申请/专利权人：南京邮电大学

申请日：2016-12-15

公开（公告）日：2020-03-31

公开（公告）号：CN106803089B

主分类号：G06K9/40(20060101)

分类号：G06K9/40(20060101);G06K9/62(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.03.31#授权;2017.06.30#实质审查的生效;2017.06.06#公开

摘要：本发明公开了一种基于非线性主分量分析从图像序列中分离信息的图像降噪方法；取相对静止的场景图像一组；基于盲源分离BlindSourceSeparation,BSS原理，将图像信息和图像噪声视为每幅图像的组成分量；图像信息是稳定而图像噪声是随机的，这个特点使图像序列中每幅图像视为图像信息分量和图像噪声分量的一种组合；利用非线性主分量分析nonlinearPrincipalComponentAnalysis,NLPCA的非高斯性判断使图像信息和图像噪声分开，输出分量中标准方差最大的即为图像信息分量。该方法不需要噪声先验信息，即将降噪后的图像信息提取出来，提取效率随图像序列中图像数量和图像噪声强度的增加而提高，也将随盲源分离BSS的技术改进而提高，是一种实用且有潜力的图像降噪方法。

主权项：1.一种基于非线性主分量分析从图像序列中分离图像信息的方法，其特征在于，从一个相对静止的场景图像中取m帧组成图像序列，将该图像序列看作是图像噪声和图像信息的m种组合，利用盲源分离得到n个分量，这n个分量中标准方差值最大者为图像信息分量，其它n-1个分量即为图像噪声分量，从而分离出1个图像信息分量和n-1个图像噪声分量；当m＜n时，经过如下信号处理步骤分离出图像信息分量，具体如下：步骤一、获取含噪图像序列X0，它由源信号S通过系数矩阵A0线性组合而成，表示如下：X0＝A0S1步骤二、由X0求Xm以组成X，即通过回归变换使过完备盲源分离BSS模型转化为标准盲源分离BSS模型； 式2中，X是观察图像序列，A表示将S线性组合成X的系数矩阵；X0含有m个变量，Xm是由n-m个变量组成的矩阵；Am表示对应Xm的系数矩阵；Xm由如下条件期望求得，表示Xm的估计： 式3中，pS是S的概率密度函数，假设函数f·为式3的积分结果，得： 式4中，通过欧几里德Euclidean距离平方的范数表达求得Xm的估计是进而得到Xm；步骤三、从而求得X，将X使用标准盲源分离BSS模型，运用非线性主分量分析NLPCA得到包含1个图像信息分量和n-1个图像噪声分量的n个分量y1,y2,...,yn，y1,y2,…,yn这n个分量中标准方差值最大者为图像信息分量。

全文数据：基于非线性主分量分析从图像序列中分离图像信息的方法技术领域[0001]本发明涉及图像处理技术领域，特别是一种基于非线性主分量分析从图像序列中分离图像信息的方法。背景技术[0002]图像噪声通常产生于图像采集与传输过程中，对图像辨识性与后续图像处理如边缘检测、特征提取、图像匹配及图像融合等产生负面影响。大多数降噪方法是通过时间域、空间域或变换域实现滤波的，这些方法通常假设噪声具有较高频率或者满足某种函数分布，而真实噪声并不完全满足这些假设，理想的降噪方法应在减少噪声的同时不损害图像细节。现有的图像降噪方法存在从含噪声的原图像中提取图像有用信息会损害其图像细节的问题。发明内容[0003]本发明所要解决的技术问题是克服现有技术的不足，而提供基于非线性主分量分析从图像序列中分离图像信息的方法，本发明基于非线性主分量分析（nonlinearPrincipalComponentAnalysis,NLPCA尽最大可能从含噪声的原图像中提取图像有用信息而不损害其图像细节，达到图像降噪目的。[0004]本发明为解决上述技术问题采用以下技术方案：[0005]根据本发明提出的一种基于非线性主分量分析从图像序列中分离图像信息的方法，从一个相对静止的场景图像中取m帧组成图像序列，将该图像序列看作是图像噪声和图像信息的η种组合，利用盲源分离得到η个分量，这η个分量中标准方差值最大者为图像信息分量，其它η-1个分量即为图像噪声分量，从而分尚出1个图像信息分量和η-1个图像噪声分量。[0006]作为本发明所述的一种基于非线性主分量分析从图像序列中分离图像信息的方法进一步优化方案，当n进而得到Xm;[0052]步骤三、从而求得X，将X使用标准盲源分离BSS模型，运用非线性主分量分析NLPCA得到包含1个图像信息分量和n-1个图像噪声分量的η个分量yi，y2，...，yn，yi，y2,…，yn这η个分量中标准方差值最大者为图像信息分量。

权利要求：1.一种基于非线性主分量分析从图像序列中分离图像信息的方法，其特征在于，从一个相对静止的场景图像中取m帧组成图像序列，将该图像序列看作是图像噪声和图像信息的n种组合，利用盲源分离得到n个分量，这n个分量中标准方差值最大者为图像信息分量，其它n_l个分量即为图像噪声分量，从而分尚出1个图像信息分量和n_l个图像噪声分量。2.根据权利要求1所述的一种基于非线性主分量分析从图像序列中分离图像信息的方法，其特征在于，当nm时，利用盲源分离方法中的非线性主分量分析进行分离得到分量，具体如下：对相对静止的场景拍摄一个图像序列，该图像序列是含有噪声的，序列中任一帧中的图像信息是稳定的，图像噪声是随机的，将不同的帧图像视为1个图像信息分量和n-1个图像噪声分量的不同组合，如式⑴所示：X=AS1其中，X=[X1，X2,…，Xm]T是由Xi组成的观察图像序列，Xi表示第i帧含噪图像;S=[S1,S2,…，Sn]T是由分量Sj组成的矩阵，下标j表示分量序号;A表示将S线性组合成X的系数矩阵;m，n为自然数，且lim且上标T表示矩阵的转置；通过非线性主分量分析方法得到变换矩阵W，从而得到无限逼近源分量~的分量5^，其关系由公式⑵所示：其中，Y=[yi，y2，…，yjT表示由yj组成的分量矩阵，yj表示经非线性主分量分析方法分离得到的第j个分量;W是wij构成的矩阵，wij是将xi线性组合成yj的系数;yi，y2,…，yn这n个分量中，标准方差值最大者为图像信息分量，其它n-1个分量即为图像噪声分量。3.根据权利要求2所述的一种基于非线性主分量分析从图像序列中分离图像信息的方法，其特征在于，寻找变换矩阵W依赖递归最小二乘平方均值误差指标如公式3所示：式⑶表示关于向量的极小化指标;JW1，W2，W3，••••《〇表示对矩阵W的基向量Wl，W2，W3，…Wn进行的指标公式;第i个基向量Wi是由系数Wil，Wi2，Wi3，•••构成;gi*表示非线性变换函数。4.根据权利要求1所述的一种基于非线性主分量分析从图像序列中分离图像信息的方法，其特征在于，当mn时，经过如下信号处理步骤分离出图像信息分量，具体如下：步骤一、获取含噪图像序列X〇,它由源信号S通过系数矩阵A〇线性组合而成，表示如下：Xo=AoS⑷步骤二、由Xo求Xm以组成X，即通过回归变换使过完备盲源分离BSS模型转化为标准盲源分离BSS模型；式⑶中，X〇含有m个变量，Xm是由n-m个变量组成的矩阵;Am表示对应Xm的系数矩阵;Xm由如下条件期望求得，表示Xm的估计：式6中，p⑶是S的概率密度函数，假设函数f•为式6的积分结果，得：7式⑵中，通过欧几里德Euclidean距离平方的范数表达求得估计是f进而得到Xm;步骤三、从而求得X，将X使用标准盲源分离BSS模型，运用非线性主分量分析NLPCA得到包含1个图像信息分量和n_l个图像噪声分量的n个分量yi，y2,...，yn，yi，y2,…，yn这n个分量中标准方差值最大者为图像信息分量。5.根据权利要求1所述的一种基于非线性主分量分析从图像序列中分离图像信息的方法，其特征在于，所述n个分量是n-1个图像噪声分量和1个图像信息分量的组合。

百度查询： 南京邮电大学 基于非线性主分量分析从图像序列中分离图像信息的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD