果，是当前图像去噪领域中一个极具潜力的研究方向。本文以图像的非局部自相似性为基础，结合加权核范数最小化（WeightedNuclearNormMinimization，WNNM）算法提出了两种改进的图像去噪算法。本文的主要研究工作如下： （1）为解决WNNM算法在计算图像块相似度时易受噪声影响的问题，同时又能更大程度地利用图像的非局部自相似性，提出了一种像素级加权核范数最小化（Pixel-levelWeightedNuclearNormMinimization，PWNNM）算法。首先在搜索相似图像块时引入像素级非局部先验来获得更加精确的相似块矩阵，并基于此矩阵提出一种噪声水平估计方法；然后基于哈尔变换和维纳滤波技术对噪声图像进行预处理；最后对预处理后的图像进行噪声水平估计，用估计得到的噪声方差来归一化WNNM算法的保真项，利用WNNM算法对预处理图像中的残余噪声及伪影做进一步去噪处理。仿真实验结果表明，所提的PWNNM算法能够有效去除图像中的伪影，去噪后的图像具有较好的主观视觉效果。 （2）为更好地保留图像的细节特征，在上述像素级非局部先验的基础上引入了残差图像理论，提出了一种结合残差图像补全的WNNM算法。首先利用全变分（TotalVariation，TV）模型对噪声图像进行初步去噪，然后使用噪声图像与初步去噪后的图像进行差分运算，对差分后得到的噪声残差图像使用改进的小波阈值函数去噪，将小波去噪后的残差图像与初步去噪图像叠加得到残差补全图像。最后搜索残差补全图像的像素级相似块矩阵，使用基于残余噪声水平迭代的WNNM算法进行二次去噪。仿真实验结果表明，所提算法能够有效提高去噪图像的客观指标，能够较好地保持图像的纹理结构，且在高噪声环境下效果更佳。
图像去噪;非局部自相似性;加权核范数;像素级矩阵;残差图像
长春工业大学
硕士
电子与通信工程
郭昕刚;顾军
2022
中文
TP391.41
2022-10-12（万方平台首次上网日期，不代表论文的发表时间）