融合非局部相似性和稀疏冗余表示的图像去噪技术研究

Nonlocal similarity and sparse & redundant representation make the excellent performance in the problem of image denoising respectively. The former is the “direct prior” offered by image itself from the spatial domain. The latter is the “trained prior” which is adaptive to the target signal with the help of the machine learning methods. This program focuses on the denoising problem of images corrupted by impulse noise, mixed Gaussian-impulse noise, multiplicative noise and Poisson noise. We aim to combine the advantages of nonlocal similarity and sparse & redundant representation in image denoising. The “direct prior” and “trained prior” will be integrated reasonably to construct the variational denoising model. Through solving the variational model, the denoised image closer to the true image can be got. There are several key problems in the program: (1) the adaptive overcomplete dictionary learning problem based on the noisy signals; (2) the quantitative computation problem of similarity between image patches under the non-Gaussian noise circumstances; (3) the construction and solving problem of variational denoising model combining nonlocal similarity and sparse & redundant representation. This program will make up the drawback that nonlocal similarity and sparse & redundant representation are applied only in image denoising for additive Gaussian noise in most case. It will extend their adaptation ability in different noisy circumstances and offer the necessary technical supports to further improve the performance of image denoising.

非局部相似性和稀疏冗余表示各自在图像去噪问题上均有优异的表现，前者是图像本身从空域角度提供给外界的“直接先验”知识，后者是借助机器学习方法所获得的自适应于目标信号的“训练先验”。本项目针对遭受到冲击、高斯混合冲击、乘性以及泊松等多类噪声所污染图像的去噪问题，旨在集合非局部相似性和稀疏冗余表示在图像去噪上的优势，试图将“直接先验”和“训练先验”合理融合起来，共同构建图像变分去噪模型并对之求解，获得更接近于本真图像的去噪图像。拟解决的几大关键问题是：（1）含噪信号下自适应过完备字典的学习问题；（2）非高斯噪声环境下图像块之间相似性的定量计算问题；（3）融合非局部相似性和稀疏冗余表示的变分去噪模型的构建与求解问题。本项目将弥补非局部相似性和稀疏冗余表示大多仅应用于加性高斯噪声所污染图像去噪问题的缺陷，扩展其在不同噪声环境下的适应性，为进一步提高数字影像去噪效能提供必要的技术支持。

为了最大化地发挥空间域非局部平均滤波技术和变换域稀疏去噪技术在图像多类噪声去除上的作用，本项目主要在非高斯场景下非局部平均滤波模型、融合非局部平均滤波器和稀疏表示技术的去噪框架、非局部平均滤波技术在实际图像噪声去除中的应用三方面做出了有价值的研究成果。针对非高斯噪声在图像中的统计表征，“定制化”地设计了非局部平均滤波模型中的权重系数，使得空间域的非局部相似点被有效利用，生成了良好的去噪图像。为进一步提升去噪图像的质量，将非局部平均滤波后的初始去噪图像作为过完备字典学习的样本来源获得了自适应于目标信号的过完备字典，再利用互补稀疏编码技术追踪到观测图像块信号的本真稀疏表示系数，从而进一步重建出干净的图像。与单独使用非局部平均滤波技术或稀疏去噪技术相比，所提出的融合技术能有效发挥两种技术的优势，并巧妙将之结合，图像去噪效果得到有效提升。在实际图像噪声去除问题上，重点关注了非局部平均滤波技术在超声图像斑点噪声去除和遥感图像中高斯噪声去除方面的应用。基于贝叶斯非局部平均滤波模型，提出了一种迭代滤波去除斑点噪声的算法，并利用VS平台和OpenCV视觉库设计了“超声图像斑点噪声抑制软件”，把单幅图像去斑的时间控制在数秒之内。为了改善传统非局部平均滤波算法易引起边缘模糊和细节损失的缺陷，提出了一种基于图像块归类的非局部平均滤波算法，并用于处理受高斯噪声影响的遥感图像，不仅能有效去除噪声还能更好地保护遥感图像中的地理细节特征。综上，本项目深入挖掘了非局部平均滤波模型在非高斯噪声环境或实际噪声环境下的去噪能力，并与稀疏表示技术结合，有效提升了单一技术下的图像去噪性能。