基于MCMC采樣的非局部圖像去噪方法研究.pdf

1、圖像作為信息化時(shí)代的一種重要的信息載體，其對(duì)應(yīng)的圖像處理技術(shù)已廣泛地應(yīng)用于各個(gè)領(lǐng)域，如航空航天、軍事、治安監(jiān)控、醫(yī)療衛(wèi)生等。在這些應(yīng)用領(lǐng)域，一幅高質(zhì)量的圖像對(duì)相關(guān)問(wèn)題的分析和后續(xù)處理起著至關(guān)重要的作用。但由于采集設(shè)備、通訊條件等因素的限制，圖像在采集、傳輸與存儲(chǔ)過(guò)程中無(wú)法避免受到各種噪聲信號(hào)的污染，導(dǎo)致圖像偏離了它的真實(shí)情況，大大降低了對(duì)圖像目標(biāo)信息后續(xù)的解釋和編譯能力，如特征提取、目標(biāo)識(shí)別和圖像分析。這使得在利用圖像之前有必要去除圖像

2、中的噪聲。
　　為克服非局部平均方法在選擇相似塊時(shí)間復(fù)雜度高的缺點(diǎn),并且充分利用非局部相似塊之間的結(jié)構(gòu)特征信息，更好地保護(hù)圖像原有結(jié)構(gòu)信息，論文工作著重從兩個(gè)階段來(lái)改善現(xiàn)有的非局部平均算法，即相似塊的搜索和在此基礎(chǔ)上的非局部去噪方法。主要包括以下幾個(gè)方面的工作：
　　1.提出一種非局部馬爾科夫蒙特卡羅采樣和低秩逼近的隨機(jī)去噪方法。該方法首先通過(guò)馬爾科夫蒙特卡羅隨機(jī)采樣尋找每個(gè)圖像塊的相似匹配塊組，然后對(duì)這些相似匹配塊組進(jìn)行奇

3、異值分解，用分解后的低秩結(jié)構(gòu)恢復(fù)原圖像，從而達(dá)到去噪的目的。實(shí)驗(yàn)表明，所提方法計(jì)算復(fù)雜度低，和非局部平均方法相比，較好地保留了邊緣等細(xì)節(jié)信息；和BM3D方法相比，所提方法能保持較好的視覺(jué)質(zhì)量。
　　2.為降低奇異值分解的低秩逼近方法的計(jì)算代價(jià)，減少對(duì)原數(shù)據(jù)的重構(gòu)誤差，提出一種基于雙邊下采樣傅里葉變換投影的低秩逼近圖像去噪算法。該算法改變高斯隨機(jī)下采樣投影，采用下采樣隨機(jī)傅里葉變換投影，達(dá)到對(duì)原數(shù)據(jù)更高的重構(gòu)精度。實(shí)驗(yàn)結(jié)果表明，所提

4、算法能有效地逼近奇異值分解的最小重構(gòu)誤差，降低計(jì)算復(fù)雜度。與NLM方法相比，在去除噪聲的同時(shí)較好地保留了原圖像的結(jié)構(gòu)信息；與單邊隨機(jī)投影低秩逼近方法相比，保證了較低的重構(gòu)誤差；和BM3D方法相比，所提方法能保持較好的視覺(jué)質(zhì)量。
　　3.提出了一種自適應(yīng)隨機(jī)非局部去噪方法，在圖像的不同位置確定對(duì)應(yīng)的非局部相似塊的最佳尺寸，從而提升去噪圖像的質(zhì)量。新方法分為兩個(gè)階段實(shí)現(xiàn)：基于自適應(yīng)窗的相似塊搜索，和在此基礎(chǔ)上的雙向非局部去噪算法。在第

5、一階段，對(duì)噪聲圖像每個(gè)像素點(diǎn)鄰域通過(guò)多次馬爾科夫蒙特卡羅隨機(jī)采樣尋找到多個(gè)相似匹配塊組；利用不同匹配塊組估計(jì)的一致性給出相似塊尺寸調(diào)整的判據(jù)；調(diào)整相似塊尺寸并重復(fù)上述過(guò)程得到該像素點(diǎn)鄰域的最佳相似塊尺寸和對(duì)應(yīng)的最優(yōu)相似塊組。在第二階段，為充分利用選定的相似塊組的雙向相似結(jié)構(gòu)，同時(shí)為減少計(jì)算代價(jià)，提出修正的雙向非局部算法，得到對(duì)應(yīng)的無(wú)噪相似塊組的估計(jì)；進(jìn)一步利用疊加的方法得到去噪圖像。理論分析和仿真實(shí)驗(yàn)結(jié)果表明：相比于固定尺寸窗的去噪算法

6、，如BM3D和NLM方法等，本文算法具有較低的時(shí)間復(fù)雜度，去噪后圖像具有更高的圖像質(zhì)量和理想的視覺(jué)效果。
　　4.提出一種分而治之的隨機(jī)圖像去噪方法。所提方法采用分而治之的策略提取圖像中的方向信息，進(jìn)行有方向的采樣。首先使用小波變換將觀測(cè)圖像分成不同子帶圖像提取不同方向的方向結(jié)構(gòu)信息；其次對(duì)各子帶圖像采用不同的橢圓高斯采樣獲得不同子帶相似塊，此方法降低高斯分布下的高采樣拒絕率。在第二階段對(duì)已選定的相似塊進(jìn)行處理，為避免使用稀疏編碼