局部二进制模式在窗口非局部均值图像去噪中的应用外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

局部二进制模式在窗口非局部均值图像去噪中的应用

Fakhry khellah

沙特阿拉伯, 利雅得-11586,苏丹王子大学

fkhellah@cis.psu.edu.sa

摘要 本文提出了一种新的图像去噪技术，它主要解决了当窗口非局部方法应用于高噪声层的图像时发生的高模糊度。所提出的方法基于增强的加权函数，根据它们的强度和结构特征计算修补程序的相似性。结构特征是使用局部二进制模式(LBP)编码一个众所周知的纹理描述符。提出了一种新的基于LBP的加权函数， 它具有与强度为基础的加权函数的互补特性。用LBP加权函数对基于强度的加权函数进行调制。调制权重是独立于噪声的, 反映了实际的碎片相似性。在高噪声水平下, 该方法在图像去噪中得到了定量和定性的效果。它抑制图像噪声, 同时保持显著的图像特征。

关键词：局部二进制模式 非局部方法 图像去噪

1、介绍

图像去噪仍然是图像处理中最基本的研究领域之一。一些空间域方法通过在某种程度上将其附近邻元素的强度平均恢复为每个图像像素的强度值。这些技术的主要缺点是, 它们模糊了图像中的小尺度结构, 如边缘或纹理。引入的空间域方法是 Buades 提出的非局部方法滤波方法。非局部方法是基于自然和纹理图像具有冗余性的思想, 任何图像像素都有类似的像素, 不一定位于附近的空间邻域。在非局部均值滤波器的经典定义中, 对于图像中处理的每个像素, 搜索整个图像, 并计算相应邻域（碎片）之间的差异。权重计算被限制在以正在处理的像素为中心的被称为搜索窗口的局部子域中。该方法称为窗口非局部均值滤波器。非局部均值滤波器的一个主要缺点是明显的模糊边缘和细微的纹理细节发生噪图像，特别是在高噪声水平。这是由于合并了夸张的权重，不可靠地反映在给定像素的平均值的实际碎片相似性。因此，在高噪声水平下，还原后的像素将近似为搜索窗口中几乎所有像素的强度值的平均值，从而导致图像超强平滑，因此模糊了图像的小尺度结构。特别是在图像的纹理区域，小尺度结构不一定等同于噪声。如图1所示，其中窗口非局部均值过滤器用于对两种不同类型的图像进行去噪：自然图像如在图1第一行的标准的丽娜图像和在图1最后一行描绘的高度纹理的图像（D1）。图像被三级噪声损坏（），随着噪声水平的提高，观察高模糊效应。

在这项工作中，我们通过将恢复像素所在区域的结构特征纳入其平均权重的计算中，解决了窗口非局部方法滤波器的上述缺点。

论文的其余部分按如下方式组织：第二部分给出窗口非局部均值图像去噪方法的概述，第三部分说明建议采用的过滤方法，第四部分进行介绍和讨论实验结果，最后，第五部分给出总结。

2、窗口非局部均值滤波器概述

在本部分中, 我们简要概述了[2]中引入的非局部方法。将观察到的噪声强度的像素i定义为：，其中是原始强度的无噪声像素i，是观测噪声。在非局部均值滤波器的原始表述中，恢复强度是噪声图像中所有像素强度的加权平均值，定义为：

(1)

权重量化了两个正方形局部邻里（碎片）和的相似之处，中心像素i和j的预定大小为，典型大小为。为了减少计算的复杂性，（1）中的总和被限制在像素附近的局部子域中的像素i称为大小为的典型大小为的搜索窗口[1],[2],[3],[7]。这种说法下的非局部均值滤波器通常称为半局部或窗口非局部方法。对于每个像素i权重在（1）中的计算公式：

(2)

其中是一个规范化的术语，确保所有计算的权重将添加到一，即，。非局部均值滤波器基于它们的局部邻域和，而不是它们各自的值来计算任何两个图像像素i和j之间的强度相似度。在上面的等式中，是像素i周围的邻域像素值的向量。（2）中的向量范数计算可以通过邻域强度和之间的标准差a的高斯核加权的欧几里得距离。

（1）中的指数加权函数主要由两个参数来控制：基于强度的相似性准则和平滑核宽度参数h和控制平均的程度。随着噪声水平的增加，这两个参数都直接影响滤波器的性能。

相似性标准基于它们的强度来测量两个斑块之间的相似性，而不管它们的基本纹理或结构特征如曲线，边缘，拐角和斑点。事实上，根据（1）相对于它们的测量强度相似的两个相邻碎片关于它们的原始纹理结构不一定相似。这在纹理图像和自然图像的纹理区域中是明显的。因此，由于在给定像素的去噪中加入了不相似的碎片，图像细节和细微纹理可能会被过度平滑。

加权函数的平滑参数h控制平均的程度，通常将其设置为噪声标准偏差[2]，而不管搜索窗口所处区域的平滑程度如何。所以，当噪声标准偏差高时，平滑参数h也将很高，因此，指数加权函数（2）主要由h决定。因此，计算的权重并不能准确反映所涉及碎片的相似性。因此，夸大的权重将被分配给搜索窗口内的几乎所有的碎片。结果，恢复值将近似于搜索窗口中所有像素的强度值的平均值，导致图像的强平滑，并且因此使图像的小尺度结构模糊。

(a) 显示分别位于平坦和纹理区域中的两个像素P1和P2的位置的芭芭拉图像

图2分别位于平滑和纹理区域的两个芭芭拉图像像素P1（顶行）和P2（底行）的基于强度的权重的直方图

以上与滤波器性能下降有关的问题在图2中示出，图2描绘了以21times;21搜索窗内的所有碎片为基础的计算的基于强度的相似性权重的直方图（分布），其集中在标准芭芭拉图像的两个像素处，图2（a）：P1位于平坦区域（图2的最上一行），P2位于纹理区域（图2的最下一行）。计算三个不同噪声标准偏差（）的权重。首先，观察这两个区域，随着噪声水平的增加，更多不同的碎片被纳入并被认为是显著的。这在计算出的直方图中清楚地反映出来，因为它们变得平坦。例如，与图2（b，e）中的直方图相比，对于两个像素，当（）时，图2（d，g）（）要宽得多，消除碎片的数量明显减少（分配近似为零权重的碎片数量），并且认为碎片数量增加（被赋予高权重）。与参考碎片相比，更多不同的碎片被错误地加入，而底层碎片的结构没有改变，被认为与中央碎片类似。

为了解决上述导致噪声水平高度模糊的问题，并随着噪声水平的增加而变得非常明显，我们建议使用独立于噪声的新加权函数来提取基于滤波强度的加权函数，并利用相似性选择 基于碎片结构特征的判据。这在下一节详细介绍。

3、基于LBP的非局域均值滤波器

所提出的增强非局部均值滤波器的方法是基于使用另一个加权函数来调制（2）中计算的基于强度的权重，所述加权函数使用由LBP框架获得的纹理和结构特征来计算任何两个小片之间的相似性。调制权重作为基于强度的权重和建议的基于LBP的权重的乘积获得：

(3)

下面将详细介绍LBP特征提取方法[5],[6]。

3.1 LBP概述

LBP是一种灰度纹理算子，用于表征局部图像纹理的空间结构。 在中心像素处，根据中心像素是否具有比相邻像素更高的强度值，为每个相邻像素分配二进制标签，其可以是0或1。 相邻像素是以半径R为中心的圆上角均匀分布的采样点。该中心像素的LBP标签由[5]给出：

(4)

其中是中心像素的灰度值，是其个相邻像素的值，是邻点的总数，R是确定相邻像素远离中心像素多远的邻域的半径。是一个分布函数，由下式给出：

s(x)= (5)

如[6]中所述，P的值根据R的值进行分配。例如，当R = 1时P = 8，当R = 2时P = 16，当R = 3时P = 24。可能的LBP特征的总数取决于P并且等于。为了图像去噪的目的，我们采用某种类型的称为“均匀”的局部二值纹理图案，其在图案的圆形呈现中具有有限数量的过渡或不连续性。“统一的”二元模式对应于基本的微观特征，如边缘，角落和点[6]。可能的“统一”LBP特征的总数为。在纹理分类框架中，给定尺寸为Ntimes;M的图像I，为每个像素i识别LBP图案。然后，通过建立生成的LBP特征的直方图H来表示整个图像：

(6)

(7)

其中K是最大LBP模式值。

在这项工作中，LBP直方图是针对围绕每个单独图像像素的尺寸为的碎片L计算的。

因此，提出的基于LBP的加权函数由下式给出：

(8)

其中是归一化项，和是两个碎片和的提取的LBP特征的直方图。D是指用于比较直方图的卡方不相似性度量，由[6]给出：

(9)

其中B是二进制的数，和分别是二进制处的值。不同于全局设置的基于强度加权函数的平滑参数h（即，对于整个图像），减少（8）中基于LBP的指数加权函数的参数根据搜索窗口位于并以参考像素i为中心的基础区域的平滑度而变化。根据由噪声像素i居中的参考图像与搜索窗口Si内的所有其他图像之间的根据（9）获得的所有LBP相似性距离的采样标准偏差来估计区域平滑度。

图3.两个芭芭拉图像像素的调制权重的直方图P1（顶行）和P2（底行）分别位于平滑和详细的区域

（8）中提出的基于LBP的加权函数具有两个重要特性：独立于噪声并且产生根据下伏区域的结构特征而变化的权重。 如（3）中所述，基于LBP的加权函数的两个属性补充基于强度的加权函数。在图3中示出了来自芭芭拉图像（图2（a））的相同两个像素的调制权重的分布：P1和P2。观察调制权重的分布不随着噪声水平的增加而变化。 换句话说，无论噪声级别如何，被认为是重要的并且分配有高调制权重的碎片数量都保持不变。 当比较两个像素的调制权重直方图（图3）时，我们发现它们几乎与当噪声水平较低时生成的基于强度的直方图相同（图2（b，e））。也就是说，在所有噪声水平下，调制权重总是等于噪声水平低时产生的最可靠的基于强度的权重。 这表明生成的权重与噪声无关，因此，无论噪声级别如何，反映实际碎片相似性都更加可靠。当比较像素P1的图像2（b）和图3的第一行调制权重直方图的基于强度的权重直方图时，可以观察到具有基于区域的平滑参数的效果。如果像素位于平坦区域，将会很低。 因此，基于LBP的加权函数将更具选择性并且将具有缩小基于强度的权重的效果。 因此，在平坦区域中只有很少的区块会被认为是重要的，并被分配高调制权重。 这具有减少由此产生的模糊效果，特别是在平坦区域。

3.2 实施细节

所提出的基于LBP的非局部均值滤波器分两个主要阶段执行。第一阶段，针对所有图像像素计算使用R = 2和P = 16的“均匀”LBP特征的直方图并将其存储在查找表中。 在这项工作中，LBP碎片L的大小是通过实验确定的，发现它是13times;13。在给定图像像素i的滤波阶段，根据（2），（8）分别计算基于强度的权重和基于LBP的权重，然后，根据（3）计算调制权重。

4、实验结果

在表1中给出了使用所提出的方法和基于强度的窗口非局部均值滤波器之间的峰值信噪比（PSNR）在三个噪声水平下的定性比较。结果表明，对于所有测试用例，所提出的方法产生的PSNR都高于基于窗口强度非局部均值的方法。基于强度的窗口非局部均值滤波器与所提出的方法之间的视觉比较如图4和图5所示。将图4所示的方法结果与图1所示基于强度窗口非局部滤波的去噪图像进行比较，就可以看出，所提出的方法能够产生明显更好的视觉质量的图像。这是由所提出的方法获得的较高结构相似性指数（SSIM）值所支持的。滤波器的模糊效果大大降低，特别是在高噪声水平下（即25）。