一種基于自適應epll算法的圖像去噪方法
【技術領域】
[0001] 本發明涉及圖像處理領域，特別是一種基于自適應EPLL算法的圖像去噪方法。
【背景技術】
[0002] 名詞解釋：
[0003] GMM :Gaussian mixture model，高斯混合模型；
[0004] EM 算法，Expectation Maxmization algorithm，最大似然估計算法；
[0005] EPLL 算法：Expected Patch Log Likelihood algorithm，似然概率對數期望算 法，一種基于圖像塊先驗知識的恢復方法，通過研究不同圖像塊的先驗知識所產生的圖像 塊去噪效果，找到較好的高斯混合模型（GMM)作為先驗知識。
[0006] 圖像是人類對客觀世界感知和認識的一種最直接的途徑。圖像傳遞著重要的信 息，清晰無污染的圖像才能確保信息的真實性。然而，在圖像成像或傳輸的過程中不可避免 地引入了各種噪聲，致使信息失真。因此，需要從噪聲圖像中還原出原始清晰的圖像，即圖 像去噪。圖像去噪技術已廣泛應用于國民經濟和國防的眾多領域，如醫學圖像處理、氣象遙 感、生物識別、安全監控、目標跟蹤等。因此，研究圖像去噪具有重要意義和廣泛的應用前 景。目前技術中，對圖像去噪的方法有各種各樣，例如采用高斯混合模型進行去噪的方法， 但是，目前采用高斯混合模型進行去噪的方法存在去噪效果差的問題，去噪效果不理想。

【發明內容】

[0007] 為了解決上述的技術問題，本發明的目的是提供一種基于自適應EPLL算法的圖 像去噪方法。
[0008] 本發明解決其技術問題所采用的技術方案是：
[0009] -種基于自適應EPLL算法的圖像去噪方法，包括：
[0010] S1、隨機選取訓練樣本，并依次將每張訓練圖片進行重疊分塊后，采用最大似然估 計算法對高斯混合模型進行訓練；
[0011] S2、將待處理圖像進行重疊分塊后，分別計算獲得的每個圖像塊相對于高斯混合 模型的最大似然概率，進而對圖像塊進行分類，獲得每個高斯子模型對應的圖像塊集合；
[0012] S3、針對每個圖像塊，根據其分類結果，結合訓練好的高斯混合模型，采用維納濾 波方法對該圖像塊進行去噪；
[0013] S4、將去噪后的每個圖像塊進行稀疏表示后，對待處理圖像進行重建；
[0014] S5、根據去噪后的圖像塊的分類結果，對高斯混合模型進行參數更新；
[0015] S6、判斷是否符合預設收斂條件，若是，則結束，否則，返回執行步驟S2。
[0016] 進一步，所述步驟Sl，包括：
[0017] S11、初始化高斯混合模型，并隨機選取訓練樣本；
[0018] S12、依次從訓練樣本中獲取訓練圖片，將每張訓練圖片按照預設圖像窗口進行重 疊分塊；
[0019] S13、計算分塊獲得的每個圖像塊相對于高斯混合模型的最大似然概率后，對圖像 塊進行分類，進而獲得每個高斯子模型對應的圖像塊集合；
[0020] S14、根據每個高斯子模型對應的圖像塊集合，對高斯混合模型進行參數估計。
[0021] 進一步，所述步驟S14,其具體為：
[0022] 根據每個高斯子模型對應的圖像塊集合，采用下式，對高斯混合模型進行參數估 計：
[0024] 上式中，Z1表示圖像塊，Ω k表示該高斯子模型對應的圖像塊集合，μ k、Xk分別表 示第k個高斯子模型的均值和協方差矩陣。
[0025] 進一步，所述步驟S3,其具體為：
[0026] 針對每個圖像塊，根據其分類結果，結合訓練好的高斯混合模型，根據下式，采用 維納濾波方法對該圖像塊進行去噪：
[0028] 上式中，表示去噪后的圖像塊，i表示下標，%表示該圖像塊對應的高斯子模 型的協方差矩陣，表示該圖像塊對應的高斯子模型的均值，σ表示噪聲的協方差，I表示 單位矩陣，y表示待處理圖像。
[0029] 進一步，所述步驟S4,包括：
[0030] S41、獲取預設的超完備字典后，根據下式將去噪后的每個圖像塊進行稀疏表示：
[0032] 上式中，xi表不弟i個圖像塊的稀疏表不，Φ表不預設的超完備字典，α ;表不稀 疏系數矩陣，λ表示正則化參數，a Xii表示該圖像塊的Ll范數；
[0033] S42、根據下式對去噪圖像進行重建：
[0035] 上式中，X表示重建后的待處理圖像，R1表示第i個圖像塊的矩陣。α .表示所有 αx, i的串聯。
[0036] 進一步，所述步驟S5,其具體為：
[0037] 根據去噪后的圖像塊的分類結果，采用下式對高斯混合模型進行參數更新：
[0039] 上式中，yk、Σ,、3^分別表示第k個高斯子模型的均值、協方差矩陣和權值，Ω k表示該高斯子模型對應的圖像塊集合，^表示去噪后的圖像塊，S表示待處理圖像的圖像塊 總數。
[0040] 進一步，所述重疊分塊，其具體為：采用預設圖像窗口在圖像上依次滑動取圖像 塊，使得每個圖像塊均有一部分與所取的上一個圖像塊重疊。
[0041] 進一步，所述預設收斂條件指迭代結果波動不超過預設的波動閾值。
[0042] 本發明的有益效果是：本發明的一種基于自適應EPLL算法的圖像去噪方法，包 括：隨機選取訓練樣本，并依次將每張訓練圖片進行重疊分塊后，采用最大似然估計算法對 高斯混合模型進行訓練；將待處理圖像進行重疊分塊后，分別計算獲得的每個圖像塊相對 于高斯混合模型的最大似然概率，進而對圖像塊進行分類，獲得每個高斯子模型對應的圖 像塊集合；針對每個圖像塊，根據其分類結果，結合訓練好的高斯混合模型，采用維納濾波 方法對該圖像塊進行去噪；將去噪后的每個圖像塊進行稀疏表示后，對待處理圖像進行重 建；根據去噪后的圖像塊的分類結果，對高斯混合模型進行參數更新。本方法通過將待處理 圖像進行分塊后，依次對獲得的圖像塊進行去噪，并采用去噪后的圖像塊對高斯混合模型 進行更新后，再對待處理圖像進行迭代去噪，可以更準確地對圖像進行去噪，獲得更好的圖 像去噪效果，圖像還原度高。
【附圖說明】
[0043] 下面結合附圖和實施例對本發明作進一步說明。
[0044] 圖1是本發明的一種基于自適應EPLL算法的圖像去噪方法的流程圖；
[0045] 圖2是本發明的一具體實施例中采用的第一噪聲圖像；
[0046] 圖3是本發明的一具體實施例中采用現有技術中的雙邊濾波去噪方法對圖2進行 去噪后獲得的去噪圖像；
[0047] 圖4是本發明的一具體實施例中采用現有技術中的EPLL去噪方法對圖2進行去 噪后獲得的去噪圖像；
[0048] 圖5是本發明的一具體實施例中采用本發明的圖像去噪方法對圖2進行去噪后獲 得的去噪圖像；
[0049] 圖6是本發明的一具體實施例中采用的第二噪聲圖像；
[0050] 圖7是本發明的一具體實施例中采用現有技術中的雙邊濾波去噪方法對圖6進行 去噪后獲得的去噪圖像；
[0051] 圖8是本發明的一具體實施例中采用現有技術中的EPLL去噪方法對圖6進行去 噪后獲得的去噪圖像；
[0052] 圖9是本發明的一具體實施例中采用本發明的圖像去噪方法對圖6進行去噪后獲 得的去噪圖像。
【具體實施方式】
[0053] 參照圖1，本發明提供了一種基于自適應EPLL算法的圖像去噪方法，包括：
[0054] S1、隨機選取訓練樣本，并依次將每張訓練圖片進行重疊分塊后，采用最大似然估 計算法對高斯混合模型進行訓練；
[0055] S2、將待處理圖像進行重疊分塊后，分別計算獲得的每個圖像塊相對于高斯混合 模型的最大似然概率，進而對圖像塊進行分類，獲得每個高斯子模型對應的圖像塊集合；
[0056] S3、針對每個圖像塊，根據其分類結果，結合訓練好的高斯混合模型，采用維納濾 波方法對該圖像塊進行去噪；
[0057] S4、將去噪后的每個圖像塊進行稀疏表示后，對待處理圖像進行重建；
[0058] S5、根據去噪后的圖像塊的分類結果，對高斯混合模型進行參數更新；
[0059] S6、判斷是否符合預設收斂條件，若是，則結束，否則，返回執行步驟S2。
[0060] 進一步作為優選的實施方式，所述步驟Sl，包括：
[0061] S11、初始化高斯混合模型，并隨機選取訓練樣本；
[0062] S12、依次從訓練樣本中獲取訓練圖片，將每張訓練圖片按照預設圖像窗口進行重 疊 分塊；
[0063] S13、計算分塊獲得的每個圖像塊相對于高斯混合模型的最大似然概率后，對圖像 塊進行分類，進而獲得每個高斯子模型對應的圖像塊集合；
[0064] S14、根據每個高斯子模型對應的圖像塊集合，對高斯混合模型進行參數估計。
[0065] 進一步作為優選的實施方式，所述步驟S14,其具體為：
[0066] 根據每個高斯子模型對應的圖像塊集合，采用下式，對高斯混合模型進行參數估 計：
[0068] 上式中，Z1表示圖像塊，Ω k表示該高斯子模型對應的圖像塊集合，μ k、Xk分別表 示第k個高斯子模型的均值和協方差矩陣。
[0069] 進一步作為優選的實施方式，所述步驟S3,其具體為：
[0070] 針對每個圖像塊，根據其分類結果，結合訓練好的高斯混合模型，根據下式，采用 維納濾波方法對該圖像塊進行去噪：
[0072] 上式中，表示去噪后的圖像塊，i表示下標，\表示該圖像塊對應的高斯子模型 的協方差矩陣，μΑ表示該圖像塊對應的高斯子模型的均值，σ表示噪聲的協方差，I表示 單位矩陣，y表示待處理圖像。
[0073] 進一步作為優選的實施方式，所述步驟S4,包括：
[0074] S41、獲取預設的超完備字典后，根據下式將去噪后的每個圖像塊進行稀疏表示：
[0076] 上式中，乂1表不弟i個圖像塊的稀疏表不，Φ表不預設的超完備字典，a i表不稀 疏系數矩陣，λ表示正則化參數，a Xii表示該圖像塊的Ll范數；
[0077] S42、根據下式對去噪圖像進行重建：
[0079] 上式中，X表示重建后的待處理圖像，R1表示第i個圖像塊的矩陣。α .表示所有 αx, i的串聯。
[0080] 進一步作為優選的實施方式，所述步驟S5,其具體為：
[0081] 根據去噪后的圖像塊的分類結果，采用下式對高斯混合模型進行參數更新：
[0083] 上式中，yk、Σ,、3^分別表示第k個高斯子模型的均值、協方差矩陣和權值，Ω k表示該高斯子模型對應的圖像塊集合，為表示去噪后的圖像塊，S表示待處理圖像的圖像塊 總數。
[0084]