基于图像非局部信息的混合噪声去除算法研究

Image denoising is a fundamental problem in image processing, aiming to improve the potential information for human interpretation. The mixture of additive white Gaussian noise (AWGN) and impulse noise (IN) has been a challenging task due to the randomness and complexity of noise distribution. Many existing mixed noise removal methods are detection based methods and they involve two sequential steps, i.e., first detect the IN pixels and then remove the noise. Such a two phase strategy will not only become less effective when the AWGN or IN is strong, but also tend to wipe out the image fine textures during the denoising processing. Based on these reasons, the project will combine the nonlocal self-similarity (NSS), gradient histogram of image with the Gaussian mixture model and low rank model. We will propose NSS based mixed Gaussian learning model and gradient regularization based nonlocal low rank approximation model for mixed noise removal, hoping to achieve leading mixed noise removal performance in terms of both quantitative measures and visual quality. On this basis, we will extend the above research results to the tensor data space and develop tensor based low rank approximation model. Finally, three models mentioned above will be used for natural image, video image denoising as well as the real fabric defect detection.

图像去噪是图像处理中的一个基本问题，目的是改善人类对图像潜在信息的理解。混合高斯、脉冲噪声由于分布的随机性和复杂性，使去噪问题变得更具挑战和难度。目前很多混合噪声去除方法都是基于探测的两步法，即先探测脉冲噪声，后去除高斯噪声。这种两步策略不仅在高斯噪声或脉冲噪声比例较高时去噪效果不理想，而且在去噪过程中易导致纹理细节的丢失。基于这些原因，本项目将图像的非局部自相似性、梯度直方图和混合高斯学习模型以及低秩逼近模型结合起来。 我们拟提出基于图像非局部信息的混合高斯学习模型和基于梯度正则的非局部低秩逼近模型用于混合噪声去除，预期获得更好的量化指标及视觉效果。在此基础上，将上述研究成果扩展到高维的张量空间，提出基于张量的低秩逼近模型。 最后，本项目将上述三个模型用于自然图像、视频图像去噪以及布料疵点检测的实际应用中。

当今，人类已完全进入一个信息快速发展的时代。研究表明人类从外界获得信息的 83% 来自图像。然而，图像在形成、传输和接收等过程中，由于使用设备和传输通道的局限性，噪声或多或少会被引入其中。基于这个原因，本项目对混合高斯脉冲噪声的去除展开了研究，提出了基于梯度正则的非局部低秩逼近方法用于混合噪声去除。在该方法中，首先通过中值滤波探测脉冲噪声的像素值，用非局部均值对其替换。将相似块组合成矩阵，利用低秩逼近来重构干净的图像块，同时利用梯度正则来增强图像纹理细节。实验结果表明该算法不仅具有很有的图像去噪性能，同时获得了很好的视觉效果。其次提出了基于卷积神经网络的混合噪声去除算法，该算法在噪声比例较高时能获得较好的去除效果。.布料疵点检测与图像去噪相似，等价于找到图像中的噪声点。基于这个原因，我们提出了基于非局部低秩逼近方法用于布料疵点检测，快速的三阶段算法以及Sobel算子结合分块统计的算法。其中快速的三阶段算法首先利用均值滤波抑制噪声，接着采用卷积算子增强图像，达到扩大疵点和背景之间差异的目的。基于增强的图像，计算每个块的方差，通过阈值来判断该块是否包括疵点。最后将这些块合成疵点图像，实验结果证明该算法对纯色布料能达到90%以上的检测效果，同时具有较好的实时性。综上所述，本项目对混合高斯脉冲噪声做了进一步的研究，取得了较好的去噪及纹理保留效果。疵点检测算法的提出对基于视觉的疵点检测的发展有一定的推动作用。