CN101599170B - 图像噪声评价方法、图像噪声评价装置 - Google Patents

Abstract

一种噪声评价方法，包括：提取图像中的平坦区域；自适应迭代优化所述平坦区域；利用优化后的平坦区域的图像评价所述图像的噪声水平。本发明提出的噪声评价方法，首先初步估计图像的噪声水平，然后根据初步估计结果，自适应提取均匀平坦区域，再对均匀平坦区域自适应迭代优化，最后对多种噪声评价指标进行优化组合，得到一个综合鲁棒的噪声评价方法。该方法综合准确度更高，适应范围更广，尤其是在复杂运动场景下，可以利用几帧甚至一帧图像，快速准确的给出当前图像的噪声水平，以便对了解当前摄像机的成状态。本发明还公开一种噪声评价装置。

Description

图像噪声评价方法、图像噪声评价装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像噪声评价方法及图像噪声评价装置。

背景技术

附加到图像信号上的噪声是图像质量下降和降低图像信号的编码和解码性能的主要原因，针对视频运动图像的噪声评估是一个难点。目前大多数的噪声评价方法都是基于多帧序列图像进行的，统计多帧图像之间的偏差来统计图像的噪声水平。由于实际场景中可能的物体运动，使用帧间的方式评估噪声，算法复杂度较高，参数选择不合适更会影响噪声评估准确性，因此很难适用于运动场景。所以算法最好只使用一帧的图像信息。针对单帧的噪声评价一般通过空间滤波器来实现，使用一个固定的空间滤波器过滤图像，然后对结果进行统计。单帧的方法在一些特殊场景下会失效，导致误报率较高，各种场景的噪声评价很难形成统一个标准。

发明内容

有鉴于此，本发明的主要目的是提出一种适用于各种场景，准确统一的图像噪声评价方法。

所述图像噪声评价方法，包括：

提取图像中的平坦区域；

自适应迭代优化所述平坦区域；

利用优化后的平坦区域的图像评价所述图像的噪声水平。

优选地，利用估计获得的所述图像的噪声和所述图像的梯度图像提取所述图像中的平坦区域。

优选地，利用所述平坦区域的噪声水平和所述梯度图像，迭代优化所述平坦区域。

优选地，估计所述图像的噪声的步骤包括：

利用滤波器 $M=\left[\begin{array}{ccc}1& -2& 1\\ -2& 4& -2\\ 1& -2& 1\end{array}\right]$ 过滤所述图像，提取所述图像中的噪声；

估算 $\mathrm{Sigma}=\frac{\sqrt{\mathrm{PI}/2}}{a0\×N}\×\mathrm{\Σ}|I\⊗M|,$ 获得所述图像的噪声Sigma；

其中，所述PI表示圆周率，N表示所述图像的像素个数，I表示所述图像的图像矩阵，

表示卷积，a0表示固定系数。

优选地，获得所述图像的梯度图像的步骤包括：

将所述图像转成灰度图像，获得灰度图像矩阵Gray；

使用滤波器 $A=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$ 和 $B=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$ 过滤所述图像；

计算 $\mathrm{ImageAdd}=\frac{|\mathrm{Gray}\⊗A|+|\mathrm{Gray}\⊗B|}{4},$ 获得梯度图像ImageAdd。

其中，以梯度图像中像素值大于第一预设值nThreshold的部分作为平坦区域Region；

其中，nThreshold＝a1×Sigma，a1表示固定的系数。

优选地，重复执行下述步骤直至平坦区域的噪声值基本不变或达到一定迭代次数，获得优化后的平坦区域Region：

计算 ${\mathrm{Sigma}}_{\mathrm{region}}=\frac{\sqrt{\mathrm{PI}/2}}{6\×N_{\mathrm{region}}}\×\underset{p\∈\mathrm{region}}{\mathrm{\Σ}}|I\⊗M|,$ 获得平坦区域的噪声水平Sigma_region；

以梯度图像中像素值大于第二预设值nThreshold′的部分作为平坦区域Re gion；

其中，N_region表示平坦区域的像素个数，nThreshold′＝a2×Sigma_region，a2表示固定的系数。

优选地，按下述步骤评价图像的噪声水平：

计算 ${\mathrm{Sigma}}_{\mathrm{Mean}}=\frac{\underset{\mathrm{region}}{\mathrm{\Σ}}{(I-\mathrm{Mean})}^2}{{\mathrm{Area}}_{\mathrm{region}}},$ 获得优化后的平坦区域的图像和均值平滑图像的偏差Sigma_Mean；

计算Sigma′＝a3·Sgima_region+a4·Sigma_Mean+a5，获得图像的噪声水平Sigma′；

其中，Mean表示图像矩阵的M×N均值平滑图像，Area_region表示平坦区域的面积，a3、a4和a5为分别设定的整数值。

本发明的另一个目的是提出一种适用于各种场景，准确统一的图像噪声评价装置。

所述图像噪声评价装置，包括：

提取图像中的平坦区域的第一单元；

自适应迭代优化所述平坦区域的第二单元；和，

利用优化后的平坦区域的图像评价所述图像的噪声水平的第三单元。

优选地，第一单元包括：

噪声估计单元，用于估计获得所述图像的噪声；

梯度图像单元，用于计算获得所述图像的梯度图像；和，

平坦区域提取单元，用于利用噪声估计单元获得的图像噪声和梯度图像单元获得的梯度图像提取图像中的平坦区域。

优选地，第二单元包括：

噪声计算单元，用于计算平坦区域的噪声水平；

平坦区域优化单元，用于利用噪声计算单元获得的平坦区域的噪声水平和梯度图像单元获得的梯度图像，优化所述平坦区域。

优选地，所述噪声估计单元包括：

$M=\left[\begin{array}{ccc}1& -2& 1\\ -2& 4& -2\\ 1& -2& 1\end{array}\right]$ 的高通滤波器，用于过滤所述图像，提取所述图像中的噪声；和，

估算单元，用于估算 $\mathrm{Sigma}=\frac{\sqrt{\mathrm{PI}/2}}{a0\×N}\×\mathrm{\Σ}|I\⊗M|,$ 获得所述图像的噪声Sigma；

其中，所述PI表示圆周率，N表示所述图像的像素个数，I表示所述图像的图像矩阵，

表示卷积，a0表示固定系数。

优选地，所述梯度图像单元包括：

转换单元，用于将所述图像转成灰度图像，获得灰度图像矩阵Gray；

$A=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$ 的第一滤波器， $B=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$ 的第二滤波器，用于过滤所述图像；和

第一计算单元，用于计算 $\mathrm{ImageAdd}=\frac{|\mathrm{Gray}\⊗A|+|\mathrm{Gray}\⊗B|}{4},$ 获得梯度图像ImageAdd。

其中，平坦区域提取单元以梯度图像中像素值大于第一预设值nThreshold的部分作为平坦区域Region；

其中，nThreshold＝a1×Sigma，a1表示固定的系数。

优选地，，第二单元对平坦区域进行迭代优化，直至平坦区域的噪声值基本不变或达到一定迭代次数，其过程如下：

噪声计算单元计算 ${\mathrm{Sigma}}_{\mathrm{region}}=\frac{\sqrt{\mathrm{PI}/2}}{6\×N_{\mathrm{region}}}\×\underset{p\∈\mathrm{region}}{\mathrm{\Σ}}|I\⊗M|,$ 获得平坦区域的噪声水平Sigma_region；

平坦区域优化单元以梯度图像中像素值大于第二预设值nThreshold′的部分作为平坦区域Region；

其中，N_region表示平坦区域的像素个数，nThreshold′＝a2×Sigma_region，a2表示固定的系数。

优选地，，第三单元包括：

第二计算单元，用于计算 ${\mathrm{Sigma}}_{\mathrm{Mean}}=\frac{\underset{\mathrm{region}}{\mathrm{\Σ}}{(I-\mathrm{Mean})}^2}{{\mathrm{Area}}_{\mathrm{region}}},$ 获得优化后的平坦区域的图像和均值平滑图像的偏差Sigma_Mean；和

第三计算单元，用于计算Sigma′＝a3·Sgima_region+a4·Sigma_Mean+a5，获得图像的噪声水平Sigma′；

其中，Mean表示图像矩阵的M×N均值平滑图像，Area_region表示平坦区域的面积，a3、a4和a5为分别设定的整数值。

可以看出，本发明提出的噪声评价方法及装置，首先初步估计图像的噪声水平，然后根据初步估计结果，自适应提取均匀平坦区域，再对均匀平坦区域自适应迭代优化，最后对多种噪声评价指标进行优化组合，得到一个综合鲁棒的噪声评价技术方案。该技术方案综合准确度更高，适应范围更广，尤其是在复杂运动场景下，可以利用几帧甚至一帧图像，快速准确的给出当前图像的噪声水平，以便对了解当前摄像机的成状态。

附图说明

图1是本发明提供的图像噪声评价方法的一个实例流程；

图2是本发明提供的图像噪声评价方法的另一个实例流程；

图3是本发明提供的图像噪声评价方法的另一个实例流程；

图4是本发明提供的图像噪声评价装置的一个实例示意图；

图5是第一单元的一个实例示意图；

图6是第二单元的一个实例示意图；

图7是第三单元的一个实例示意图。

具体实施方式

下面将结合附图来详细说明本发明的实施例，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1示出了噪声评价方法的一种实现方式，在该实例中，所述噪声评价方法包括：

步骤11，提取图像中的平坦区域；

步骤12，自适应迭代优化所述平坦区域；

步骤13，利用优化后的平坦区域的图像评价所述图像的噪声水平。

图2示出了噪声评价方法的另一种更具体的实现方式，在该实例中，所述噪声评价方法包括：

步骤21，初步估计图像的噪声水平。

步骤22，计算梯度图像。

步骤23，利用初步估计的图像噪声和梯度图像提取图像中的平坦区域。

步骤24，利用平坦区域的噪声水平和梯度图像，迭代优化所述平坦区域。

步骤25，用多种互补的评价标准综合评价图像噪声水平。

图3示出了实际应用中一种较佳的实施方式，在该实例中，所述噪声评价方法包括：

步骤31，过滤图像并估计图像的噪声。

实现本步骤的一种较佳的方式是：

首先，使用高通滤波器 $M=\left[\begin{array}{ccc}1& -2& 1\\ -2& 4& -2\\ 1& -2& 1\end{array}\right]$ 过滤图像，提取图像中的噪声；

然后，计算图像噪声 $\mathrm{Sigma}=\frac{\sqrt{\mathrm{PI}/2}}{a0\×N}\×\mathrm{\Σ}|I\⊗M|;$

其中，PI表示圆周率，N表示图像中的像素个数，I表示图像的图像矩阵，

表示卷积，a0表示固定系数。

步骤32，计算图像的梯度图像。

实现本步骤的一种较佳的方式是：

首先，将图像转成灰度图像，获得灰度图像矩阵；

其次，使用滤波器 $A=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$ 和 $B=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$ 过滤图像；

然后，计算梯度图像 $\mathrm{ImageAdd}=\frac{|\mathrm{Gray}\⊗A|+|\mathrm{Gray}\⊗B|}{4};$

其中，Gray表示灰度图像矩阵。

步骤33，初步提取图像中的平坦区域。

一种较佳的方式是，以梯度图像中像素值大于第一预设值nThreshold的部分作为平坦区域Region，即Region＝ImageAdd(ImageAdd＞nThreshold)；

其中，nThreshold＝a1×Sigma，a1表示固定的系数，Sigma为步骤31中估计获得的图像噪声。

步骤34，计算平坦区域的噪声水平。

一种较佳的方式是，计算 ${\mathrm{Sigma}}_{\mathrm{region}}=\frac{\sqrt{\mathrm{PI}/2}}{6\×N_{\mathrm{region}}}\×\underset{p\∈\mathrm{region}}{\mathrm{\Σ}}|I\⊗M|,$ 获得平坦区域的噪声水平Sigma_region；

其中，N_region表示平坦区域的像素个数。

步骤35，再次提取图像中的平坦区域。

一种较佳的方式是，以梯度图像中像素值大于第二预设值nThreshold′的部分作为平坦区域Region；

其中，nThreshold′＝a2×Sigma_region，a2表示固定的系数。

步骤36，判断是否满足迭代结束条件。

迭代结束的条件可以根据具体要求进行设置。例如，可以平坦区域的噪声值基本不变作为结束条件，或者可以达到一定迭代次数作为结束条件。

如果满足结束条件，则退出迭代，进入步骤37；如果不满足结束条件，则再次从步骤34开始执行，继续迭代。

步骤37，计算优化后的平坦区域的图像和均值平滑图像的偏差。

一种较佳的方式是，计算 ${\mathrm{Sigma}}_{\mathrm{Mean}}=\frac{\underset{\mathrm{region}}{\mathrm{\Σ}}{(I-\mathrm{Mean})}^2}{{\mathrm{Area}}_{\mathrm{region}}},$ 获得优化后的平坦区域的图像和均值平滑图像的偏差Sigma_Mean；

其中，Mean表示图像矩阵的M×N均值平滑图像，Area_region表示平坦区域的面积。

步骤38，综合评价图像的噪声水平。

一种较佳的方式是，计算Sigma′＝a3·Sgima_region+a4·Sigma_Mean+a5，获得图像的噪声水平Sigma′，其中a3、a4和a5为分别设定的整数值。

a3、a4的推荐值是： $a_3=\frac{{\mathrm{Area}}_{\mathrm{region}}}{{\mathrm{Area}}_{\mathrm{Image}}},$ $a_4=\frac{{\mathrm{Area}}_{\mathrm{Image}}-{\mathrm{Area}}_{\mathrm{region}}}{{\mathrm{Area}}_{\mathrm{Image}}};$

其中，Area_Image表示图像的面积。

在步骤31中使用高通滤波器，对于提取图像噪声非常高效，是一种有效的初步估计图像噪声的方法。在步骤33中使用步骤31的初步估计的图像噪声，做为算法的自适应参数，是一个创新。使用这种处理方法，能够使算法适应更广泛的实际场景，提高噪声估计的鲁棒性。步骤34～36使用迭代方法，逐步自适应的优化提取平坦区域，进一步提高了准确度。在应付各种变化场景时，依然有很高的可信度。步骤38根据多个指标，综合评价噪声水平，是评价结果的可靠性进一步提高。

图4示出了一种噪声评价装置的实例，在该实例中，所述噪声评价装置包括第一单元S41、第二单元和第三单元S43。

第一单元S41用于提取图像中的平坦区域，第二单元S42用于自适应迭代优化所述平坦区域，第三单元S43用于利用优化后的平坦区域的图像评价所述图像的噪声水平。

其中，第一单元S41、第二单元S42和第三单元S43的结构分别如图5、图6和图7所示。

第一单元S41包括噪声估计单元S51、梯度图像单元S52和平坦区域提取单元S53。

噪声估计单元S51用于估计获得所述图像的噪声，梯度图像单元S52用于计算获得所述图像的梯度图像，平坦区域提取单元S53用于利用噪声估计单元S51获得的图像噪声和梯度图像单元S52获得的梯度图像提取图像中的平坦区域。

其中，噪声估计单元S51包括： $M=\left[\begin{array}{ccc}1& -2& 1\\ -2& 4& -2\\ 1& -2& 1\end{array}\right]$ 的高通滤波器，用于过滤所述图像，提取所述图像中的噪声；和估算单元，用于估算图像噪声 $\mathrm{Sigma}=\frac{\sqrt{\mathrm{PI}/2}}{a0\×N}\×\mathrm{\Σ}|I\⊗M|.$

梯度图像单元S52包括：转换单元，用于将所述图像转成灰度图像，获得灰度图像矩阵Gray； $A=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]$ 的第一滤波器， $B=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]$ 的第二滤波器，用于过滤所述图像；和第一计算单元，用于计算梯度图像 $\mathrm{ImageAdd}=\frac{|\mathrm{Gray}\⊗A|+|\mathrm{Gray}\⊗B|}{4}.$

平坦区域提取单元S53以梯度图像中像素值大于第一预设值nThreshold的部分作为平坦区域Region。

第二单元S42包括噪声计算单元S61和平坦区域优化单元S62。

噪声计算单元S61用于计算平坦区域的噪声水平，平坦区域优化单元S62用于利用噪声计算单元S61获得的平坦区域的噪声水平和梯度图像单元S52获得的梯度图像优化所述平坦区域。

第二单元S42对平坦区域进行迭代优化，直至平坦区域的噪声值基本不变或达到一定迭代次数，其过程如下：

噪声计算单元S61计算平坦区域的噪声水平 ${\mathrm{Sigma}}_{\mathrm{region}}=\frac{\sqrt{\mathrm{PI}/2}}{6\×N_{\mathrm{region}}}\×\underset{p\∈\mathrm{region}}{\mathrm{\Σ}}|I\⊗M|;$ 平坦区域优化单元S62以梯度图像中像素值大于第二预设值nThreshold′的部分作为平坦区域Re gion。

第三单元S43包括第二计算单元S71和第三计算单元S72。

第二计算单元S71用于计算优化后的平坦区域的图像和均值平滑图像的偏差 ${\mathrm{Sigma}}_{\mathrm{Mean}}=\frac{\underset{\mathrm{region}}{\mathrm{\Σ}}{(I-\mathrm{Mean})}^2}{{\mathrm{Area}}_{\mathrm{region}}}.$ 第三计算单元S72用于计算图像的噪声水平Sigma′＝a3·Sgima_region+a4·Sigma_Mean+a5。

上述各实施例所示的噪声评价方法及装置，首先初步估计图像的噪声水平，然后根据初步估计结果，自适应提取均匀平坦区域，再对均匀平坦区域自适应迭代优化，最后对多种噪声评价指标进行优化组合，得到一个综合鲁棒的噪声评价技术方案。该技术方案综合准确度更高，适应范围更广，尤其是在复杂运动场景下，可以利用几帧甚至一帧图像，快速准确的给出当前图像的噪声水平，以便对了解当前摄像机的成状态。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种图像噪声评价方法，其特征在于，包括：

利用估计获得的所述图像的噪声和所述图像的梯度图像提取所述图像中的平坦区域，所述估计获得的所述图像的噪声的步骤包括：

利用滤波器

过滤所述图像，提取所述图像中的噪声；

估算

获得所述图像的噪声Sigma；

其中，所述PI表示圆周率，D表示所述图像的像素个数，I表示所述图像的图像矩阵，表示卷积，a0表示固定系数；

获得所述图像的梯度图像的步骤包括：

将所述图像转成灰度图像，获得灰度图像矩阵Gray；

使用滤波器

和过滤所述灰度图像；

计算

获得梯度图像ImageAdd；

以梯度图像中像素值大于第一预设值nThreshold的部分作为平坦区域Region；

其中，nThreshold＝a1×Sigma，a1表示固定的系数；

自适应迭代优化所述平坦区域，具体为利用所述平坦区域的噪声水平和所述梯度图像，迭代优化所述平坦区域，所述迭代优化所述平坦区域的步骤包括：

重复执行下述步骤直至平坦区域的噪声值基本不变获得优化后的平坦区域Region：

计算

获得平坦区域的噪声水平Sigma_region；

以梯度图像中像素值大于第二预设值nThreshold′的部分作为平坦区域Region；

其中，D_region表示平坦区域的像素个数，nThreshold′＝a2×Sigma_region，a2表示固定的系数；

利用优化后的平坦区域的图像评价所述图像的噪声水平，具体按下述步骤评价图像的噪声水平：

计算获得优化后的平坦区域的图像和均值平滑图像的偏差Sigma_Mean；

计算Sigma′＝a3·Sgima_region+a4·Sigma_Mean+a5，获得图像的噪声水平Sigma′；

其中，Mean表示图像矩阵的M×N均值平滑图像，Area_region表示平坦区域的面积，a3、a4和a5为分别设定的整数值。

2.一种图像噪声评价装置，其特征在于，包括：提取图像中的平坦区域的第一单元、自适应迭代优化所述平坦区域的第二单元和利用优化后的平坦区域的图像评价所述图像的噪声水平的第三单元；

所述第一单元包括：噪声估计单元、梯度图像单元和平坦区域提取单元；

噪声估计单元，用于估计获得所述图像的噪声，所述噪声估计单元包括：

的高通滤波器，用于过滤所述图像，提取所述图像中的噪声；

估算单元，用于估算

获得所述图像的噪声Sigma；

其中，所述PI表示圆周率，D表示所述图像的像素个数，I表示所述图像的图像矩阵，

表示卷积，a0表示固定系数；

所述梯度图像单元，用于计算获得所述图像的梯度图像，所述梯度图像单元包括：

转换单元，用于将所述图像转成灰度图像，获得灰度图像矩阵Gray；

的第一滤波器，

的第二滤波器，用于过滤所述灰度图像；

第一计算单元，用于计算

获得梯度图像ImageAdd；

所述平坦区域提取单元，用于利用噪声估计单元获得的图像噪声和梯度图像单元获得的梯度图像提取图像中的平坦区域，所述平坦区域提取单元以梯度图像中像素值大于第一预设值nThreshold的部分作为平坦区域Region；其中，nThreshold＝a1×Sigma，a1表示固定的系数；

所述第二单元包括：

噪声计算单元，用于计算平坦区域的噪声水平；

平坦区域优化单元，用于利用噪声计算单元获得的平坦区域的噪声水平和梯度图像单元获得的梯度图像，优化所述平坦区域；

所述第二单元对平坦区域进行迭代优化，直至平坦区域的噪声值基本不变，其过程如下：

噪声计算单元计算

获得平坦区域的噪声水平Sigma_region；

平坦区域优化单元以梯度图像中像素值大于第二预设值nThreshold′的部分作为平坦区域Region；

其中，D_region表示平坦区域的像素个数，nThreshold′＝a2×Sigma_region，a2表示固定的系数；

所述第三单元包括：

第二计算单元，用于计算

获得优化后的平坦区域的图像和均值平滑图像的偏差Sigma_Mean；和

第三计算单元，用于计算Sigma′＝a3·Sgima_region+a4·Sigma_Mean+a5，获得图像的噪声水平Sigma′；

其中，Mean表示图像矩阵的M×N均值平滑图像，Area_region表示平坦区域的面积，a3、a4和a5为分别设定的整数值。

Images