一种基于监督性机器学习的图像辅助去噪方法与流程

本发明涉及图像信号处理领域，具体涉及一种基于监督性机器学习的图像辅助去噪方法。

背景技术：

图像在记录、传输、处理以及合成时，受到噪声、模糊等原因的影响，导致图像质量降低。因此在图像处理流程中，去噪是图像处理的核心内容。噪声图像的噪声部分与信号细节均分散在高频率区域，不容易区分。然而，传统图像辅助去噪方法存在去噪效果差、图像细节信息少、耗时长等问题。因此，找到一种可以有效去噪并保证该图像细节的方式仍是目前学术界研究的重点。

技术实现要素：

针对现有技术中的上述不足，本发明提供的一种基于监督性机器学习的图像辅助去噪方法解决了传统方法存在的去噪效果差、细节还原度低以及运行时间长的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于监督性机器学习的图像辅助去噪方法，包括以下步骤：

s1、对含有噪声的图像进行非下采样轮廓波变换，得到高频率子带因子和低频率子带因子；

s2、使用二次规划方法，通过最小二乘线性系统构造最小二乘支持向量机，对高频率子带因子进行分类，得到边缘纹理因子和待去噪因子；

s3、通过软阈值方法对待去噪因子进行去噪操作，得到去噪因子；

s4、在shearlet域中按坐标拼接去噪因子、边缘纹理因子和低频率子带因子，并进行非下采样shearlet逆变换，得到辅助去噪图像。

进一步地，所述步骤s1包括以下步骤：

s11、对含有噪声的图像进行非下采样金字塔分解，得到多尺度特征；

s12、通过非下采样方向过滤设备组，对多尺度特征进行频率平面分割和方向性分解，得到高频率子带因子和低频率子带因子。

进一步地，所述步骤s3包括以下步骤：

s31、根据高频率子带因子，通过下式估算初步噪声标准差σ：

其中，yij为含有噪声的图像在shearlet域第i层尺度第j方向的待去噪因子值，median()为中位数函数；

s32、根据待去噪因子和初步噪声标准差σ，通过以下各式估算阈值系数σth：

其中，σy为噪声标准差，为当前目标尺度k下噪声标准差σy的均值，前目标尺度k的取值范围在闭区间[1,n]内，n为最大尺度，max()为最大值函数；

s33、判断是否大于阈值系数σth，若是，则跳转至步骤s24，若否，则跳转至步骤s25；

s34、根据理想阈值topt，通过软阈值函数对待去噪因子进行图像辅助去噪，得到去噪因子；

s35、根据贝叶斯下阈值tlb，通过软阈值函数对待去噪因子进行图像辅助去噪，得到去噪因子。

进一步地，所述步骤s34理想阈值topt的表达式为：

topt＝argmin(r(t))(4)

其中，r()为去噪因子与该因子在未受噪声影响下的真实值的均方误差函数，argmin(r(t))表示求r()函数最小时的阈值t的数值的计算机迭代过程。

进一步地，所述步骤s34贝叶斯下阈值tlb的表达式为：

本发明的有益效果为：采用非下采样轮廓波变换法，将含躁图像转换为shearlet域中的多尺度多方向的变换子带，以此分割出不含噪声的低频率子带因子和含噪声的高频率子带因子；通过监督性机器学习下的最小二乘方式的支持向量机算法，分类出高频率子带因子中需要保留边缘和纹理的因子以及需要进行去噪的待去噪因子，最后通过软阈值方法去除噪声，得出最终的辅助去噪图像，不仅具备良好的降噪能力，有效去除噪声部分，还层层筛选了图像中需降噪的数据，保证图像细节且节省运行时间，在图像处理领域中具有较高的效能。

附图说明

图1为一种基于监督性机器学习的图像辅助去噪方法流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，在本发明的一个实施例中，一种基于监督性机器学习的图像辅助去噪方法，包括以下步骤：

s1、对含有噪声的图像进行非下采样轮廓波变换，得到高频率子带因子和低频率子带因子；

s2、使用二次规划方法，通过最小二乘线性系统构造最小二乘支持向量机，对高频率子带因子进行分类，得到边缘纹理因子和待去噪因子；

s3、通过软阈值方法对待去噪因子进行去噪操作，得到去噪因子；

s4、在shearlet域中按坐标拼接去噪因子、边缘纹理因子和低频率子带因子，并进行非下采样shearlet逆变换，得到辅助去噪图像。

步骤s1包括以下步骤：

s11、对含有噪声的图像进行非下采样金字塔分解，得到多尺度特征；

s12、通过非下采样方向过滤设备组，对多尺度特征进行频率平面分割和方向性分解，得到高频率子带因子和低频率子带因子。

步骤s3包括以下步骤：

s31、根据高频率子带因子，通过下式估算初步噪声标准差σ：

其中，yij为含有噪声的图像在shearlet域第i层尺度第j方向的待去噪因子值，median()为中位数函数；

s32、根据待去噪因子和初步噪声标准差σ，通过以下各式估算阈值系数σth：

其中，σy为噪声标准差，为当前目标尺度k下噪声标准差σy的均值，前目标尺度k的取值范围在闭区间[1,n]内，n为最大尺度，max()为最大值函数；

s33、判断是否大于阈值系数σth，若是，则跳转至步骤s24，若否，则跳转至步骤s25；

s34、根据理想阈值topt，通过软阈值函数对待去噪因子进行图像辅助去噪，得到去噪因子；

s35、根据贝叶斯下阈值tlb，通过软阈值函数对待去噪因子进行图像辅助去噪，得到去噪因子。

步骤s34理想阈值topt的表达式为：

topt＝argmin(r(t))(4)

其中，r()为去噪因子与该因子在未受噪声影响下的真实值的均方误差函数，argmin(r(t))表示求r()函数最小时的阈值t的数值的计算机迭代过程。

步骤s34贝叶斯下阈值tlb的表达式为：

本发明采用非下采样轮廓波变换法，将含躁图像转换为shearlet域中的多尺度多方向的变换子带，以此分割出不含噪声的低频率子带因子和含噪声的高频率子带因子；通过监督性机器学习下的最小二乘方式的支持向量机算法，分类出高频率子带因子中需要保留边缘和纹理的因子以及需要进行去噪的待去噪因子，最后通过软阈值方法去除噪声，得出最终的辅助去噪图像，不仅具备良好的降噪能力，有效去除噪声部分，还层层筛选了图像中需降噪的数据，保证图像细节且节省运行时间，在图像处理领域中具有较高的效能。