CN101489034B - 一种视频图像噪声估计与去除方法 - Google Patents

Abstract

本发明公开了一种视频图像噪声估计与去除的方法，通过将当前颜色通道的灰度图像及相应的重要边缘图像划分成若干个基本子块，摈弃包含太多边缘信息的字块，确保了所统计的基本子块方差能很好地吻合真实的噪声方差水平，从而在去噪的同时尽可能地保存了视频图像原有特征细节。

Description

一种视频图像噪声估计与去除方法 

技术领域

本发明涉及视频图像处理技术领域，具体来讲，涉及一种视频图像噪声估计与去除的方法。 

背景技术

在图像采集系统中，在进行视频编码前进行去除视频图像采集系统得系统噪声是一个基本处理要求，是增强图像质量很重要的一个部分。 

去噪过程实质是从输入信号分离出原始图像信号和噪声，它是受限制的，因此在理论上从被噪声污染的图像完全恢复原始图像是不可能的。图像去噪的核心目标就是在去噪的同时尽可能地保存图像原有特征细节。该目标可更具体地分解为以下几点要求：(1)视觉上平坦区域应该尽可能地被光滑，噪声应该完美地从这些区域去除；(2)图像边缘特征应当被完好地保存，意味着这些边缘不能被模糊也不能被锐化；(3)纹理细节不应该丢失；(4)全局对比度应该被保存，即去噪后图像和输入图像的低频部分应当是一致的。 

早期的图像去噪技术一般使用高斯滤波或中值滤波方法来去除噪声。简单的这两种技术有两个严重缺陷：一是滤波器参数控制困难，难以自适应于视频图像不同噪声水平局部的去噪处理；二是去噪效果要么过于平滑，模糊了纹理边缘等细节信息，要么达不到所期望的去噪效果。 

基于小波方法的去噪有着广泛的使用，有较多的实现版本，其中最具代表性的方法是高斯缩放混合模型的小波去噪，一个典型实现版本是BLS-GSMwavelet denoise去噪。它的主要思路是，局部领域的小波系数GSM被证明是对AWSN污染的图像去噪有效的。首先从小波系数的局部领域估计出信号协方差，继而推导出隐藏变量场的ML和MAP。这样去噪后的小波系数就能够通过局部Wiener-like估计算子估计出来。更进一步的，优化后的局部贝叶斯最小方差(BLS)解可以与前面GSM结合。在众多去噪算法评估比较中，GLS-GSM小波方法被作为小波去噪代表。它有个缺点：难以去除小波重构后的人工瑕疵余波 (ringing)效应，其次它的计算复杂度太高，远远不能满足图像视频采集设备中实时处理的要求。 

另外一种较为广泛采用的图像去噪技术是双边滤波技术，特别是在恢复处理高动态范围(HDR)图像方面。然而由于其滤波强度参数不能准确地自适应于当前噪声水平，所以常常出现过于平滑等缺陷。 

有一种新兴的针对CCD噪声模型的去噪技术。主要方法是给出使用逐片光滑图像模型自动估计单幅图像逐颜色通道的噪声水平和去除两个任务的统一框架。通过拟合图像的每个分割方差的标准差的下确界来估计真实噪声水平函数的上确界。在噪声去除方面，通过把像素值投射到拟合给每个分割RGB值的线上，从而显著地去除了颜色噪声的色度。随后，一个高斯条件随机场(GCRF)被重构以获得噪声图像输入的原来干净图像。然而，该技术需要根据CCD感应器噪声模型训练大量的噪声水平函数空间数据，以为进行单幅图像的噪声估计提供可信度，使用图像分割统计数据和仿射重构模型，并且在这个模型的基础上，进行贝叶斯噪声估计和去除计算。准确的图像分割，基于逐块光滑图像模型的每个分割的仿射重构等都是计算复杂度极高的负担，现有条件下，难以满足视频采集系统的实时要求。 

发明内容

本发明的目的在于克服现有视频图像噪声估计和去除方法的不足，提供一种去噪的同时尽可能地保存视频图像原有特征细节的视频图像噪声估计与去除的方法。 

为达到上述发明目的，本发明的视频图像噪声估计与去除的方法，其特征在于，包括以下步骤： 

(1)、将输入图像分解为R、G、B三个通道的灰度图像，分别进行各自通道的噪声水平估计： 

1)、绘制出当前颜色通道的边缘图，并进行二值化处理，得到各颜色通道的重要边缘图像； 

2)、将当前颜色通道的灰度图像及相应的重要边缘图像划分成若干个基本子块，根据重要边缘图像进行判断，将灰度图像中包含有图像主要 边缘的基本子块去除，对剩下的每个基本子块计算其像素的均值和标准方差； 

3)、将0～255的当前颜色通道的灰度划分为多个区间，以灰度区间集合内的基本子块的最小方差值作为当前区间灰度值水平所对应得噪声方差水平值，在求得的灰度水平值对应噪声水平值的基础上，绘制出图像当前颜色通道的噪声水平函数曲线，这样得到各自通道的噪声水平估计； 

(2)、构造一个高通锐化修正的双边滤波器； 

(3)、使用噪声水平函数曲线控制双边滤波器分别对R、G、B三个通道的灰度图像进行滤波，得到输出去噪后的视频图像。 

本发明通过将当前颜色通道的灰度图像及相应的重要边缘图像划分成若于个基本子块，摈弃包含太多边缘信息的字块，确保了所统计的基本子块方差能很好地吻合真实的噪声方差水平，从而在去噪的同时尽可能地保存了视频图像原有特征细节。 

附图说明

图1是本发明视频图像噪声估计与去除的方法的一种具体实施方式流程图； 

图2是本发明实施例的输入图像； 

图3是图2所示输入图像的单通道灰度图像； 

图4是图1所示输入图像经过处理后图像对照图； 

图5是单通道灰色图像基本子块划分图； 

图6是重要边缘图像基本子块划分图； 

图7是噪声水平函数曲线。 

具体实施方式

为更好地理解本发明，下面结合附图和具体实施方式对本发明进行更为详细描述。在以下的描述中，当已有的现有技术的详细描述也许会淡化本发明的主题内容时，这些描述在这儿将被忽略。 

图1是本发明图1是本发明视频图像噪声估计与去除的方法的一种具体实 施方式流程图。在本实施例中，本发明的视频图像噪声估计与去除的方法包括以下步骤： 

步骤ST1：进行单通道灰度图像分解。将输入图像分解为R、G、B三个通道的灰度图像，表示为ImgR、ImgG、ImgB。为计算各个通道相应的噪声水平函数曲线，需要对每个通道灰度图像执行噪声水平估计操作。在本实施例中，用ImgX表示当前操作的一个通道上的灰度图像，其中，X＝R/G/B中的一种颜色。输入图像如图像2所示，经过分解后变成单通道灰度图像ImgX，如图3所示。 

步骤ST2：进行视频图像重要边缘检测。在本实施例中，使用基于图像梯度值的边缘检测方法检测并绘制出灰度图像ImgX的边缘图像，如图4右上所示，并表示为ImgXE。得到边缘图ImgXE后，再进行二值化处理，得到如图4左下所示的重要边缘图像。为了表示方便，该二值化图像经过反转得到如图4右下所示的重要边缘反转图像。用黑色像素示意灰度图像ImgX的重要边缘，表示为ImgXEP 

步骤ST3：对视频图像进行基本子块的划分。以h×h像素为基本子块对单通道灰色图像ImgX以及相应的重要边缘图像ImgXEP进行划分，得到如图5、6所示意的图像。其中h可以是4、8、16、32等2的幂值，基本子块的大小h可以有多种方法计算得到，在本实施中，采用以下计算方法： 

h＝P2(min(width，height)/sum) 

其中，width和height分别表示灰度图像ImgX的宽和高的像素精度值，P2函数定义为求小于输入值最大的2的幂值，sum为所期望的图像划分份数，sum一般设置为100上下。 

步骤ST4：灰度图像中包含有图像主要边缘的基本子块去除。经过一个阈值T2判别所有划分得到的基本子块，基本子块内所包含边缘像素的个数超过T2时，如图6所示的H块，将被视为包含太多重要边缘信息，即图像主要边缘而摈弃；同样道理，基本子块内所含边缘像素的个数低于T2时，如图5、6所示的G块，将参与后续统计数据的计算，即每个基本子块计算其像素的均值和标准方差。在本实施例中，T2＝h。 

步骤ST5：噪声水平统计以及噪声水平函数的计算。统计单通道灰度图像 ImgX经过阈值T2判别所留下的基本子块，如图5中所示，具体如图5中的G块所示，对每个参与计算的基本子块都计算其像素灰度均值和标准方差，表示为(BlockU，BlockD). 

随后，用SigN＝{(BlockU，BlockD)|I×n≤BlockU≤I×(n+1)}表示灰度均值落入区间{I×n，I×(n+1)}上的基本子块集合，其中I＝255/N，N为整个0～255灰度分成的区间数。以灰度区间集合内的最小方差值为当前灰度水平值所对应的噪声方差水平值，对应关系表示为(In，Dn)，其中： 

Dn＝minD{SigN} 

其中，函数minD定义为在集合SigN上计算最小方差值。 

再后，在求得的灰度水平值与噪声水平值对(In，Dn)的基础上绘制出输入图像当前通道的噪声水平函数曲线，如图7所示。噪声水平函数表示为NLF_x，其中X＝R/G/B。据此，输入一个通道的灰度水平值，就能求得相应的噪声水平值： 

noiseLevel＝NLF_x(I_x) 

其中，I_x表示当前输入像素某通道的灰度值。 

步骤ST6：构造一个高通锐化修正的双边滤波器。经典传统的双边滤方法是在空间域和像素值域同时应用高斯低通滤波组合，而得到可以很好地保留图像边缘细节的去噪方法。经典双边滤波核为： 

f_classic(s，s₀)＝g_spatial(s-s₀)·g_tone(I_x(s)-I_x(s₀)) 

两个权重函数都是高斯函数，其中，s₀表示滤波核中心位置，s表示滤波核元素位置，I_x(s₀)表示滤波位置像素某通道的灰度值，I_x(s)表示滤波核其他位置上像素某通道的灰度值。高斯函数g_spatial(s)、g_tone(I_x)为： 

g_spatial(s)＝g(x，σ_s)·g(y，σ_s) 

g_tone(I_x)＝g(I_x，σ_t) 

σ_s为空域控制参数，σ_t为像素值域控制参数。 

在本实施例中，采用经典拉普拉斯锐化高通核为： 

$K_{\mathrm{sharp}}=\left(\begin{array}{ccc}-1& -1& -1\\ -1& A+1& -1\\ -1& -1& -1\end{array}\right)$

其中，A∈[8，9]。 

高通锐化修正算子的计算方法是： 

T3阈值决定了边缘锐化程度。 

这样构造的高通锐化修正的双边滤波器的双边滤波核为： 

f_withsharp(s，s₀)＝f_classic(s，s₀)+M_Hipass·K_sharp

步骤ST7：使用噪声水平函数曲线控制双边滤波器分别对R、G、B三个通道的灰度图像进行滤波，得到输出去噪后的视频图像。在本实施例中，通过控制双边滤波核f_classic(s，s₀)的像素值域控制参数σ_t以及锐化修正阈值T3进行，具体为： 

σ_t＝c×NLF_x(I_x(s)) 

T3＝max(I_x(s))·max(NLF_x)/3 

而c＝0.1/max(NLF_x)、空域控制参数σ_s＝16 

使用上述噪声水平函数曲线控制的参数对步骤ST6构造的滤波核对当前单通道灰度图像ImgX进行滤波处理，最终输出去噪后的视频图像。 

在本实施中，本发明的视频图像噪声估计与去除的方法实现了在视频图像去噪处理中，能自适应于视频图像局部的噪声水平变化而动态地调整去噪处理参数，从而达到准确去噪的目的。 

另外，在本实施例中，本发明的视频图像噪声估计与去除的方法在进行双边滤波处理前，对去噪滤波核进行了高通锐化修正处理，从而实现了一次滤波同时达到去噪低通和锐化高通的两个图像增强处理效果，大大降低了计算量，从而提高了本发明方法的实时性。 

在本发明中，在具体实施上，也可以采取高通锐化修正的双边滤波器类似的滤波器以及噪声水平函数曲线控制双边滤波器。 

因此，尽管上面对本发明说明性的具体实施方式进行了描述，但应当清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要 各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。 

Claims (5)

1.一种视频图像噪声估计与去除的方法，其特征在于，包括以下步骤：

(1)、将输入图像分解为R、G、B三个通道的灰度图像，分别进行各自通道的噪声水平估计：

1)、绘制出当前颜色通道的边缘图，并进行二值化处理，得到各颜色通道的重要边缘图像；

2)、将当前颜色通道的灰度图像及相应的重要边缘图像划分成若干个基本子块，根据重要边缘图像进行判断，将灰度图像中包含有图像主要边缘的基本子块去除，对剩下的每个基本子块计算其像素的均值和标准方差；

3)、将0～255的当前颜色通道的灰度划分为多个区间，以灰度区间集合内的基本子块的最小方差值作为当前区间灰度值水平所对应得噪声方差水平值，在求得的灰度水平值对应噪声水平值的基础上，绘制出图像当前颜色通道的噪声水平函数曲线，这样得到各自通道的噪声水平估计；

(2)、构造一个高通锐化修正的双边滤波器；

(3)、使用噪声水平函数曲线控制双边滤波器分别对R、G、B三个通道的灰度图像进行滤波，得到输出去噪后的视频图像。

2.根据权利要求1所述的视频图像噪声估计与去除的方法，其特征在于，所述的进行二值化处理得到的重要边缘图像还需要进行反转处理。

3.根据权利要求1所述的视频图像噪声估计与去除的方法，其特征在于，所述的灰度图像及相应的重要边缘图像划分成若干个基本子块方法如下：

以h×h像素为基本子块进行划分，

h＝P2(min(width，height)/sum)

其中，width和height分别表示灰度图像ImgX的宽和高的像素精度值，P2函数定义为求小于输入值最大的2的幂值，sum为所期望的图像划分份数，sum设置为100上下。 

4.根据权利要求3所述的视频图像噪声估计与去除的方法，其特征在于，所述的将灰度图像中包含有图像主要边缘的基本子块去除为：将基本子块内所包含边缘像素的个数超过阈值T2的基本子块去除，阈值T2＝h。

5.根据权利要求1所述的视频图像噪声估计与去除的方法，其特征在于，步骤(2)所述的高通锐化修正的双边滤波器，其滤波核为：

f_withsharp(s，s₀)＝f_classic(s，s₀)+M_Hipass·K_sharp

其中，f_classic(s，s₀)＝g_spatial(s-s₀)·g_tone(I_x(s)-I_x(s₀))，f_classic(s，s₀)的高斯函数g_spatial(s)、g_tone(I_x)为：

g_spatial(s)＝g(x，σ_s)·g(y，σ_s)

g_tone(I_x)＝g(I_x，σ_t)

I_x表示当前输入像素某通道的灰度值，σ_s为空域控制参数，σ_t为像素值域控制参数；

经典拉普拉斯锐化高通核为K_sharp：

其中，A∈[8，9]；

高通锐化修正算子的计算方法是：

阈值T3决定了边缘锐化程度，阈值T3＝max(I_x(s))·max(NLF_x)/3，其中，NLF_x噪声水平函数；

σ_t＝c×NLF_x(I_x(s))，而c＝0.1/max(NLF_x)、空域控制参数σ_s＝16。 

Images