两类噪声背景下的非局部图像去噪研究

Noise seriously affects image visual quality and subsequent processing operations. The research content of this project is the nonlocal based image denoising methods for Gaussian noise and impulse noise. For Gaussian noise,the preselection based nonlocal means (NLmeans) denoising method is studied by employing singular value decomposition in the image gradient domain, and the traditional NLmeans method is improved in denoising effectiveness and running speed. We study an effective similarity measure method between pixels, which consists of two parts: 1) Rotation matching based image patch similarity measure; 2) Direction correlation based similarity distance computation. Such similarity measure can obtain more similar pixels and robust similar weights. For impulse noise, a local image statistic, called the extrumum compression rank-order absolute difference (ECROAD), is employed to detect impulse noise in an image. A universal impulse noise removal method, used to remove salt-and-pepper noise, random valued impulse noise and mixed impulse noise, is designed by combining the ECROAD statistic results with NLmeans filtering framework. The designed impulse weight is able to avoid the effect of noisy pixels in restoring candidates. The nonlocal information can provide higher correlation between the corrupted pixel and neighborhood pixel. Higher correlation gives rise to better noise suppression and edge preservation. We study optimization method based on nonlocal constraint and present three different image denoising models.

噪声的存在严重影响图像的视觉质量和后继处理。本项目研究高斯噪声和脉冲噪声背景下的非局部图像去噪方法。对于高斯噪声，利用梯度域奇异值分解研究基于预选择的非局部均值图像去噪方法，从去噪效果和运行速度两个方面对原算法进行改进；研究有效的像素相似性度量方法，包括两个部分：1）旋转匹配图像片相似性度量；2）方向相关相似距离计算，该方法能够获得较多的相似像素和鲁棒的相似权系数。对于脉冲噪声，采用极值压缩顺序阶绝对差统计方法检测图像脉冲像素，联合噪声检测结果与非局部均值滤波框架设计一种通用的图像脉冲噪声去除方法（椒盐噪声、随机脉冲噪声和混合噪声）。构造的脉冲权可以避免恢复过程中噪声像素的影响，非局部信息能够在噪声像素和其邻域像素之间提供较高的相关性，有助于噪声抑制和边缘保持。研究非局部约束的最优化方法，给出三种图像去噪模型。

噪声的存在严重影响图像的视觉质量，也给图像的后继处理造成极大困难。图像去噪研究追求的目标是在滤除噪声的同时尽可能多的保持图像的边缘、纹理等细节信息，它是图像处理与计算机视觉的一项基本研究课题。本课题主要研究了非局部均值(Non-Local Means, NLM)图像去噪算法去除图像中高斯噪声与脉冲噪声的问题。基于局部结构张量提出一种结合图像像素间的空间、灰度和结构相似度的三边滤波器。通过构造联合噪声检测模板扩展NLM方法去除图像中的脉冲噪声，获得了较优的去噪效果。利用方法噪声中残留的图像信息重新定义NLM算法的相似权函数，计算的权重能够更准确地反映像素间的相似程度，其去噪结果明显优于传统的NLM算法。研究与分析了高斯加权欧氏距离与欧氏距离两种相似性度量对NLM算法去噪性能的影响，研究表明：在较低噪声水平时，高斯加权欧氏距离度量优于欧氏距离度量，但随着噪声水平的增加，欧氏距离度量优势越来越明显。传统NLM方法使用固定尺寸的图像块匹配度量像素间的相似性，这种度量方式很难保证匹配是最佳的，也会遗弃其他尺寸下的相似性。为此，提出一种基于联合相似度量的NLM算法，对于图像结构区域的像素，该算法对两种尺寸的图像块匹配进行折衷，以兼顾邻域结构的差异，这一改进显著地提高了相似度量的可靠性。提出一种非局部约束的最优化模型，该方法引入不同尺寸图像块计算的权值对失真进行惩罚，实验结果表明该方法是有效的。此外，提出一种有效去除椒盐噪声的开关中值滤波器，对于可能噪声点采用极值舍弃和递归滤波两种技巧估计其灰度值。通过本课题的研究，扩展了非局部图像去噪方法的应用领域（去除脉冲噪声），这为设计更优的脉冲噪声去除方法提供了思路和依据；阐明了NLM图像去噪算法中两种常见相似性度量方式的差异，证明了固定尺寸图像块匹配的不足，为NLM算法的进一步研究提供借鉴。