CN100548028C - 基于噪声估计的图像局部滤波处理方法 - Google Patents

Abstract

本发明公开一种基于噪声估计的图像局部滤波处理方法，包括以下步骤：(1)在图像中选取一个像素作为中心像素；(2)以选定的中心像素为中心，取定M×N大小的像素区域；(3)获得所选区域内所有像素的红色分量(R)，绿色分量(G)，蓝色分量(B)的平均值R，G，B；(4)获得G与所选区域内所有的像素的G分量的差值的平方和，并获得对应的均方差SE；(5)根据R，G，B和均方差SE调整对应的像素颜色值，获得滤波后对应的颜色分量；(6)对整幅图像按上述方法进行迭代处理，得到滤波后的图像并存储图像数据。本发明能够有效的估计出图像中的噪声信号，保持图像边缘细节的锐化效果，在实时系统中有效的应用。

Description

基于噪声估计的图像局部滤波处理方法

技术领域

本发明涉及一种滤波处理方法，尤其涉及一种基于噪声估计的图像局部滤波处理方法。

背景技术

数字图像的噪声主要来源于图像的获取(数字化过程)和传输过程。图像传感器(Image Sensor)的工作情况受各种因素的影响，如图像获取中的环境条件和传感元器件自身的质量。例如，使用CCD摄像机获取图像，光照程度和传感器温度是生成图像中产生大量噪声的主要因素。图像在传输过程中主要由于所用的传输信道的干扰搜到噪声的影响。比如，通过无线网络传输的图像可能会因为光或其它大气因素的干扰被污染。

滤波处理就是在保证图像有效信号的情况下，尽可能的去除噪声信号，以保证图像及其边缘细节的质量。

图像复原的大部分过程是一个客观过程，图像的复原利用退化现象的某种先验知识来重建或复原被退化的现象。因此复原技术就是把退化模型化，并且采用相反的过程进行处理，以便复原出原图像。

滤波技术就是利用这种图像复原的原理的一种技术。在图像的傅里叶(Fourier)变换中，低频主要决定图像在平滑区域中总体灰度的显示，而高频决定图像细节部分，如边缘和噪声。采用低通滤波器对图像进行滤波处理，在去除噪声的同时也相应去除了边缘细节。

现有的解决以上问题的滤波方法，通常采用如下步骤：

(1)、在图像中依次选择一个中心像素；

(2)、选取该像素周围5×5区域内的像素；

(3)、计算与所选像素对应的像素数据的加权平均值，且计算时与每一所选区域内的像素相关的权重系数与该像素到对应的中心像素的距离或其平方成反比，并与该像素的像素数据和对应得中心像素的数据的差值、差值平方或其相对比值成反比；

(4)、根据计算出的加权平均值，调整中心像素的像素数据。

对整幅图像按上述步骤进行迭代计算。在该方法中，一个像素离中心像素越远，其对中心像素的调整的影响越小；与中心像素的差值越大，对中心像素的影响越小。然而采用上述方法计算复杂，计算量较大，不利于图像实时处理。而且只能对某种特定的噪声有效，比如椒盐噪声、白噪声等。

因此，有必要提供一种新的快速图像滤波方法，能过根据噪声估计来自适应滤波，并且能运用到实时系统中。

发明内容

本发明的目的在于提供一种快速的基于噪声估计的图像局部滤波处理方法，能够在保持边缘清晰的前提下对各种类型的噪声进行滤波处理。

为实现上述目的，本发明可以通过以下技术措施来实现，包括以下步骤：

(1)、在图像中选取一个像素作为中心像素；

(2)、以选定的中心像素为中心，取定M×N大小的像素区域；

(3)、获得所选区域内所有像素的红色分量(R)，绿色分量(G)，蓝色分量(B)的平均值R，G，B；

(4)、获得G与所选区域内所有的像素的绿色分量的差值的平方和，并获得对应的均方差SE；

(5)、根据步骤(3)的平均值R，G，B和步骤(4)的均方差SE调整对应的像素颜色值，获得所选取中心像素滤波后对应的颜色分量；

(6)、对整幅图像按步骤(1)-(5)进行迭代处理，得到滤波后的图像；

(7)、存储滤波后的图像数据。

在本发明中采用绿色通道、红色通道或蓝色通道来计算均方差，这样可以避免传统的繁重的权系数计算，采用单一的颜色分量的均方差计算方式，在确保图像质量的同时也减少了运算量，提高了处理效率。因此本发明能够有效的估计出图像中的噪声信号，保持图像边缘细节的锐化效果，并且通过减少了计算量大大的降低了计算复杂度，能够在实时系统中有效的应用。

附图说明

图1为图象数据处理的系统应用框图；

图2为基于噪声估计的图像局部滤波处理方式示意图；

图3为本发明基于噪声估计的图像局部滤波处理方法的流程图；

图4为图像退化/复原过程的模型示意图；

图5为本发明对退化图像进行处理的示意图。

具体实施方式

如图1所示，为图象数据处理的系统应用框图。图像传感器将采集到的图像数据传送到数据总线上，图像处理模块对数据总线上的数据进行各种处理，处理后的数据经数据总线传输到显示模块显示或数据存储模块保存。

如图2所示，为基于噪声估计的图像局部滤波处理方式示意图。图像采集模块将采集到的图像数据传送到滤波处理模块进行滤波处理。由于滤波模块只处理数字信号，因此如果图像采集模块输出的图像是模拟信号，需将模拟信号经过模拟/数字信号转换模块进行转换，使输出为数字信号；如果图像采集模块输出的图像是数字信号，则直接进行滤波处理。滤波后的图像数据进行数据保存或数据显示。

如图3所示，为本发明基于噪声估计的图像局部滤波处理方法的流程图。其具体流程为：

(1)、在图像中选取一个像素作为中心像素；

(2)、以选定的中心像素为中心，取定M×N大小的像素区域；

(3)、获得所选区域内所有像素的红色分量(R)，绿色分量(G)，蓝色分量(B)的平均值R，G，B：

$\stackrel{\‾}{R}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}R(i,j)}{M\×N}$

$\stackrel{\‾}{G}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}G(i,j)}{M\×N}$

$\stackrel{\‾}{B}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}B(i,j)}{M\×N}$

(4)、获得G与所选区域内所有的像素的G分量的差值的平方和，并获得对应的均方差SE：

$\stackrel{\‾}{\mathrm{SE}}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(G(i,j)-\stackrel{\‾}{G})}^2}{M\×N};$

(5)、根据步骤(3)的平均值R，G，B和步骤(4)的均方差SE调整对应的像素颜色值，获得所选取中心像素滤波后对应的颜色分量：

$R^{\′}=\stackrel{\‾}{R}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(R-\stackrel{\‾}{R})}{\stackrel{\‾}{\mathrm{SE}}}$

$G^{\′}=\stackrel{\‾}{G}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(G-\stackrel{\‾}{G})}{\stackrel{\‾}{\mathrm{SE}}}$

$B^{\′}=\stackrel{\‾}{B}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(B-\stackrel{\‾}{B})}{\stackrel{\‾}{\mathrm{SE}}}$

其中，R、G、B为中心像素的颜色分量，R’、G’、B’为滤波后对应的颜色分量，Thre为预先设定的阈值；

(6)、整幅图像按步骤(1)-(5)进行迭代处理，得到滤波后的图像；

(7)、存储滤波后的图像数据。

其中，图像可以是静止的图像，也可以是动态的图像。具体计算时，可以选择整个矩形内所有的像素，也可以选择位于图像XY坐标轴方向的像素。在本发明中采用绿色通道计算均方差，这样可以避免传统的繁重的权系数计算，采用单一的颜色分量的均方差计算方式，在确保图像质量的同时也减少了运算量，提高了处理效率。

在本发明中也可采用红色通道或蓝色通道计算均方差。分别通过获得所选区域内的红色和蓝色分量平均值与所选区域内所有像素中的红、蓝分量的差值的平方和，然后得到两者对应的均方差。

如图4所示，为图像退化/复原过程的模型示意图。退化过程可以被模型化为一个退化函数和一个加性噪声项，给定一幅输入图像F(x，y)，退化函数H(x，y)以及外加噪声项N(x，y)，则退化图像可表示为：

G(x，y)＝H(x，y)*F(x，y)+N(x，y)

“*”表示空间卷积。

复原函数对退化图像G(x，y)进行滤波处理，得到复原图像F’(x，y)。

如图5所示，为本发明对退化图像进行处理的示意图。图中标号为①的像素为选定的中心像素，滤波器将通过计算中心像素与周围选定像素之间的关系来调整中心像素的数据。在本发明中采用M×N的矩形窗口区域，在图中用黑色标示也包括标号为①的中心点像素，一般称这种窗口为“卷积窗口”。

首先，计算选定窗口内的所有像素的RGB颜色分量的平均值：

$\stackrel{\‾}{R}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}R(i,j)}{M\×N}$

$\stackrel{\‾}{G}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}G(i,j)}{M\×N}$

$\stackrel{\‾}{B}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}B(i,j)}{M\×N}$

然后，计算选定卷积窗口内的所有像素的G颜色分量与G平均值的均方差：

$\stackrel{\‾}{\mathrm{SE}}=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(G(i,j)-\stackrel{\‾}{G})}^2}{M\×N}$

最后，通过均方差计算对应的颜色分量：

$R^{\′}=\stackrel{\‾}{R}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(R-\stackrel{\‾}{R})}{\stackrel{\‾}{\mathrm{SE}}}$

$G^{\′}=\stackrel{\‾}{G}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(G-\stackrel{\‾}{G})}{\stackrel{\‾}{\mathrm{SE}}}$

$B^{\′}=\stackrel{\‾}{B}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(B-\stackrel{\‾}{B})}{\stackrel{\‾}{\mathrm{SE}}}$

在上述公式中，M，N为所选窗口的大小，可以根据具体情况来调整窗口的大小；Thre为根据图像的噪声来设定的阈值，噪声越大，对应的Thre值越大，也可根据实际情况做出相应的调整，典型的值为M＝7，N＝7，Thre＝1；R、G、B为中心像素点的RGB分量，R’、G’、B’为对应的滤波后的值。

对整幅图像按上述方法进行迭代处理，则可得到滤波后的图像。

Claims (4)

1、一种基于噪声估计的图像局部滤波处理方法，其特征在于包括以下步骤：

(1)、在图像中选取一个像素作为中心像素；

(2)、以选定的中心像素为中心，取定M×N大小的像素区域；

(3)、获得所选区域内所有像素的红色分量(R)，绿色分量(G)，蓝色分量(B)的平均值R，G，B；

(4)、获得G与所选区域内所有的像素的G分量的差值的平方和，并获得对应的均方差SE；

(5)、根据步骤(3)的平均值R，G，B和步骤(4)的均方差SE调整对应的像素颜色值，获得所选取中心像素滤波后对应的颜色分量：

$R^{\′}=\stackrel{\‾}{R}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\left(\frac{R-\stackrel{\‾}{R}}{\stackrel{\‾}{\mathrm{SE}}}\right)$

$G^{\′}=\stackrel{\‾}{G}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\left(\frac{G-\stackrel{\‾}{G}}{\stackrel{\‾}{\mathrm{SE}}}\right)$

$B^{\′}=\stackrel{\‾}{B}+(\stackrel{\‾}{\mathrm{SE}}-\mathrm{Thre})\×\frac{(B-\stackrel{\‾}{B})}{\stackrel{\‾}{\mathrm{SE}}}$

其中，R、G、B为中心像素的颜色分量，R’、G’、B’为滤波后对应的颜色分量，Thre为根据图像的噪声来设定的阈值；

(6)、对整幅图像按步骤(1)-(5)进行迭代处理，得到滤波后的图像；

(7)、存储滤波后的图像数据。

2、根据权利要求1所述的滤波处理方法，其特征在于：所述图像为静态或动态图像。

3、根据权利要求1所述的滤波处理方法，其特征在于：所述步骤(3)和(4)的所选区域内所有的像素为整个矩形内所有的像素，或位于图像XY坐标轴方向的像素。

4、根据权利要求1所述的滤波处理方法，其特征在于：所述步骤(4)的均方差也可通过利用红色或蓝色分量来获得：分别通过获得所选区域内的红色和蓝色分量平均值与所选区域内所有像素中的红、蓝分量的差值的平方和，然后得到两者对应的均方差。

Images