CN100499741C - 使用模式信息滤除图像噪声的方法 - Google Patents

Abstract

公开一种使用模式信息去除图像噪声的方法，所述方法滤除在压缩编解码的预处理期间由传感器获得的噪声，以便提高压缩率，滤除在编解码器的后处理期间由编解码器造成的噪声，以便获得高质量图像。所述方法包括步骤：(a)对于输入图像信号执行区域离散，从而以预定像素大小来离散所述图像信号；(b)计算输入图像信号的平均亮度，并对于输入图像信号执行噪声离散；(c)基于经过区域离散和切换关于噪声离散的图像信号来切换低频和高频；(d)在获得关于具有低频的图像信号的区域平均值之后，基于统计量去除噪声；(e)在对于具有高频的图像信号分析模式之后，基于像素的相似度去除噪声。

Description

使用模式信息滤除图像噪声的方法

技术领域

本发明涉及图像压缩技术。更具体地讲，涉及一种使用模式信息滤除图像噪声的方法。更具体地讲，本发明涉及一种可有效滤除在显示单元中压缩图像之前或之后残留在图像边缘的图像噪声，从而基本产生已滤除噪声的图像的图像噪声滤波方法。

背景技术

通常，电荷耦合器件(CCD)或CMOS传感器具有由于一些光或热而生成噪声的特性。这种噪声不具有高斯(或拉普拉斯)统计特性，但是具有随信号而定的特性。因此，由于传感器的噪声不是白噪声，因此使用普通噪声滤波算法很难容易地滤除噪声。此外，尽管滤除了噪声，但是信号的高频部分通过所述滤波而被损害。噪声滤波是已经研究了很久的图像处理领域之一。这种噪声滤波算法一般可分为使用恢复概念的技术和使用滤波技术的方法。

由于恢复技术基于精确地对噪声建模，因此可获得极好的结果。然而，恢复技术计算量很大。因此，通常使用利用图像的局部区域的统计特性的方法(例如，局部线性最小均方差(LLMMSE))。

另一方面，可依靠硬件实现的滤波技术也已用于图像处理领域。已使用均值系列滤波器以便滤除具有高斯统计特性的噪声，同时也已使用中值系列滤波器以便滤除具有拉普拉斯统计特性的噪声。

在均值系列滤波方法中，均值滤波器和中值滤波器用于滤除图像噪声。使用均值滤波器滤除图像噪声的方法是计算图像局部区域的内部像素值的均值的基本均值滤波器。这是低通滤波，并具有不仅滤除噪声，而且滤除图像所需的高频部分，导致滤除了图像的精确部分的缺点。为了解决上述问题，在轮廓不经过遮罩的情况下，使用反映图像非平稳特性的等式(1)和等式(2)计算图像的局部统计量：

${\hat{x}}_{\mathrm{AWA}(m,n;k)}=\underset{i,j\∈S_{m,n;k}}{\mathrm{\Σ}}w(i,j;l)y(i,j;l)$         ...等式(1)，

其中，S_m，n，k是遮罩。

$w(i,j;l)=\frac{k(m,n;k)}{1+a\left(\max [{\mathrm{\ϵ}}^2,{(g(m,n;k)-g(i,j;l))}^2]\right)}$         ...等式(2)，

其中，k(m，n；k)是归一化常数。

使用中值滤波器的图像噪声滤波方法有效地滤除诸如椒盐噪声的拉普拉斯噪声(第一统计噪声特性)。使用等式(3)计算此滤波方法：

${\hat{x}}_{\mathrm{MF}(m,n)}=\mathrm{median}\left\{y(i,j)\right|(i,j\∈S_{m,n})\}$      ...等式(3)

中值滤波器有效滤除除边界以外的均匀区域的噪声。然而，中值滤波器具有损害沿窄线(narrow line)或转角的信息的缺点。

此外，传统的LLMMSE滤波器基于非平稳均值非平稳方差(NMNV)图像模型，并使用等式(4)表示：

${\hat{x}}_{\mathrm{LLMMSE}(i,j)}=E\left(y(i,j)\right)+\frac{{\mathrm{\σ}}_x^2(i,j)}{{\mathrm{\σ}}_x^2(i,j)+{\mathrm{\σ}}_n^2(i,j)}(y(i,j)-E\left(y(i,j)\right))$        ...等式(4)，

其中，

和

分别指示x和n的非平稳分散度。这里，假设噪声分散度是假定或已知的的值。已知的是LLMMSE滤波器平滑均匀区域但无法滤除边界附近的小像素

如图1所示

很容易计算均值系列滤波器，从而可以实时实现它。然而，由于通过两个像素值之间的差来确定用于保持轮廓的加权函数，因此均值系列滤波器被噪声影响，并且不能有效地滤除轮廓周围的噪声。此外，因为在均匀区域对噪声进行太多的平滑处理，所以均值系列滤波器具有使图像不自然的缺点。

因为由于计算强度而很难用硬件实现中值系列滤波器，所以很少使用中值系列滤波器。LLMMSE滤波器可有效滤除均匀区域的噪声，但不能有效地滤除边界附近区域的噪声。此外，如同均值系列滤波器，LLMMSE滤波器具有加权函数被噪声影响的缺点。

发明内容

本发明提供一种使用模式信息滤除图像噪声的方法。本发明的方法可滤除在压缩编解码的预处理期间传感器获得的噪声，以便提高压缩效率，并减少在编解码器的后处理期间由编解码器造成的噪声，从而产生高质量图像。

附图说明

通过下面结合附图进行的详细描述，本发明的上述和其它特点和优点将会变得更加清楚，其中：

图1是示出像素以便举例说明传统滤波理念的像素的示图；

图2是示出根据本发明的使用模式信息滤除图像噪声的系统的方框图；

图3是示出根据本发明的使用模式信息滤除图像噪声的方法的流程图；

图4示出原始图像；

图5示出由图2的区域平均单元和第一低频滤波单元使用7线的缓冲器滤除了噪声的图4的图像；

图6示出由图2的模式分析单元和第二低频滤波单元使用7线的缓冲器滤除了噪声的图4的图像；

图7示出通过提议的算法进行滤除而产生的结果图像；

图8示出图5的受影响部分的放大；

图9示出图6的图像的受影响部分的放大；

图10示出图7的受影响部分的放大；

图11示出加入15dB的SNR噪声的图像；

图12示出已在图11的图像上执行传统噪声移除算法之后的所述图像；

图13示出根据本发明滤除噪声后的图11的图像；和

图14和图15分别示出图12和图13的放大示图，其中，图14和图12以及图15和图13之间的各个差异通过其有关部分的放大而变得明显。

具体实施方式

以下，参照附图来详细说明本发明的优选实施例。为了清楚和简明的目的，这里将省略对并入的已知功能和结构的描述，以避免使本发明的主题不清楚。

图2是示出根据本发明的使用模式信息滤除图像噪声的系统的方框图。

参照图2，根据本发明的滤除图像噪声的系统包括：区域离散单元21、活动率(activity)切换单元22、区域平均单元23、第一低频滤波单元24、模式分析单元25和第二低频滤波单元26。

对于输入图像信号，区域离散单元21确定在低频的权重以便反映信号的统计特性。

活动率切换单元22比较区域分散度和噪声分散度，并执行频率切换，从而如果区域分散度小于噪声分散度，则可滤除在低频的噪声，而如果区域分散度大于分散度基准，则可滤除在高频的噪声。

区域平均单元23均衡具有低频图像信号的区域。

第一低频滤波单元24基于区域分散度，考虑到用于确定噪声去除的范围的统计特性，从由区域平均单元23均衡的图像滤除噪声。

模式分析单元25搜索具有与同当前像素相同模式的像素，并通过向所述像素分配权重来分析模式。

第二低频滤波单元26根据由模式分析单元分析的模式基于像素的相似度来滤除噪声。

下面，参照图3描述根据本发明的使用模式信息滤除图像噪声的方法。

本发明基本包括：考虑信号的部分特性(partial characteristic)，用于确定频率的切换算法、低频噪声的滤除和高频噪声的滤除。

参照图3，当从外部输入图像信号时，本发明执行测量输入图像信号的部分频率(partial frequency)的步骤。通常，可从高频的范围确定信号的频率。尽管为了确定高频的范围可直接使用高频滤波，但是本发明的优选实施例基于信号的统计特性和相似度获得区域分散度和噪声分散度(S31)。更具体得说，本发明执行对于输入图像信号执行区域离散，从而以预定像素大小来离散所述图像信号；计算区域离散的图像信号的平均亮度，并对于输入图像信号执行噪声离散；

区域分散度度量用于确定在低频的权重以及以不同的方法划分和处理信号的频率。使用等式(5)获得根据本发明优选实施例的区域分散度VL(i，j)：

$v_L(i,j)=\frac{1}{\mathrm{MN}}\underset{<m>}{\mathrm{\&Sigma;}}\underset{<n>}{\mathrm{\&Sigma;}}{\{y(m,n)-m_L(i,j)\}}^2$        ...等式(5)，

其中，M和N表示遮罩的长度和宽度，m_L(i，j)指示在位置(i，j)的区域均值。使用等式(6)获得m_L(i，j)：

$m_L(i,j)=\frac{1}{\mathrm{MN}}\underset{<m>}{\mathrm{\&Sigma;}}\underset{<n>}{\mathrm{\&Sigma;}}y(m,n)$            ...等式(6)，

在本发明的优选实施例中，如果像素的区域分散度小于2v_N，则确定频率是低的，而如果所述区域分散度大于2v_N，则确定频率是高的。

作为在步骤S33测量频率的结果，当图像信号的频率低时，确定图像信号的区域均值，然后通过反映统计特性从图像信号虑除噪声(S34和S35)。

具体说来，在本发明的去除低频噪声的方法中，确定低频区域与均匀区域实质上是相似的。由于可通过现有方法执行均匀区域中噪声的去除，因此本发明实施例使用局部线性最小均方差(LLMMSE)滤波器。使用等式(7)并基于区域分散度获得确定在LLMMSE滤波器中噪声去除的范围的权重：

${\hat{x}}_{\mathrm{LLMMSE}(i,j)}=E\left(y(i,j)\right)+\frac{{\mathrm{\&sigma;}}_x^2(i,j)}{{\mathrm{\&sigma;}}_x^2(i,j)+{\mathrm{\&sigma;}}_n^2(i,j)}(y(i,j)-E\left(y(i,j)\right))$       ...等式(7)

如上所述，如果图像的区域分散度

与

相似，则将权重加到均值。相反，如果

具有比

的值大的值，则将大的权重添加到y(i，j)。包括LLMMSE滤波器的大多数现有噪声去除滤波器的工作原理是将权重加到边界区域的原始信号。根据所述工作原理，无法滤除边界区域的噪声。

然而，在明显的离散噪声的情况下，由于沿着边界仍然残留噪声，所以均匀区域的噪声被滤除，但是在边界区域的噪声没有被滤除。这样，导致不自然的效果。因此，在本发明优选实施例中，使用LLMMSE滤波器滤除低频噪声，通过模式分析滤除高频噪声。

同时，作为在步骤S33测量频率的结果，当图像信号的频率高时，分析图像信号的模式，然后基于相似度从图像信号滤除噪声(S36和S37)。

在根据本发明去除高频噪声的方法中，必须滤除在诸如边界的区域的噪声。本发明的方法与传统方法的不同在于沿着边界将大的权重加到原始值。所述方法搜索具有与当前像素相同模式的像素，并将较大的权重添加到匹配的像素。使用等式(8)获得噪声值：

$\hat{x}(i,j)=\underset{<m>}{\mathrm{\&Sigma;}}\underset{<n>}{\mathrm{\&Sigma;}}w(m,n)x(m,n)$        ...等式(8)

这里，权重w(m，n)通过等式(9)中的差矢量L2范数(difference vectorL2-norm)来获得：

$w(m,n)=\frac{1}{Z}{e}^{-\left[{\mathrm{\&Sigma;}}_{<s>}{\mathrm{\&Sigma;}}_{<t>}{\{y(i+s,j+t)-y(m+s,n+t)\}}^2\right]/h^2}$      ...等式(9)

其中，分母Z是用于使所有权重的和为1归一化常数，h是用于使基于周边像素之间的距离添加权重的常数。通常，h取决于噪声分散度。

这里，使用高斯权重的原因是为了将权重等同地添加到主区域，以及将小的权重加到隔开一定距离的位置。如果从∑滤除了在当前位置(i，j)的像素，则可有效地滤除椒盐噪声。因此，如果差矢量中的L2范数很大，则当前像素不同于模式。这样，将小的权重加到图像信号。相反，如果差矢量中的L2范数很小，则当前像素与模式相同。这样，将大的权重加到图像信号。

因此，可获得具有与当前像素相同模式的像素的均值，从而在保护边缘的同时沿边缘区域去除噪声。

下面，将参照图4到图15描述根据本发明的使用模式信息去除图像噪声的方法。

图4是使用200万像素的CCD相机拍摄的图片。在图4中示出噪声均匀地出现在整个图像中。图5示出由图2的区域平均单元和第一低频滤波单元使用7线的缓冲器滤除了噪声的图像。由于取决于低频和高频而将权重添加到图像，因此频率低的均匀区域显示出适当的平滑。然而，没有从诸如边缘的频率高的区域滤除噪声，以致在边缘区域的图像不自然。

图6示出由图2的模式分析单元和第二低频滤波单元使用7线的缓冲器滤除了噪声的图片。在图6中，没有根据频率而是根据模式与当前处理的像素的模式的相似度将权重添加到图像。这样，边缘区域相对自然。然而，从均匀区域只滤除了少量的噪声。

在本发明中公开的算法避免了在每种情况下的缺点，并只提供优点。如图7所示，根据本发明，如图5所示很好地从均匀区域滤除了噪声，并且也如图6所示有效地从边缘滤除了噪声。可通过图8到图10中的放大来容易地识别这些结果。

图11到图15示出用于比较算法的关于输入图像的示例的结果。

图11示出加入15dB的SNR噪声的图像，图12示出已在所述图像上执行传统噪声去除算法之后的同一图像，而图13示出根据本发明滤除噪声后的同一图像。通过检查图11的原始噪声加强图像和图12以及图13的图像间的差异，可以看出：与传统方法相比，根据本发明的方法更有效地从关于原始噪声图像的边缘滤除噪声。图14和图15分别是图12和图13的放大示图，其中，图14和图12以及图15和图13之间的差异通过其放大而变得明显。

如上所述，本发明执行关于包括噪声的图像信号的区域离散和噪声离散，然后确定频率。接着，计算频率低的图像区域的区域均值，然后根据统计量从边缘滤除噪声，而执行频率高的图像区域的模式分析，然后基于相似度从边缘滤除噪声。这样，本发明的方法可有效滤除传统方法无法滤除的沿边缘残留的噪声，从而提供滤除噪声的自然的图像。

此外，关于权重函数的确定，本发明不是根据两像素值之间的差，而是通过使用周边像素值来确定权重函数。这样，因为处理的像素值具有极大的相似度，因此本发明基本不会受噪声影响，并能提供自然的图像。

本发明滤除沿边缘的模糊，从而增加了在去除模糊之后执行的压缩步骤期间的压缩效率。此外，当本发明用作后处理器时，本发明滤除由于压缩出现的诸如噪声、块效应和颤噪效应等各种差错。

尽管已经参照其特定优选实施例显示和描述了本发明，但是本领域的技术人员应该理解，在不脱离由所附权利要求定义的本发明的精神和范围的情况下，可以对其进行形式和细节上的各种改变。

Claims (8)

1、一种使用模式信息去除图像噪声的方法，所述方法包括步骤：

(a)对于输入图像信号执行区域离散，从而以预定像素大小来离散所述图像信号；

(b)计算区域离散的图像信号的平均亮度，并对于输入图像信号执行噪声离散；

(c)基于噪声离散的图像信号来切换低频和高频；

(d)在获得关于具有低频的切换的图像信号的区域平均值之后，基于统计量从切换的图像信号去除噪声；

(e)在对于具有高频的图像信号分析之后，基于像素的相似度从由步骤(d)产生的图像信号去除噪声。

2、如权利要求1所述的方法，其中，在步骤(a)使用以下等式获得区域离散度v_L(i，j)：

$v_L(i,j)=\frac{1}{\mathrm{MN}}\underset{<m>}{\mathrm{\&Sigma;}}\underset{<n>}{\mathrm{\&Sigma;}}{\{y(m,n)-m_L(i,j)\}}^2$

其中，M和N代表遮罩的长度和宽度，而m_L(i，j)指示在位置(i，j)的区域均值，y(m，n)表示在位置(m，n)处具有噪声的输入信号。

3、如权利要求2所述的方法，其中，通过以下等式获得区域均值m_L(i，j)：

$m_L(i,j)=\frac{1}{\mathrm{MN}}\underset{<m>}{\mathrm{\&Sigma;}}\underset{<n>}{\mathrm{\&Sigma;}}y(m,n).$

4、如权利要求1所述的方法，其中，在步骤(c)，如果像素的区域离散度小于2v_N，则确定频率是低的，而如果所述区域离散度大于2v_N，则确定频率是高的，其中，2v_N表示2倍的噪声离散度。

5、如权利要求1所述的方法，其中，在步骤(d)，图像中的噪声由LLMMSE滤波器滤除。

6、如权利要求1所述的方法，其中，步骤(e)还包括步骤：识别具有与当前像素相同的模式的像素，并将权重加到所述识别的像素以滤除噪声。

7、如权利要求6所述的方法，其中，使用以下等式将权重加到所述像素：

$\hat{x}(i,j)=\underset{<m>}{\mathrm{\&Sigma;}}\underset{<n>}{\mathrm{\&Sigma;}}w(m,n)x(m,n)$

其中，w(m，n)表示位置(m，n)的权重，x(m，n)表示在位置(m，n)处没有噪声的原始图像。

8、如权利要求7所述的方法，其中，通过下面等式中的差矢量L2范数获得权重w(m，n)：

$w(m,n)=\frac{1}{Z}{e}^{-\left[{\mathrm{\&Sigma;}}_{<s>}{\mathrm{\&Sigma;}}_{<t>}{\{y(i+s,j+t)-y(m+s,n+t)\}}^2\right]/h^2}$

其中，分母z是用于使权重的和为1的归一化常数，s和t中的每个表示指示识别模式的遮罩中的像素的位置的索引，h是用于使基于周边像素之间的距离添加权重的常数。

Images