CN109035178B - 一种应用于图像去噪的多参数取值调优方法 - Google Patents

Abstract

本发明公开了一种应用于图像去噪的多参数取值调优方法，给定目标复杂度C_budget，在保持其他参数取值不变的情况下，分别计算多个参数当前取值与其下一个候选值的能效比，确定能效比最大的参数，将其候选值调整为当前值，即完成一次参数调优；每完成一次参数调优，需计算当前参数组合复杂度，判断此时的参数组合复杂度是否符合目标复杂度约束，若不满足，执行前述步骤继续进行参数调优，直到满足给定复杂度约束，停止调整。

Description

一种应用于图像去噪的多参数取值调优方法

技术领域

本发明属于图像处理领域，具体是一种应用于图像去噪的多参数取值调优方法。

背景技术

在图像处理领域，图像去噪一直是研究的重点和难点。它是进行图像分割、特征提取等后续处理的前提。目前大多数图像去噪算法不断追求去噪性能，忽略了算法计算复杂度的考虑。在实际应用中，算法复杂度也是重要的影响因素。不同应用场景对算法性能和复杂度的需求不同。例如，当我们希望图像去噪做到实时，高复杂度算法就无法满足我们的需求。因此我们需要对复杂度较高的去噪算法进行优化。

基于NLM(non-local means)和迭代的算法框架普遍应用于图像去噪算法中，其性能较优但复杂度较高。非局部均值(NLM)算法利用了自然图像的信息冗余。在图像去噪时，除了利用像素点的周围邻域位置的像素，同时也考虑非邻域的其他位置，能更好地去除图像中的噪声。而迭代则能解决图像去噪引起的过平滑现象，防止图像丢失边缘和纹理信息。将去噪图像与噪声图像进行加权求和，得到新的含噪声图像，开始下一次NLM去噪迭代。多次迭代后，得到最终的去噪图像。这种迭代方法可以在消除图像噪声同时很好地保留图像细节。

上述框架去噪算法最终的复杂度和去噪性能表现，由一系列算法关键参数共同影响确定。实现参数的不同取值组合，算法表现出不同的计算复杂度和去噪性能。在实际应用中，去噪算法的计算复杂度通常是受限的。假设给定需求应用场景的计算复杂度，如何快速准确地确定算法众多参数的取值是一个共性问题。可采取穷尽搜索的方法，尝试多参数的所有可能候选值，找到性能较优且复杂度较低的参数组合，但该搜索过程费时费力，且结果不具有通用性。目前，文献里基本根据经验对这些参数进行配置。

发明内容

本发明针对这个问题，提出一种应用于图像去噪的多参数取值调优方法，可快速有效地对参数进行优化，找到性能较优且复杂度较低的参数组合。典型的多参数图像去噪算法有NCSR、SSC-GSM和BM3D算法等。

本发明提供了一种应用于图像去噪的多参数取值调优方法，给定目标复杂度C_budget，在保持其他参数取值不变的情况下，分别计算多个参数当前取值与其下一个候选值的能效比，确定能效比最大的参数，将其候选值调整为当前值，即完成一次参数调优；

每完成一次参数调优，需计算当前参数组合复杂度，判断此时的参数组合复杂度是否符合目标复杂度约束，若不满足，执行前述步骤继续进行参数调优，直到满足给定复杂度约束，停止调整。

进一步的，具体包括如下步骤：

a)初始化参数：假设有M个待优化参数P₁,P₂,…,P_m,…,P_M，第m个参数有n_m个可能的离散候选取值；k_m为第m个参数的取值索引值，k_m＝1～n_m中某个值；每个参数的取值记录为V_km；将各参数设置为算法的默认取值，做为参数调优的初始值；计算默认取值组合的性能q和复杂度C。给定目标复杂度C_budget；

b)计算当前各参数的能效比；对于当前的参数组合，计算其性能q(k_m)和复杂度C(k_m)；在保持其他参数取值不变的情况下，每次改变其中一个参数的取值，从当前值更改为下一个候选值，计算其性能q(k’_m)和复杂度C(k’_m)；接着分别计算每一个参数的当前值与其下一个离散候选值k’_m的能效比τ

Δq(k_m)＝q(k_m)-q(k′_m) (1)

ΔC(k_m)＝C(k_m)-C(k′_m) (2)

τ(k_m)＝Δq(k_m)/ΔC(k_m) (3)

c)对各参数的τ(k_m)进行降序排序；τ(k₁),τ(k₂),…,τ(k_M)排序后，索引由原来的(1,2,…，M)改变为(l₁,l₂,…，l_M)，这里(l₁,l₂,…，l_M)为(1,2,…，M)的某种新的排序，即l₁为能效比最大的参数索引；假设i为当前优化的参数索引，i＝l₁，进行第i个参数取值优化P_i；

d)计算第i个参数取候选值时，参数组合的算法复杂度C'和性能q'；

e)判断计算复杂度C'是否大于目标复杂度C_budget；若不满足条件，表明当前调整有效，还需进一步按这个趋势调整，改变第i个参数的P_i的当前取值，更改为其候选值，V_ki＝V_k'_i，即k_i＝k'_i，进入步骤b)继续调整；若满足条件，结束参数取值寻优过程，输出当前各参数取值。

本发明的应用于图像去噪的多参数取值调优方法，对于高复杂度和高性能的多参数图像去噪算法，调节多控制参数取值，降低算法复杂度。本发明首先，给定一个目标计算复杂度约束，然后根据给定的复杂度约束，通过调优方法调节多参数取值，获得该计算复杂度约束下的最优去噪性能。本发明受深度学习中的梯度下降思想启发，通过计算同一参数不同取值的复杂度与性能变化的比值，即能效比，作为参数调优时的判决依据，简单有效地实现算法的多参数取值优化。

附图说明

图1是多参数取值组合示意图；

图2是约束优化参数组合选择示意图；

图3是多参数调优方法流程框图。

图4是关键参数示意图；

图5a-图5d是各个关键参数的性能和复杂度的关系图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，对于多个关键参数共同影响的图像去噪算法，假设有M个待优化参数P₁,P₂,…,P_m,…,P_M，各自有n_m个候选参数取值。第m个参数有n_m个可能的候选取值(离散值)。k_m为第m个参数的取值索引值(k_m＝1～n_m中某个值)。每个参数的取值记录为V_km。

给定目标复杂度C_budget，需要给每个参数P_m选择合适的取值，使得多参数取值组合的平均去噪性能(多个训练图像)，PSNR或SSIM最佳。

本发明的应用于图像去噪的多参数取值调优方法，给定算法的目标复杂度约束，在该约束下优化多参数取值，找到性能最优的参数组合，基于本发明提出的多参数取值调优方法，使得调整之后的多参数取值组合实现较优的算法性能，同时降低了算法复杂度。

给定目标复杂度C_budget，在保持其他参数取值不变的情况下，分别计算多个参数当前取值与其下一个候选值的能效比，确定能效比最大的参数，将其候选值调整为当前值，即完成一次参数调优。

每完成一次参数调优，需计算当前参数组合复杂度，判断此时的参数组合复杂度是否符合目标复杂度约束，若不满足，执行前述步骤继续进行参数调优，直到满足给定复杂度约束，停止调整。

实施例

现有的多参数图像去噪算法复杂度较高，无法应用于实时或短时延时场景中。本发明基于目标复杂度约束，通过优化多参数取值，降低算法复杂度。如图3所示，为某一典型多参数图像去噪算法的具体分析和调优过程。

算法参数分析

图像去噪算法中有很多参数，有些参数取值不同只影响算法复杂度或性能，该类参数取复杂度较低或性能较高的值即可。而本发明重点分析同时影响算法复杂度和性能的参数。这些参数的不同离散取值，使得算法复杂度和性能成正相关关系，如图像块大小N、步进step、NLM搜索相似块时的搜索范围和相似块数量n_blk、迭代去噪算法的迭代次数等。如图4所示为这些关键参数的示意图。

如图5所示为某算法各个关键参数的性能和复杂度的关系。在一定范围内，算法中关键参数的不同取值往往使得复杂度和性能成正相关关系。因此算法参数优化选择的过程实际是在性能q和复杂度C之间进行权衡的过程。参数取值改变时，导致复杂度C的变化和性能q的变化，且同一算法不同参数的取值变化对于q和C影响的显著程度不同。因此采用q和C变化的比值τ，即能效比，作为参数调优时性能优劣的判据。

算法的具体实现过程

a)初始化参数；假设有M个待优化参数P₁,P₂,…,P_m,…,P_M，第m个参数有n_m个可能的离散候选取值。k_m为第m个参数的取值索引值(k_m＝1～n_m中某个值)。每个参数的取值记录为V_km。将各参数设置为算法的默认取值，做为参数调优的初始值。计算默认取值组合的性能q和复杂度C。给定目标复杂度C_budget；

b)计算当前各参数的能效比；对于当前的参数组合，计算其性能q(k_m)和复杂度C(k_m)；在保持其他参数取值不变的情况下，每次改变其中一个参数的取值，从当前值更改为下一个候选值，计算其性能q(k’_m)和复杂度C(k’_m)；接着分别计算每一个参数的当前值与其下一个离散候选值k’_m的能效比τ

Δq(k_m)＝q(k_m)-q(k′_m) (1)

ΔC(k_m)＝C(k_m)-C(k′_m) (2)

τ(k_m)＝Δq(k_m)/ΔC(k_m) (3)

c)对各参数的τ(k_m)进行降序排序；τ(k₁),τ(k₂),…,τ(k_M)排序后，索引由原来的(1,2,…，M)改变为(l₁,l₂,…，l_M)，这里(l₁,l₂,…，l_M)为(1,2,…，M)的某种新的排序，即l₁为能效比最大的参数索引。假设i为当前优化的参数索引，i＝l₁，进行第i个参数取值优化P_i。因为τ(k_i)最大，单位计算复杂度性能增益最大。

d)计算第i个参数取候选值时，参数组合的算法复杂度C'和性能q'；

e)判断计算复杂度C'是否大于目标复杂度C_budget；若不满足条件，表明当前调整有效，还需进一步按这个趋势调整，改变第i个参数的P_i的当前取值，更改为其候选值，V_ki＝V_k'_i(即k_i＝k'_i)，进入步骤b继续调整；若满足条件，结束参数取值寻优过程，输出当前各参数取值。

技术效果

(1)在进行参数优化调整过程中，每完成一次参数调优，都会判断此时的多参数组合实现的算法复杂度是否符合目标复杂度约束，因此基于该方法得出的参数组合复杂度符合目标复杂度约束条件。

(2)因图像去噪算法的默认取值都是高复杂度和高性能的参数组合，将默认取值设置为算法初始值，按照本发明方法进行优化，是一个降复杂度和降性能的过程。所以在符合给定复杂度约束条件下，算法性能最优；

如图2所示为最终实现效果，在相同的复杂度约束下，多参数取值调优方法的参数取值组合实现的算法性能最优。

Claims (1)

1.一种应用于图像去噪的多参数取值调优方法，其特征在于：给定目标复杂度C_budget，在保持其他参数取值不变的情况下，分别计算多个参数当前取值与其下一个候选值的能效比，确定能效比最大的参数，将其候选值调整为当前值，即完成一次参数调优；

每完成一次参数调优，需计算当前参数组合复杂度，判断此时的参数组合复杂度是否符合目标复杂度约束，若不满足，执行前述步骤继续进行参数调优，直到满足给定复杂度约束，停止调整；

具体包括如下步骤：

a)初始化参数：假设有M个待优化参数P₁,P₂,…,P_m,…,P_M，第m个参数有n_m个可能的离散候选取值；k_m为第m个参数的取值索引值，k_m＝1～n_m中某个值；每个参数的取值记录为V_km；将各参数设置为算法的默认取值，做为参数调优的初始值；计算默认取值组合的性能q和复杂度C，给定目标复杂度C_budget；

b)计算当前各参数的能效比；对于当前的参数组合，计算其性能q(k_m)和复杂度C(k_m)；在保持其他参数取值不变的情况下，每次改变其中一个参数的取值，从当前值更改为下一个候选值，计算其性能q(k’_m)和复杂度C(k’_m)；接着分别计算每一个参数的当前值与其下一个离散候选值k’_m的能效比τ

Δq(k_m)＝q(k_m)-q(k′_m) (1)

ΔC(k_m)＝C(k_m)-C(k′_m) (2)

τ(k_m)＝Δq(k_m)/ΔC(k_m) (3)

c)对各参数的τ(k_m)进行降序排序；τ(k₁),τ(k₂),…,τ(k_M)排序后，索引由原来的(1,2,…，M)改变为(l₁,l₂,…，l_M)，这里(l₁,l₂,…，l_M)为(1,2,…，M)的某种新的排序，即l₁为能效比最大的参数索引；假设i为当前优化的参数索引，i＝l₁，进行第i个参数取值优化P_i；

d)计算第i个参数取候选值时，参数组合的算法复杂度C'和性能q'；

e)判断计算复杂度C'是否大于目标复杂度C_budget；若不满足条件，表明当前调整有效，还需进一步按这个趋势调整，改变第i个参数的P_i的当前取值，更改为其候选值，V_ki＝V_k'_i，即k_i＝k'_i，进入步骤b)继续调整；若满足条件，结束参数取值寻优过程，输出当前各参数取值。

Images