高强度混合噪声污染的图像去噪方法研究

Image de-noising is one of the fundamental and hotspot issues in the image processing domain. With the rapid growth of mass digital image data, the images to be de-noised tend to have larger sizes with more types and more complex noise pollutions. Among the state-of-art image de-noising methods, the one based on structural features forms a typical class. However, the methods of this class lacks the ability to represent the local structural features of noises and the effective global feature-space searching strategy, when processing high-intensity mixture noises. And the matrix optimization efficiency still needs improvement as well. Aiming at the above problem, this project will study the theory and method of image de-noising with high-density mixture noise pollution. The research will focus on three aspects below. First, the local structural features will be modeled that can be represented sparsely, according to the mixture noise characteristics. Second, the clustering and searching mechanism of optimal partition will be clarified based on the global and local structural features. Third, on the basis of the research on fast computation method of feature weighting matrix, a theoretical framework and the practical methods of fast image de-noising will be proposed with high-density mixture noise pollution. The research has broad application prospects that not only can enrich the fundamental theory and method of image de-noising, but also pave a path for the efficient de-noising of mass image set or specific area oriented images such as medical images.

图像去噪方法是图像处理领域的基础与热点问题。近年来随着数字化技术深入生活，图像去噪方法的处理图像目标更大，图像类型更多且处理的噪声更加复杂。尽管基于结构特征的图像去噪方法是当前较为流行的一类算法，但该类算法在处理高强度混合噪声图像时，缺乏对局部结构特征的有效描述，在高强度混合噪声干扰下，对特征空间的划分，稀疏表达，权值矩阵优化求解方面仍有待提高。针对上述问题，本项目针对高强度混合噪声污染下的图像去噪问题展开研究，具体研究内容主要包括三点：（1）在高噪声环境下，如何针对混合噪声构建有效的结构特征模型；（2）研究结构特征空间的最优划分及特征搜索策略；（3）进一步的，在研究特征权值矩阵加速求解方法的基础上，提出高强度混合噪声环境下的快速图像去噪算法。项目研究成果将拓展图像去噪理论的基本理论，有利于图像去噪技术在大数据集图像，专业领域图像去噪问题中的高效应用，进而推动相关领域的发展。

近年来随着数字化技术深入生活，图像去噪方法的处理图像目标更大，图像类型更多且处理的噪声更加复杂。现有方法在处理高强度、混合噪声污染的图像时仍有不足之处，主要包括：缺乏对局部结构特征的有效描述，在高强度混合噪声干扰下，对特征空间的划分，稀疏表达，权值矩阵优化求解方面仍有待提高。针对上述问题，本项目针对高强度混合噪声污染下的图像去噪问题展开研究，具体研究内容主要包括三点：（1）在高噪声环境下，如何针对混合噪声构建有效的结构特征模型；（2）研究结构特征空间的最优划分及特征搜索策略；（3）进一步的，对于细节的进一步修复以及滤波器权值矩阵的优化求解。项目研究成果将拓展图像去噪理论的基本理论，有利于图像去噪技术在大数据集图像，专业领域图像去噪问题中的高效应用，进而推动相关领域的发展。. 针对这些问题，本项目展开以下主要研究内容：（1）在噪声表达方面，采用一种可切换滤波表达的思路，即将切割后的图像块中的不同噪声分别标准以进行表达，对于椒盐噪声首先进行预处理，此后再将预处理后的块，分别纳入非局部均值框架中以及深度学习框架中。实验表明，本研究方案的图像表达可以有效适应混合噪声，强噪声污染的图像去噪问题，较传统方法适应性更强；（2）针对特征表达后，无法在特征空间中搜索有效相似特征的问题。提出了一个解决方案。在方案1，方案2对于噪声图像有效表达的基础上，对于已经生成的图像块集合，通过设计一种EM聚类方法，将不同内容的块进行有效分类。此后再进一步构建修复方案，并获得了较好的效果。该方案进一步提高了已有方案的有效性（3）针对在强噪声干扰下，传统修复方法度量结果与权值矩阵计算不准的问题。提出了两个解决方案。方案4尝试引入总变分(TV) 轮廓模板来估算图像的轮廓部分，通过应用整合成曲线集的总变分连续公式，定义了一致离散化的轮廓模板来挖掘图像块中的边缘纹理信息，同时将TV模型引入到图像轮廓的估计中来确定边缘轮廓的最优方向。最后，将上述边缘约束的模板与前三个方案进行融合，将该边缘先验模板挖掘细节，并引入深度学习框架进行学习。上述两个方案，对于图像细节纹理的恢复有了较大的提高。. 上述研究方案，方法对于图像去噪领域研究提供了新的方法和思路。特别是有利于解决实际应用中，极暗环境下的高强度噪声与混合噪声污染的图像去噪问题。