CN101405765B - 内容自适应的滤波器技术 - Google Patents

Abstract

本发明致力于选择用于滤波图象的滤波器，能够在保持图象细节和边缘清晰度的同时实现快速降噪。该选择首先确定整个图象的细节。然后探测图象边缘。通过使用图象细节和边缘信息，对包括滤波器抽头和滤波器强度的滤波器属性进行选择。

Description

内容自适应的滤波器技术

技术领域

本发明涉及选择用于滤波图象文件的滤波器的技术，在保持图象细节和清晰度的同时提供相对快速的操作。 

背景技术

那些包含如视频或者电影图象的图象文件通常包含一些噪声。在从胶片中获取图象的过程中，由颗粒密度中的随机变化引起的胶片颗粒显示为噪声。包含视频和/或电影的图象的存储总是需要大量的空间，并且，在一定合理的时间内对这样的文件进行传输需要很大的带宽。由于这样的原因，通常在存储和/或传输之前对包含视频和/或胶片的图象文件进行压缩。因为在视频或者电影中的图象缺少相关性，所以很难对噪声(包括胶片颗粒)进行压缩。因此，在压缩之前对图象文件进行滤波以去除噪声有利于实现高压缩比。 

目前，存在着多种用于噪声滤波的技术。但是，目前的这些技术都存在着不能够在保持图象细节的同时提供快速性能的缺点。能够提供快速性能的滤波技术通常不能够保持足够的图象细节，而能够保持图象细节的滤波技术趋于运行缓慢。 

因此，需要一种对图象的噪声进行滤波的技术，在保持图象细节的同时提供好的速度。

发明内容

简要地，根据本发明的基本原理，提供了一种选择用于滤波图象的滤波器的方法，能够在保持图象细节和边缘清晰度的同时实现快速降噪。该技术首先确定整个图象的细节。然后探测该图象的边缘。通过使用图象细节和边缘信息选择用于滤波该图象的滤波器的属性。做为一个实施例，使用图象细节和边缘信息来选择抽头的个数和它们的整数值。本发明的基本原理的技术通过内容相关空间滤波的使用实现了对滤波器的选择，该滤波器能提供速度和图象细节之间的一个好的折衷方案。 

附图说明

图1以流程图形式示出根据本发明的基本原理的选择用于对图象进行滤波的滤波器的方法的各个步骤，其中，该滤波器能在维持图象细节和图象边缘清晰度的同时为减少噪声而对图象进行滤波； 

图2A和2B分别示出图象的垂直核和水平核，用于示意性的指出图象中的边缘的探测方式； 

图3A、3B、4A和4D分别都示出了一个7×7像素图象窗口，用于描述滤波发生的方法； 

图5A示出了图象窗口，用于描述可能的滤波器方向和滤波器长度； 

图5B示出了图3A的图象窗口，用于表示图象边缘的邻域中的选定的滤波器； 

图6、7和8分别示出根据本发明的技术选择出来的7抽头、5抽头和3抽头滤波器的频率响应。 

具体实施方式

图1用流程图示出根据本发明的基本原理为降噪而选择滤波器滤波图象的过程。根据本发明的基本原理的滤波器选择过程使用图象内容来选择滤波器的特征，从而使得滤波器能够保持图象细节和边缘清晰度。该滤波器选择过程首先确定要进行滤波的图象的细节。在一个示意性的实施方式中，在图1的步骤10中，在逐像素的基础上，通过确定位置x处的像素和位置x-1处的像素在图象强度上的梯度来探测图象的细节。像素梯度能够表示为： 

Grad(x)＝f(x)-f(x-1)                等式(1) 

其中，Grad(x)是位置x处的梯度，f(k)是位置k处的像素值。 

本地的梯度决定该像素处的选择的滤波器的特征。梯度相对于一组离散阈值的数值决定了滤波器的参数，特别是滤波器抽头(filter tap)的数量。例如，当情况为 

0<＝梯度<阈值1                   选择7抽头， 

阈值1<＝梯度<阈值2               选择5抽头， 

阈值2<＝梯度                     选择3抽头。 

梯度和相关阈值间的差值决定了滤波器的强度。 

上述的梯度自适应方法的使用能够在滤波后的生成的图象中引进抖动和其它人为图象失真。特别地，在对边缘进行滤波的时候，如果滤波器特征改变，那么抖动能够导致图象的滤波后的边缘的外形。根本本发明的基本原理的一个方面，能够使用经由最大临近边缘(largest nearbyedge)确定的不变的滤波器(通常在最弱的强度)对边缘进行滤波来减少抖动。使用图1的步骤12计算的最大临近梯度(largest nearby gradient)来探测最大临近边缘。 

为定位最大临近边缘而执行的最大临近梯度的确定计算要消耗大量的中央处理单元周期(未示出)。如下的优化方案能够减少周期的数量。在一个大小为N×M的图象阵列中，其中N和M都是整数，在每一列中计算最大临近梯度，然后使用每一列的中间结果能够减少每一个像素的操作数。为描述该方法如何能够减少计算的数量，考虑大小为7×7的像素窗口。该大小的窗口中的最大梯度G(x，y)的计算对于每一个像素需要49次操作。但是，计算每一列的最大梯度和把结果存储起来以便后续确定用于窗口的最大梯度对于每一个像素仅仅需要14次操作。对于一个7×7的阵列，使用本方法以逐列为基础计算梯度能够提供3.5倍的速度优势(49/14＝3.5)。计算其它的参数可以应用相同的技术，例如平均像素强度。图3A和3B描述的图象块分别示出了当使用传统方法来逐像素计算最大临近梯度时的示例性的像素(x，y)和下一个像素(x+1，y)。图4A和4B描述的图象块分别示出了当使用本发明的基本原理的技术来逐列计算最大临近梯度和存储结果时的示例性的像素(x，y)和下一个像素(x+1，y)。 

存在着多种技术用于探测图象的边缘。例如，图2A和2B分别示出的垂直核(vertical kernel)和水平核(horizontal kernel)描述了带有滤波器特征的一对Sobel滤波器。该Sobel滤波器能够用于估计图象的边缘。 

参考图1，在步骤12中，对最大临近梯度进行计算，从而确定出期望的滤波器参数，然后在步骤14中，选择滤波器。在示意性的实施方式 中，使用了3组滤波器，分别是3抽头滤波器、5抽头滤波器和7抽头滤波器。 

7抽头滤波器有11个整数，从最强强度到最弱强度，并且需要按比例乘256。表1示出一个示例性的7抽头滤波器。 

D(1，1:7)＝[36     36     37     38      37     36      36]； 

D(2，1:7)＝[28     34     41     50      41     34      28]； 

D(3，1:7)＝[23     31     44     60      44     31      23]； 

D(4，1:7)＝[20     30     45     66      45     30      20]； 

D(5，1:7)＝[17     28     46     75      46     28      17]； 

D(6，1:7)＝[14     25     46     86      46     25      14]； 

D(7，1:7)＝[11     23     47     94      47     23      11]； 

D(8，1:7)＝[9      21     46     104     46     21      9]； 

D(9，1:7)＝[6      16     45     122     45     16      6]； 

D(10，1:7)＝[3     10     40     150     40     10      3]； 

D(11，1:7)＝[1     7      35     170     35     7       1]； 

表1 

5抽头滤波器有10个整数，并且也需要按比例乘256。表2示出一个示例性的5抽头滤波器。 

D(1，1:5)＝[51    51    52    51    51]； 

D(2，1:5)＝[41    53    68    53    41]； 

D(3，1:5)＝[34    53    82    53    34]； 

D(4，1:5)＝[28    52    96    52    28]； 

D(5，1:5)＝[23    50    110   50    23]； 

D(6，1:5)＝[19    48    122   48    19]； 

D(7，1:5)＝[14    44    140   44    14]； 

D(8，1:5)＝[10    39    158   39    10]； 

D(9，1:5)＝[6     32    180   32    6]；

D(10，1:5)＝[3    23   204     23      3]； 

表2 

3抽头滤波器有7个整数，并且需要按比例乘256。表3示出一个示例性的3抽头滤波器。 

D(1，1:3)＝[85   86     85]； 

D(2，1:3)＝[70   116    70]； 

D(3，1:3)＝[57   142    57]； 

D(4，1:3)＝[47   162    47]； 

D(5，1:3)＝[38   180    38]； 

D(6，1:3)＝[30   196    30]； 

D(7，1:3)＝[22   212    22]； 

如上所述，本发明的基本原理的滤波器选择技术生成的滤波器能够在维持相同级别的滤波的同时保持图象边缘。在选择滤波器长度(fi lterlength)之后，能够执行选择性的步骤18来避免穿过边缘的滤波。当在滤波的方向上探测到图象边缘时，可以通过减少抽头的数量或者通过在该方向上不滤波来减少滤波器强度。在步骤18之后，在步骤20中，使用选择的滤波器对图象进行滤波。 

为了更好的了解在边缘的邻域中选择滤波器的过程，请参考图5。图5A示出通过使用不同的明暗处理(shading)从中心像素P(x，y)向着不同的方向分别使用3抽头、5抽头和7抽头滤波器的一种进行滤波的可能。参考图5B，当在图象中探测到示例性地出现在图象的顶部的边缘的时候，滤波器的强度将会减少。 

上面描述了一种选择用于图象滤波的滤波器的技术，能够在提供良好的性能的同时保持图象细节。

Claims (8)

1.一种选择用于滤波图象的滤波器的方法，包括步骤：

通过为所述图象中的每一个像素计算梯度而确定整个图象的细节；

探测所述图象的边缘；以及

通过a)取决于像素的梯度是否超过不同的阈值来确定的滤波器抽头的数量，以及b)根据所述梯度与相关联的阈值之间的距离、并且根据所检测的图像边缘来确定滤波器强度，以便在沿着边缘方向滤波时降低滤波强度，从而根据所述图象的细节和边缘选择用于滤波所述图象的滤波器的属性。

2.如权利要求1所述的方法，其中，计算梯度的步骤进一步包括为每一个像素计算最大临近梯度的步骤。

3.如权利要求1所述的方法，其中，探测所述图象的边缘的步骤进一步包括使用Sobel滤波器滤波所述图象的步骤。

4.如权利要求1所述的方法，进一步包括使用带有所选择的属性的滤波器滤波所述图象的步骤。

5.一种用于滤波图象的方法，包括步骤：

通过为所述图象中的每一个像素计算梯度而确定整个图象的细节；

探测所述图象的边缘；

通过a)取决于像素的梯度是否超过不同的阈值来确定的滤波器抽头的数量，以及b)根据所述梯度与相关联的阈值之间的距离、并且根据所检测的图像边缘来确定滤波器强度，以便在沿着边缘方向滤波时降低滤波强度，从而根据所述图象的细节和边缘选择用于滤波所述图象的滤波器的属性；以及

使用带有所选择的属性的滤波器滤波所述图象。

6.如权利要求5所述的方法，其中，所述滤波步骤进一步包括使用弱滤波器强度滤波图象边缘的步骤。

7.如权利要求5所述的方法，其中，计算所述梯度的步骤进一步包括为每一个像素计算最大临近梯度的步骤。

8.如权利要求5所述的方法，其中，探测图象边缘的步骤进一步包括使用Sobel滤波器滤波所述图象的步骤。

Images