本发明涉及图像去噪技术领域，尤其涉及一种图像去噪方法。
背景技术：
数字图像去噪算法研究涉及了光学、微电子技术、计算机科学、数学分析等学科领域，是一门综合性很强的学科，如今的理论体系已经十分完善，经过几十年的发展研究，已经实践应用在军事、医疗、农业、等多种方向，形成了以下几大类主要的传统图像去噪算法：
1)空间域滤波
空域滤波是直接在原始数字图像直接对像素的灰度值进行滤波处理，主要可分为线性滤波和非线性滤波方法两类。常用的线性滤波方法有：均值滤波、高斯滤波、空域维纳滤波等。线性滤波最明显的缺点是会丢失图像的边缘细节信息，使得去噪后图像边缘变得模糊。而非线性滤波方法，有效地保护了图像细节和边缘信息，广泛应用到了工业、医学等控制领域，典型的有中值滤波和双边滤波、自适应中值滤波。
2)变换域滤波
变换域滤波方法是对图像或信号从空间域转换到变换域空间中，再进行降噪处理的方法。经典方法如傅立叶变换(fouriertransform)、余弦变换(cosinetransform)、k-l变换(karhunen-loevetransform)、小波变换(wavelettransform,wt)等等。
这其中最具代表性的是傅里叶变换和小波变换。傅立叶变换是将时域信号转化为频域信号，进行分析，对于信号x(t)，其傅立叶变换形式为：
3)偏微分方程
偏微分方程是针对低层图像处理的一种去噪方法，取得了一定的去噪效果。该方法对于系数的处理较为简单，在噪声密度较低情况下，降噪性能较好，但是对于高噪声密度的情况下，降噪性能较低，具有良好的平滑图像和边缘尖锐化的能力。
4)变分法
变分法[2]的核心步骤就是找到匹配的能量函数方程，增强方法的鲁棒性能，去噪的效果才能达到最好，具有代表性的方法有全变分tv模型。
5)形态学噪声滤除
形态学(morphology)通常表示生物学分支，我们使用同一词语表示数学形态学的内容。形态学中的开操作是为了平滑物体的轮廓、断开较窄的狭颈并消除细的突出物。与开操作相反的，闭操作虽然也是平滑轮廓的一部分，但通常会弥合较窄的简短和细长的沟壑，消除小的孔洞，填补轮廓线中的断裂，开、闭操作是形态学中最重要的部分。
然而传统的图像去噪声算法区分图像信号与噪声较差，且局部滤波的自适应性较差，保留图像边缘细节信息较差。
因此，有必要提供一种新的图像去噪方法解决上述技术问题。
技术实现要素：
本发明解决的技术问题是提供一种能有效地区分图像信号与噪声，增强了局部滤波的自适应性，同时能够更大程度上保留图像边缘细节信息部分的图像去噪方法。
为解决上述技术问题，本发明提供的图像去噪方法包括：以下步骤：
s1：假设图像噪声服从高斯分布：
yi,j＝xi,j εi,j；
式中，i,j＝1,2···n，xi,j代表原始图像，εi,j是噪声，且独立分布于n(0,σ2)，且与原始图像相互独立，图像经小波变换后：
其中，
s2：对各子带各方向小波系数进行计算：
s21：对各部分噪声方差进行估计：
s＝1,2,···n代表水平方向hlj、垂直方向lhj和对角线方向系数hhj，j＝1,2···l，代表分解层数，l代表最大分解层数；
s22：对各部分图像小波系数进行估计：
由于
由
这样就可以得到不同方向不同层级的阈值：
s23：针对阈值函数的选取：
采用软硬阈值折衷函数[ii]：
s3：图像经过小波变换后，结合非局部均值算法处理小波变换后的低频系数：
非局部均值算法(nlm)输出图像定义：
其中，i为搜索区域，ω(i,j)代表权重，该值由匹配块的相似度决定；
块的相似度定义如下：
该值表示点i和j邻域差值平方卷积高斯核，z(i)表示权重归一化系数，h为衰减因子。
优选的，所述s23中，为了获得更好的滤波效果：避免硬阈值函数门限不连续，使处理后的图像产生伪gibbs失真效应；软阈值函数人为的减小边缘的小波系数，使图像变得模糊，使图像失去细节信息，采用软硬阈值折衷函数。
优选的，所述s3中，非局部均值算法处理小波变换后的低频系数用于解决图像经过小波变换后造成边缘模糊的问题，用于保护图像的边缘和细节信息。
优选的，所述s3中，利用积分图像技术对非局部均值算法进行加速，用以解决非局部均值算法的复杂度高的问题。
与相关技术相比较，本发明提供的图像去噪方法具有如下有益效果：
本发明提供一种图像去噪方法，所得到结果的峰值信噪比(psnr)和结构相似性(ssim)指数均高于其他算法上，各项图像质量评价指标都得到了有效地提升，图像去噪效果也得到了验证，在恢复图像轮廓信息方面有更好的效果，能有效地区分图像信号与噪声，增强了局部滤波的自适应性，在滤除图像高频噪声部分的同时，在更大程度上保留图像边缘细节信息部分，因此，量子去噪算法相比较其他几种方法的去噪效果和图像评价指标水平都得到了很大提高。
附图说明
图1为传统图像处理方法与本发明提供的图像去噪方法对图像处理后的对比图；
图2为本发明提供的图像去噪方法与其他传统方法得到的psnr值；
图3为本发明提供的图像去噪方法与其他传统方法得到的ssim值。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
图像去噪方法包括以下步骤：
s1：假设图像噪声服从高斯分布：
yi,j＝xi,j εi,j；
式中，i,j＝1,2···n，xi,j代表原始图像，εi,j是噪声，且独立分布于n(0,σ2)，且与原始图像相互独立，图像经小波变换后：
其中，
s2：对各子带各方向小波系数进行计算：
s21：对各部分噪声方差进行估计：
s＝1,2,···n代表水平方向hlj、垂直方向lhj和对角线方向系数hhj，j＝1,2···l，代表分解层数，l代表最大分解层数；
s22：对各部分图像小波系数进行估计：
由于
由
这样就可以得到不同方向不同层级的阈值：
s23：针对阈值函数的选取：
采用软硬阈值折衷函数[iii]：
s3：图像经过小波变换后，结合非局部均值算法处理小波变换后的低频系数：
非局部均值算法(nlm)输出图像定义：
其中，i为搜索区域，ω(i,j)代表权重，该值由匹配块的相似度决定；
块的相似度定义如下：
该值表示点i和j邻域差值平方卷积高斯核，z(i)表示权重归一化系数，h为衰减因子。
所述s23中，为了获得更好的滤波效果：避免硬阈值函数门限不连续，使处理后的图像产生伪gibbs失真效应；软阈值函数人为的减小边缘的小波系数，使图像变得模糊，使图像失去细节信息，采用软硬阈值折衷函数。
所述s3中，非局部均值算法处理小波变换后的低频系数用于解决图像经过小波变换后造成边缘模糊的问题，用于保护图像的边缘和细节信息。
所述s3中，利用积分图像技术对非局部均值算法进行加速，用以解决非局部均值算法的复杂度高的问题。
结合非局部均值的小波去噪图像数据去噪算法在峰值信噪比(psnr)和结构相似性(ssim)两个衡量指标全部高于vishshrink算法、bayes算法、中值滤波算法和结合双边滤波的小波去噪滤波算法。
请参阅图1-图3在添加均值为0，方差为0.5高斯噪声图像中，结合非局部均值的小波去噪算法在边缘保持指数和结构相似性(ssim)指数高于其他算法。
与相关技术相比较，本发明提供的图像去噪方法具有如下有益效果：
本发明提供一种图像去噪方法，所得到结果的峰值信噪比(psnr)和结构相似性(ssim)指数均高于其他算法上，各项图像质量评价指标都得到了有效地提升，图像去噪效果也得到了验证，在恢复图像轮廓信息方面有更好的效果，能有效地区分图像信号与噪声，增强了局部滤波的自适应性，在滤除图像高频噪声部分的同时，在更大程度上保留图像边缘细节信息部分，因此，量子去噪算法相比较其他几种方法的去噪效果和图像评价指标水平都得到了很大提高。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种图像去噪方法，其特征在于，包括以下步骤：
s1：假设图像噪声服从高斯分布：
yi,j＝xi,j εi,j；
式中，i,j＝1,2…n，xi,j代表原始图像，εi,j是噪声，且独立分布于n(0,σ2)，且与原始图像相互独立，图像经小波变换后：
其中，
s2：对各子带各方向小波系数进行计算：
s21：对各部分噪声方差进行估计：
s＝1,2,…n代表水平方向hlj、垂直方向lhj和对角线方向系数hhj，j＝1,2…l，代表分解层数，l代表最大分解层数；
s22：对各部分图像小波系数进行估计：
由于
由
这样就可以得到不同方向不同层级的阈值：
s23：针对阈值函数的选取：
采用软硬阈值折衷函数[i]：
s3：图像经过小波变换后，结合非局部均值算法处理小波变换后的低频系数：
非局部均值算法(nlm)输出图像定义：
其中，i为搜索区域，ω(i,j)代表权重，该值由匹配块的相似度决定；
块的相似度定义如下：
该值表示点i和j邻域差值平方卷积高斯核，z(i)表示权重归一化系数，h为衰减因子。
2.根据权利要求1所述的图像去噪方法，其特征在于，所述s23中，为了获得更好的滤波效果：避免硬阈值函数门限不连续，使处理后的图像产生伪gibbs失真效应；软阈值函数人为的减小边缘的小波系数，使图像变得模糊，使图像失去细节信息，采用软硬阈值折衷函数。
3.根据权利要求1所述的图像去噪方法，其特征在于，所述s3中，非局部均值算法处理小波变换后的低频系数用于解决图像经过小波变换后造成边缘模糊的问题，用于保护图像的边缘和细节信息。
4.根据权利要求1所述的图像去噪方法，其特征在于，所述s3中，利用积分图像技术对非局部均值算法进行加速，用以解决非局部均值算法的复杂度高的问题。
技术总结