基于稀疏三维变换域协同滤波的图像降噪

来源：互联网发布：局域网共享端口开启编辑：程序博客网时间：2024/06/05 02:31

目前是我图像处理大作业学习的论文，目前可能有的专业术语还不准确，欢迎指正、讨论

原文：Image denoising by sparse 3D transform-domain collaborative ltering，ACCEPTED. TO APPEAR IN IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 16, NO. 8, AUGUST 2007

要解决的问题

去除一副图像的稀疏噪声，主要指高斯噪声

为什么采用此方法

传统变换域的稀疏表示（如2维DCT）由于过完备性不能有效地保留细节，PCA以及K-SVD的缺点是运算量过大。

本方法的创新点

1.每一点的像素的更新值是全局加权的结果，意味着图像中与此点关联较大的点都做出了贡献。

2.将协同滤波和维纳滤波相结合

协同滤波、维纳滤波

协同滤波和维纳滤波都是图像复原中重要的方法。有时间整理。

算法步骤

第一步，分组：首先将图像分块（设单块大小M×M），采用相似度衡量的方式将图像块分为多组，每一组信息近似，传统的方法有K聚类等，但是这种方法使得每一类中的图像块是不重复的，这会使得一个更新后的图像块的加权群体变小，而且分类很慢。因此，采用Block-matching法进行分组，一个图像块可能被分入多个组，而其更新值也是这多个组内协通滤波后的加权平均。

如下图，任意选择一个参考图像R，在整个图像中搜寻，寻找类似块图像。

第二步，协同滤波:hard-thresholding:经过Block-matching法后，图像块分为N个组(每个组可能有重复的图像块)，对每个组进行协同滤波:将2D图像序列认为是3D图像，进行3D变换，使用hard-thresholding进行滤波(hard-thresholding参见http://blog.csdn.net/abcjennifer/article/details/8572994)。再进行3D反变换回到原域。

第三步，加权叠加:不同组可能包含相同图像块，因此该图像块的更新值就是各组的加权结果，加权系数与样本的方差大小成反比。此时得到的图像可以认为是估计图像

第四步，分组，协同滤波：与前面步骤相似，但这次采用的滤波方式为维纳滤波（第一步得到的图像认为是估计图像），再次得到一组变换后的图像组。

第五步，加权叠加:与前文类似，得到最终结果。

快速高效实现

减少处理图像块数目，匹配时步长设置step>1
限制分组上限N2
仅在局部区域Ns*Ns进行模板匹配（中心区域是主要部分，边缘信息忽略）
预测匹配，根据之前的匹配结果进行不同移动匹配
将3维变换变为2维变换和1维变换的结合
变换系数提前计算，可重复使用（默认参数下）

延伸至彩色图像

彩色图像有RGB表示还有YUV表示，四点前提：

1.Y通道相对UV通道具有更高的信噪比

2.Y通道包含了最多有价值的信息（边缘、阴影、物体、纹理等）

3.UV通道包含得大多是低频信息

4.亮度的变化不会仅仅发生在UV通道

因此，仅仅在Y通道进行匹配、分组，而UV通道采取与Y通道相同的分组信息，以此来对三通道进行处理。

这个方法的重要假设就是Y通道（亮度信息）的相似，UV通道（颜色信息）也是相似的

实验结果

在MATLAB中分别对灰度图像和彩色图像进行实验，高斯噪声幅值为25像素，实验结果：

PSNR：灰度加噪图像20.145DB 灰度去噪图像30.945DB 彩色加噪图像14.16DB 彩色去噪图像29.496DB

下面链接包括基于三维协同滤波的黑白、彩色、视频图像处理MATLAB代码等，可供大家学习研究

http://download.csdn.net/detail/mingtian715/9546569

2 0