CN101043581A - 一种多模板混合滤波的图像去噪方法 - Google Patents

Abstract

本发明公开了一种多模板混合滤波的图像去噪方法，包含：将所要进行去噪处理的图像划分为M×N大小的互不重叠的块，使得像素都处于某个块中；定义一组滤波器，包括均值滤波器和中值滤波器，所述滤波器组中的滤波器具有不同的去噪强度；定义一组数列，数列中的数字用于描述图像所含信息量的多少；从成像系统中得到所要进行去噪处理的图像的噪声方差；计算图像块的匀质程度；根据每个图像块的匀质程度，为图像块选择滤波器组中的某一个滤波器，完成对图像块的去噪处理。本发明综合利用中值滤波和均值滤波的特性，计算简单，利于硬件实现，实际运行时间短。

Description

一种多模板混合滤波的图像去噪方法

技术领域

本发明涉及数字图像处理，特别涉及数字图像处理中的图像去噪方法。

发明背景

噪声的存在造成了图像一定程度上的失真，如果噪声过多则会妨碍对图像的使用，此时必须对图像进行去噪处理。图像去噪过程中不可避免地会造成原图像细节损失，因此噪声抑制和细节保留是一对矛盾，各种去噪方法都要在二者之间选择平衡点。现有的去噪方法各有其优缺点，选择何种方法去噪依赖于特定应用的需求和所用数据的特征。

去噪方法按其工作域可分为空间域和频率域两种。现有的空间域自适应去噪方法，针对每个象素，使用固定大小的模板算子，利用局部均值、方差来调节滤波强度。但它们作为一种自适应的均值或中值滤波，不能综合利用中值滤波和均值滤波的特性。均值滤波和中值滤波各有其优缺点：均值滤波能有效的平滑图像，提高图像相关性，但易于使边缘、细节变模糊，不能保留图像结构。中值滤波能有效的去除噪声，保留图像细节，但对图像平滑效果不如均值滤波此外滤波系数计算复杂，对滤波强度的调节有限。此外，现有的去噪方法大都固定滤波模板大小，仅通过改变滤波参数来调节强度。实际应用中，这样的滤波不但滤波复杂，而且滤波强度变化范围有限，在一些没有图像细节的平滑区域，3×3模板过小，滤波强度不够，而在细节丰富的区域，却又显得过大，严重损害了图像细节。频率域去噪方法以小波阈值去噪为主，小波变换计算量大，消耗时间较多。

发明内容

本发明的目的是克服现有的空间域自适应去噪方法固定滤波模板大小，仅通过改变滤波参数来调节强度的缺陷，从而提供一种能在去除噪声的同时较好的保持图像细节，并且具有高效率的空间域的图像去噪方法。

为了实现上述目的，本发明提供了一种多模板混合滤波的图像去噪方法，包含以下步骤：

1)、将所要进行去噪处理的图像划分为M×N大小的互不重叠的块，使得图像的每个象素都处于某个块中；

2)、定义一组滤波器，所述滤波器包括均值滤波器和中值滤波器，所述滤波器组中的滤波器具有不同的去噪强度；

3)、定义一组数列，所述数列中的数字用于描述图像所含信息量的多少；

4)、从成像系统中得到所要进行去噪处理的图像的噪声方差σ_v；

5)、对步骤1)所划分的各个图像块计算方差Var(Z)和均值 Z，根据图像块的方差和均值的计算结果，计算图像块的匀质程度S的值， $S=\sqrt{\mathrm{Var}\left(Z\right)}/\stackrel{\‾}{Z};$

6)、判断每个图像块的匀质程度，根据步骤5)得到的匀质程度S、步骤4)得到的图像噪声方差σ_v以及步骤3)中所定义的数列，为图像块选择滤波器组中的某一个滤波器，完成对图像块的去噪处理；

7)、重复执行步骤6)，直至所要执行去噪处理的图像中的所有图像块都已完成去噪操作。

上述技术方案中，在所述的步骤1)中，所述的M和N的大小在8到16之间。

上述技术方案中，在所述的步骤2)中，所述滤波器组中的滤波器具有不同的特性、不同的窗口大小以及不同的加权系数。

上述技术方案中，在所述的步骤3)中，所述的数列是一个递增数列，数列的第一个数为0，数列中的数字的个数比步骤2)中所定义的滤波器组中的滤波器的个数多一个。

上述技术方案中，在所述的步骤4)中，所述的图像的噪声方差σ_v直接由所述的成像系统给出，或选取图像中多块平滑区域，计算各块图像的方差均值比，对所有方差均值比求平均值，作为图像的噪声方差。

上述技术方案中，在所述的步骤6)中，在判断图像块的匀质程度时，首先将步骤4)得到的图像噪声方差σ_v与步骤3)得到的数列中的各个数字相乘，得到多个区间，一个区间对应一种滤波器，根据步骤5)得到的匀质程度S的值，选择所在的区间，从而选择具体的滤波器做滤波处理。

本发明综合利用中值滤波和均值滤波的特性，计算简单，利于硬件实现，实际运行时间短。

附图说明

图1为实施例中所采用的均值滤波器f1的示意图；

图2为实施例中所采用的均值滤波器f2的示意图；

图3为实施例中所采用的均值滤波器f3的示意图；

图4为对去噪后图像进行量化分析的ENL值曲线图；

图5为对去噪后图像进行量化分析的EEI值曲线图；

图6为对去噪后图像进行量化分析的FPI值曲线图；

图7为本发明的多模板混合滤波的图像去噪方法的流程图。

图面说明

在附图4～图6中所采用的图例的含义如下所示：

原图

本发明

Kuan

E.Lee

Frost

E.Frost

Gamma(MAP)

L.Sigma

小波软阀值

具体实施方式

下面结合附图和具体实施方式对本发明的多模板混合滤波的图像去噪方法进行说明。

如图7所示，在本实施例中，以对地面遥感图像的去噪处理为例，说明图像去噪的具体实现步骤：

步骤1、将所要进行去噪处理的图像划分为M×N大小的互不重叠的块，使得图像的每个象素都处于某个块中，其中的图像边缘可以例外。在本实施例中，图像划分块的大小选择长、宽在8到16之间，不宜太大或太小。图像所划分的块太大，则所包括的均匀区域较少，去噪效果不佳。图像所划分的块过小，则区域概率统计性差，随机性强。另外，也可根据图像的分辨率将图像划分成块。图像分辨率高，可以将图像划分成较大的块，反之则将图像划分成较小的块。

步骤2、定义一组滤波器，这些滤波器具有不同的特性，由不同窗口大小、不同加权系数组成的中值和均值滤波器构成。通过选择窗口大小和设计加权系数可以得到不同去噪强度的滤波器。在本实施例中，设计了四种不同的滤波器，所述滤波器分别用f1、f2、f3和f4表示。在图1、图2和图3中是均值滤波器f1、f2和f4的示意图。图1中所表示的滤波器f1是一个8×8均值滤波器，滤波器的加权系数都为1。在本实施例中不选用图像处理中传统的7×7或9×9奇数大小窗口是为了通过移位来避免除法，有利于硬件实现。图2中所表示的滤波器f2，它是一个带权重的均值滤波器。中心位置为当前滤波象素位置，模板内的系数是相应位置的图像像素加权值。滤波器f4与滤波器f2相类似，但它的滤波器窗口更小，在更小的范围内进行滤波。滤波器f3为3×3的西格玛(Sigma)中值滤波器。对某一滤波像素，在以其为中心的3×3的窗口范围内的9个像素，求出这9个象素的均值方差，然后利用正态分布3-西格玛(3-σ)原则，把与均值距离超过3倍方差的像素值视为“坏值”除去。若剩下的值少于3个，则对当前滤波像素采用前述的f3滤波器滤波，否则，把剩下的像素值按递增或递减顺序排序，最后取中间值替代当前滤波像素值。

步骤3、根据实验的结果，提供一组描述图像包含信息量多少的数列，该数列可用于描述步骤1所划分的图像块的匀质程度。对乘性噪声模型，其匀质程度可用该图像块内像素的方差均值比来刻划。在本实施例中，所述数列的值为{k1，k2，k3，k4，k5}＝{0，1，1.1，1.25，+∞}。

步骤4、从成像系统中得到所要进行去噪处理的图像的噪声方差σ_v。噪声的方差由成像系统所决定，属于系统误差。对于一个成像系统所成的所有图像，其噪声方差是不变的。该噪声方差由系统给出，对乘性噪声图像，也可以从图像中按如下方法计算得到。根据人眼判断，选取图像中多块平滑区域，计算各块图像的方差均值比，对所有方差均值比求平均值作为最终图像的噪声方差。

步骤5、对步骤1所划分的各个图像块计算方差Var(Z)和均值 。根据图像块的方差和均值的计算结果，计算图像块的匀质程度 $S=\sqrt{\mathrm{Var}\left(Z\right)}/\stackrel{\‾}{Z}$ 的值。在本步骤中，对方差和均值的计算是成熟的现有技术，在本实施例中，不对其如何实现做详细的描述。

步骤6、判断每个图像块的匀质程度，根据区域匀质程度和图像应用要求，利用步骤3中定义的数列，选择合适的滤波器完成去噪处理。在本实施例中，根据步骤4得到的σ_v和步骤5得到的S，结合步骤3中所划分的数列，对步骤1中所划分的图像块按照下列条件进行判断：

1)、对某一图像块，当0＜S≤σ_v时，实验表明该图像块没有任何细节，，滤波操作对图像细节没有影响，不会降低图像质量。对这种图像块的去噪处理可以采用平滑能力非常强的8×8均值滤波器f1。

2)、对某一图像块，当σ_v＜S≤1.1σ_v时，实验表明该图像块所表示区域的变化较为缓慢，几乎不含纹理、细节，以噪声为主。对该图像块的处理以去噪为主，选用平滑能力较强的均值滤波器f2。

3)、对某一图像块，当1.1σ_v＜S≤1.25σ_v时，实验表明该图像块所表示的区域细节、纹理非常多，应当以保留细节为主，因此采用3×3的西格玛(Sigma)中值滤波器。

4)、对某一图像块，当S＞1.25σ_v时，实验表明该图像块所在区域都为边缘、细节，实验表明即使3×3窗口的中值滤波对这样区域的滤波也会损失细节，使图像变模糊；因此使用平滑能力非常弱的滤波器f4。

步骤7、重复执行步骤6，直至所要执行去噪处理的图像中的所有图像块都已完成去噪操作。

在上述步骤中，步骤1所述的划分图像块与步骤2、步骤3、步骤4所述的定义滤波器和数列不存在时间上的先后关系，可以同时进行，实际操作中往往按某一顺序串行执行。

本实施例是以地面遥感图像作为处理对象，而地面遥感图像是一种乘性噪声图像。本发明的方法不仅仅适用于乘性噪声图像，本领域的普通技术人员应当很容易的将本实施例中所描述的方法应用到其它噪声模型中，如加性噪声图像。

对图像去噪效果的评价包括两个方面，一为噪声抑制程度，一为图像细节保留程度。等效视数(Equivalent Number of Looks，ENL)用来评价图像的噪声水平，ENL值越高说明图像噪声越少，也就是噪声消除程度越高；边缘增强指标(Edge EnhancingIndex，EEI)可以用来评价去噪后图像相对于原图像的边缘特征保留能力；特征保留指标(Feature Preserving Index，FPI)可以用来评价去噪后图像相对于原图像的线条特征保留能力，FPI和EEI共同用来评价去噪后图像相对于原图像的细节保留程度，它们的值均在0和1之间，值越大说明细节保留越好。由于去噪和保留图像细节特征是一对矛盾，故对于同一幅图像而言，ENL值增大意味着EEI和FPI值的减小。

将本发明的方法与一些经典去噪算法在三幅不同的图像上进行测试，这三幅图像的类别分别是加拿大雷达遥感卫星(RadarSAT)图像、欧洲远程遥感卫星(ERS)图像和机载雷达图像。测试的结果可以参考图4、图5和图6。图4，是各算法对三幅测试图像去噪后图像的等效视数值，图5、图6分别是噪图像的边缘增强指标和特征保留指标值。

本发明的方法还具有较高的效率，对于一个1024×1024大小的RadarSAR图像，其它算法的滤波器窗口大小取3×3，用计算机进行去噪处理时，各种算法的实际运行时间如表1所示，从该表中可以看到，本发明方法对一个图像做去噪处理所需要的时间，比其它算法所需要的时间要少得多，本发明的方法具有很高的效率。

                                                        表1

算法	本发明	Kuan	Lee	E.Lee	Frost	E.Frost	Gamma(MAP)	Local_Sigma	小波软阀值
										时间(单位：秒)	1.2	2.4	3.4	4.0	12.4	12.0	3.7	10.3	3.6

Claims (6)

1、一种多模板混合滤波的图像去噪方法，包含以下步骤：

1)、将所要进行去噪处理的图像划分为M×N大小的互不重叠的块，使得图像的每个象素都处于某个块中；

2)、定义一组滤波器，所述滤波器包括均值滤波器和中值滤波器，所述滤波器组中的滤波器具有不同的去噪强度；

3)、定义一组数列，所述数列中的数字用于描述图像所含信息量的多少；

4)、从成像系统中得到所要进行去噪处理的图像的噪声方差σ_v；

5)、对步骤1)所划分的各个图像块计算方差Var(Z)和均值 Z，根据图像块的方差和均值的计算结果，计算图像块的匀质程度S的值， $S=\sqrt{\mathrm{Var}\left(Z\right)}/\stackrel{\‾}{Z};$

6)、判断每个图像块的匀质程度，根据步骤5)得到的匀质程度S、步骤4)得到的图像噪声方差σ_v以及步骤3)中所定义的数列，为图像块选择滤波器组中的某一个滤波器，完成对图像块的去噪处理；

7)、重复执行步骤6)，直至所要执行去噪处理的图像中的所有图像块都已完成去噪操作。

2、根据权利要求1所述的多模板混合滤波的图像去噪方法，其特征在于，在所述的步骤1)中，所述的M和N的大小在8到16之间。

3、根据权利要求1所述的多模板混合滤波的图像去噪方法，其特征在于，在所述的步骤2)中，所述滤波器组中的滤波器具有不同的特性、不同的窗口大小以及不同的加权系数。

4、根据权利要求1所述的多模板混合滤波的图像去噪方法，其特征在于，在所述的步骤3)中，所述的数列是一个递增数列，数列的第一个数为0，数列中的数字的个数比步骤2)中所定义的滤波器组中的滤波器的个数多一个。

5、根据权利要求1所述的多模板混合滤波的图像去噪方法，其特征在于，在所述的步骤4)中，所述的图像的噪声方差σ_v直接由所述的成像系统给出，或选取图像中多块平滑区域，计算各块图像的方差均值比，对所有方差均值比求平均值，作为图像的噪声方差。

6、根据权利要求1所述的多模板混合滤波的图像去噪方法，其特征在于，在所述的步骤6)中，在判断图像块的匀质程度时，首先将步骤4)得到的图像噪声方差σ_v与步骤3)得到的数列中的各个数字相乘，得到多个区间，一个区间对应一种滤波器，根据步骤5)得到的匀质程度S的值，选择所在的区间，从而选择具体的滤波器做滤波处理。

Images