搜索
1摘要染噪图像不仅视觉效果受到影响，往往也会损失部分有效信息，不利于后续图像分析工作。图像去噪作为图像处理流程中的预处理环节，可以提高图像质量，为进一步凸显处理提供有利条件，因而成为数字图像研究领域的一个长期热点和难点问题。本文主要深入研究了图像去噪算法，尤其是非局部均值滤波算法（NLM），针对该算法的弱点结合局部二值描述子进行改进，并利用硬件加速增强算法的实时性。实际应用中的噪声种类繁多，相应产生了大量的图像去噪算法。非局部均值算法自提出以来就因其良好的去噪效果和对图像特征信息的保持度而一跃成为研究热点。该算法依赖数字图像中大量的自相似信息，通过搜索待去噪区块与图像其余部分中的与其相似度较高的区块，并以高斯距离计算对应的相似度权重，然后对搜索区域内的各区块进行加权平均，得出待去噪区块的新像素值。非局部均值算法的思想可以合理利用图像中的大量冗余信息，虽然可行性好，但是搜索匹配相似区块以及权重计算都必然导致较大的计算量，因此在计算效率上仍有较大进步空间。局部二值描述子为图像处理引入了一种新视角，它不仅可以有效提取出图像的局部特征，如边缘、角点等，并将此类特征定量转化为一个二进制字符串，从而支持用逻辑运算进行快速图像相似度匹配，调整搜索窗尺寸，从而将运算量减少至少一个数量级。本文基于传统的非局部均值算法，提出一种效果与效率兼备的图像去噪方法，并结合OCT医疗图像检验其实际应用能力，最后通过硬件加速达到了实时处理的目的，以实验结果证实了该方法在去噪效果和计算速度上取得了很好的平衡。关键词：图像去噪；非局部均值滤波；局部二值描述子3ABSTRACTTheimagescorruptedbynoisenotonlybringaboutpoorvisualeffectsbutalsolosepartoftheusefulinformation,whichisnotconducivetothesubsequentimageanalysis.Imagedenoisingisapopularanddifficultprobleminthefieldofdigitalimageprocessing,whichcanimprovetheimagequalityandprovidefavorableconditionsfortheimageprocessing.Thispapermainlystudiedtheimagedenoisingalgorithm,especiallynon-localmeans(NLM)filteralgorithm.InordertoovercometheweaknessofNLM,atransformofNLMcombinedwithlocalbinarydescriptors(LBP)isproposed.Furthermore,aparallelimplementionwhichtakeadvantageofhardwareaccelerationisalsoprovidedforreal-timeimagedenoising.Therearemanykindsofnoiseinthepracticalapplication.Alargeamountofimagedenoisingalgorithmshavebeenstudied.Non-localmeansalgorithmbecamearesearchhotspotafterproposedbecauseofitsgooddenoisingeffectandprotectionoftheimagefeatureinformation.Thealgorithmbasedonthelargeamountofself-similarinformationsindigitalimages,searchfortheotherpatchesintheimagewhicharesimilartothecentralpatchandcalculatethesimilarweightsbyGaussdistance.Intheend,thenewpixelvalueisobtainedbyweightedaverageoftheblocksinthesearcharea.Theideaofnon-localmeansalgorithmcantakegooduseofthemassiveredundantinformationinimages.Althoughthealgorithmisfeasible,thesearchandmatchforsimilarpatches,andthesimilaritycalculationleadtohighcomputationalcost.Thusthecomputationisingreatneedtobereduced.Localbinarydescriptor(LBP)forimageprocessingisintroducedasanewponitofview.Itcanbotheffectivelyextractimagelocalfeatures,suchasedgesandcorners,andquantitativelyconvertthemtoabinarystring.Thebinarydescriptorsupportsafastimagefeaturematchingwithalogicaloperationandadjustmentforthesearchwindowsize.Therebytheamountofcomputationcanbereducedbyatleastoneorderofmagnitude.Inthisthesis,animagedenoisingmethodbasedonconventionalnon-localmeansalgorithmwhichbalanceseffectsandefficienciesisproposed.ItsabilityforactualapplicationisprovedbytestsonOCTmedicalimages.Furthermore,theimplementonhardwareacceleratetheproposedmethodforreal-timeprocessing.Experimentalresultsconfirmthegoodbalancebetweendenoisingandcomputingspeed.Keywords:ImageDenoising;Non-LocalMeans;LocalBinaryDescriptor;FeatureExtraction第一章绪论1.1研究背景和意义数字图像处理是信息技术领域的一个重要分支，包括对图像进行去噪、增强、复原、分割、特征提取等。随着计算机技术的发展和普及，数字图像在农牧业、林业、环境、军事、工业和医学等方面的需求也随之增长，可以说图像处理技术已经深入到我们生活中的方方面面。然而，受各种因素影响，人们在对图像进行获取（数字化）和传输的过程中，难免会受到随机噪声的干扰。噪声在降低图像质量的同时，也不利于特征提取，给随后的图像分析工作造成很大影响。因此，抑制噪声作为图像预处理中的关键一环，因其重要的地位和应用价值成为诸多研究人员的关注热点。在室外环境和一些室内监控场合，光照条件容易发生变化，在图像的摄取、传输和存储过程中，环境的条件限制及图像传感器的物理局限，使得图像不可避免地引入不同程度的噪声，特别是在光照条件不理想的情况下，噪声尤其明显。这时不能过分增加工业相机的曝光时间，因为这样会使得运动图像变得更为模糊，引起图像质量的下降，称为降质或退化。图像去噪是一种改善图像质量的技术，它利用降质图像的某些先验知识来重建原始图像，以改善图像的清晰度和消除噪声。图像复原的目的则是将观测到的退化图像，以最大的保真度，恢复到退化前的状态，属于底层图像处理技术。数字图像复原多年来一直是图像处理领域研究的热点。现实中的数字图像在数字化和传输过程中难免受到成像设备与外部环境噪声干扰等影响，使得图像质量下降，这不仅有损成像的视觉效果，并且对图像的后续处理不利。因此，在图像的预处理阶段，有必要对图像进行去噪，以提高图像信噪比，为后续处理提供更精确的信息。1.2国内外研究现状1.2.1非局部均值滤波数字图像和视频在当今的实际应用中发挥着越来越重要的作用。在实际系统中，传感器的输出包含了信号和噪声两部分，高质量图像采集受条件限制而困难诸多。随着芯片单位面积上集成的图像传感器越来越多，相机设备也对噪声愈加敏感[1][2]。因此，图像的快速去噪处理对后续的实时应用来说是非常重要的。一般而言，图像去噪方法可以分为空间域，变换域和基于图像表示的字典学习。现在比较5流行的变换域方法有高斯尺度混合模型方法[3]，Stein无偏风险估计（SURE）[4]和三维块匹配去噪算法(Block-matchingand3Dfilteringalgorithm,BM3D)[5]。聚类与奇异值分解（K-SVD）[6]学习同步稀疏编码（LSSC）[7]是现在两个优秀的字典学习方法。以上方法虽然去噪质量令人满意，但是基于变换的方法算法复杂度要求较高，而稀疏模型要付出昂贵的计算代价，因此两者都不适合实时应用。空域滤波器通常分为局部和非局部滤波器。局部滤波器如双边滤波器[8][9]和训练滤波器[10]在减少时间复杂性上效果较好。然而，在高噪声的情况下，由于相邻像素之间的相关性已被噪声严重损坏，这些方法的去噪效果并不理想。与局部滤波器不同，非局部滤波器利用非局部方式获得图像内部天然的自相似性。非局部均值滤波[11]通过加权平均同一幅图像中的其他像素块得到去噪后的图像。它与局部滤波器相比鲁棒性更好，因为它考虑到每个像素周围的邻域像素而不仅考虑中心像素。这个滤波器带来显著去噪效果的同时，计算量也非常庞大，因为每个染噪的像素都由图像中所有像素的加权平均值代替。自从NLM提出以来，已经发展出许多变式。其中，一部分算法重点在为NLM提速[12]~[19]度，另一部分主要提高去噪性能[20]~[24]。在NLM提出后，预选相似块[12]的提出成功为NLM完成了一次加速。近期NLM的加速方法包括改进的多分辨率塔式结构[13]和基于概率提前终止（PET）[14]，前者加速了窗口相似度的计算，后者在特殊情况下提前终止失真项的计算。除此之外，[15]建立了一个可以迅速搜索相似块的字典，降低了计算成本。[16]中，奇异值分解（SVD）被用于改进NLM。随后，SVD[17]又被用于消除非相似像素。快速傅立叶变换用来加速权重计算[18]，使得其运算速度比原始算法提高了50倍。[19]通过计算子图像中的权重，减少了数据的维数，从而缩短了运行时间。这些快速算法中，多数是通过去噪效果的降低换来更高的去噪效率。[20]中介绍了一些最优技术。尺寸自适应块（NLM-SAP）[21]可以利用在NLM图像的局部几何。基于SURE的线性膨胀阈值（SURE-LET）[22]是一种优化的NLM的参数。此外优化参数的方法还有修改中心块的权重[23]和概率密度函数的分布[24]。然而，这些NLM方法也在为优越的性能付出更高的计算代价。1.2.2局部二值模式在非局部均值算法搜索相似块的过程中，相似块匹配是保障高去噪效果的重要步骤，也是存储和计算开销最大的步骤。首先根据图像用计算货测量等手段得出一组基本特征，再依据某种标准将基本特征量化，以便后续匹配处理。基本特征的数量和维数可能会相当大，量化特征的根本任务就是如何从大量特征中筛选出最有效的特征信息。在图像处理中，特征选择与提取是最重要的问题之一，也是最困难的问题之一，需要针对具体问题采取不同的特征选择和提取方法[25]。特征提取根据变换方式不同可分为线性特征提取与非线性特征提取[26]。线性变换是目前发展相对成熟的一种非常重要的降维方