CN101930590B - 一种可应用于火灾探测的变换域邻域自适应图像降噪方法 - Google Patents

Abstract

本发明公开了一种可应用于火灾探测的变换域邻域自适应图像降噪方法，该方法首先对带噪红外火灾探测图像进行多尺度、多方向非采样Contourlet稀疏分解，根据分解后高频字图像服从拉普拉斯分布，采用贝叶斯估计方法估计全局最佳阈值。然后利用邻域统计特性修正全局阈值，得到高频字图像各像素点的自适应阈值，并对高频子图像进行阈值处理，去除子图像中的噪声成分。最后通过非采样Contourlet稀疏逆变换得到预降噪图像，达到图像降噪目的。本发明提供的方法能有效地降低红外火灾探测图像中的噪声水平，提高火灾探测图像的质量。

Description

一种可应用于火灾探测的变换域邻域自适应图像降噪方法

技术领域：

本发明涉及一种图像的处理方法，特别涉及一种能够应用于火灾探测的变换域邻域自适应图像降噪方法。

背景技术：

随着城市化建设的快速发展，大空间建筑迅速增多，火灾形势日益严峻。大空间建筑火灾损失巨大，给人民的生命财产安全构成了极大的威胁。由于受空间高度和面积的影响，传统的火灾探测技术如点式或线式感烟、感温探测器难以正常发挥有效作用。而图像型火灾探测技术利用图像处理技术进行早期火灾探测，具有十分显著的优势，已经成为现今火灾探测和识别中的研究热点。然而，其检测和识别的准确度与监测图像质量有着十分密切的关系，即图像的质量直接影响火灾检测和识别的准确度。

通常，火灾探测图像在获取和传输过程中会受到不同程度的噪声污染，而图像降噪的目的就是在去除噪声的同时，最大限度地保留图像的主要特征信息，如图像边缘信息，以提高图像的恢复质量。目前，图像降噪方法主要分为空域滤波和变换域滤波两大类。传统的大部分滤波方法属于前者，如中值滤波等。而在变换域滤波方法中，以Donoho和Johnstone提出的基于小波变换的收缩阈值降噪方法最具代表性。由于信号经过小波变换后，信号主要集中在少数绝对幅值较大的小波系数上，而噪声则散布在一些绝对幅值较小的小波系数上，因此，可以利用收缩阈值法对小波系数进行降噪，达到降噪的目的。

但是，由于二维可分离小波变换是经一维小波通过张量积形成的，只能有效地表示一维奇异信息即点奇异信息，而不能有效地描述图像中的二维或高维奇异信息，如线、轮廓等重要信息，从而制约了小波降噪方法的性能。Contourlet变换作为一种新的信号分析工具，解决了小波变换不能有效表示二维或更高维奇异性的缺点，能准确地将图像中的边缘捕获到不同尺度、不同方向的子带中，具有良好的多尺度多分辨率和多方向性特点，在图象降噪方面取得了较好的效果。然而，它不具备平移不变性，直接进行降噪处理会在奇异点处产生吉布斯效应。尽管采用循环平移技术可以在一定程度上缓解平移不变性缺乏带来的影响，但并不能从根本上解决问题。非采样Contourlet变换(NonsubsampledContourlet Transform，NSCT)去掉了Contourlet变换中的采样操作，由非采样金字塔分解和非采样方向滤波器组成，解决了上述问题，具备了平移不变性，在许多对数据冗余性要求不高的图像处理中，取得了更加理想的结果，具有明显的优势。

发明内容：

本发明所要解决的技术问题为现有红外火灾探测技术中火灾探测图像在获取和传输过程中受到噪声污染，同时现有图像降噪方法无法实现对其进行理想降噪。

为解决上述技术问题，本发明利用非采样Contourlet稀疏分解域高频子图像全局和局部两个层面上的信息，估计与位置相关的邻域自适应阈值，进行降噪处理，达到提高红外火灾探测图像质量的目的。

为了解决上述技术问题，达到所述目的，本发明采用以下的技术方案来实现：

一种可应用于火灾探测的变换域邻域自适应图像降噪方法，该方法包括以下步骤：

(1)对带噪的红外火灾探测图像进行多尺度、多方向NSCT稀疏分解，获得一幅低频子图像和一系列多尺度、多方向的高频子图像；

(2)对NSCT分解后的高频子图像进行直方图分布估计，并根据分布规律进行全局阈值估计；

(3)利用邻域统计特性，计算得到NSCT分解后的高频子图像中每一个像素点的阈值修正系数；

(4)利用步骤(3)得到的阈值修正系数修正步骤(2)得到的全局阈值，得到高频子图像各像素点与位置相关的自适应阈值；

(5)利用步骤(4)得到的自适应阈值和软阈值函数进行高频子图像阈值降噪处理；

(6)对进步骤(5)得到的所有降噪高频子图像和步骤(1)中得到的低频子图像进行NSCT逆变换，得到降噪图像。

本发明中，所述步骤(2)根据高频子图像服从拉普拉斯分布，并利用贝叶斯阈值估计方法，估计得到最优全局阈值。

所述步骤(3)利用每一像素3×3邻域统计特性，计算所有高频子图像中每一个像素点的阈值修正系数。

所述步骤(4)利用步骤(3)得到的阈值修正系数与步骤(2)得到的全局阈值相乘，实现对全局阈值的修正，得到高频子图像各像素点与位置相关的自适应阈值。

本发明提供的降噪方法能有效地降低红外火灾探测图像中的噪声水平，提高火灾探测图像的质量。在军事领域和非军事领域，如安全监控，特别是火灾探测等系统中具有广泛的应用前景。

其具有以下特点和优点：

(1)Contourlet变换虽然解决了小波变换不能有效地表示图像中的二位或高维奇异性的不足，但却不具备平移不变性的缺点，非采样Contourlet变换解决了这一问题，不但具有多尺度、多方向性，还具备平移不变性。采用非采样Contourlet变换红外火灾探测图像进行多尺度、多方向分解，为后续高频子图像的降噪处理提供稀疏的描述，为提高降噪性能提供了条件。

(2)本发明技术中估计得到的自适应阈值充分利用全局和局部两个层面上的信息，对噪声具有良好的自适应性。在全局信息利用方面，本发明技术在对NSCT变换域的高频子图像进行直方图分布估计，利用其服从拉普拉斯分布的特点，采用贝叶斯阈值估计方法，估计得到全局阈值估计；在局部信息利用方面，利用邻域统计信息，计算所有Contourlet中每一个像素点的阈值修正系数。利用全局阈值和阈值修正系数，计算得到与位置相关的自适应阈值。

(3)采用本发明方法进行红外火灾图像降噪，可以提高降噪效果。

附图说明：

以下结合附图和具体实施方式来进一步说明本发明。

图1为本发明实现的流程框图。

图2a为不同降噪方法在噪声水平为30的情况下的降噪效果图。

图2b为不同降噪方法在噪声水平为85的情况下的降噪效果图。

具体实施方式：

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

为了能够解决现有红外火灾探测技术中火灾探测图像在获取和传输过程中受到噪声污染，同时现有图像降噪方法无法实现对其进行理想降噪的问题。本发明采用了如图1所示的可应用于火灾探测的变换域邻域自适应图像降噪方法，该方法的实现步骤如下：

(1)对带噪的红外火灾探测图像进行多尺度、多方向NSCT稀疏分解，获得一幅低频子图像和一系列多尺度、多方向的高频子图像；

(2)对NSCT分解后的高频子图像进行直方图分布估计，并根据分布规律进行全局阈值估计；

(3)利用邻域统计特性，计算得到NSCT分解后的高频子图像中每一个像素点的阈值修正系数；

(4)利用步骤(3)得到的阈值修正系数修正步骤(2)得到的全局阈值，得到高频子图像各像素点与位置相关的自适应阈值；

(5)利用步骤(4)得到的自适应阈值和软阈值函数进行高频子图像阈值降噪处理；

(6)对进步骤(5)得到的所有降噪高频子图像和步骤(1)中得到的低频子图像进行NSCT逆变换，得到降噪图像。

基于上述原理，本方法具体实施如下：

1、初始化设置。设定NSCT变换中的非采样金字塔分解层数K和每层中的方向分解数L_k。

2、对输入的带噪红外火灾探测图像I进行多尺度、多方向的NSCT稀疏分解，分解为一幅低频子图像I_lf和一系列具有不同分辨率、不同方向的高频子图像I_hf ^(k，l)，其中k∈(1，K)和l∈(1，L_k)标明子图像位于第k分解尺度的第l方向。

3、对NSCT变换后的高频子图像I_hf ^(k，l)，利用贝叶斯阈值估计方法进行全局最佳阈值T_B估计。

其具体方法为：由于NSCT变换域高频子图像的直方图均在零处形成一个尖峰，并且沿着远离零的两个方向，随着距离的增大，系数频数越来越小。即高频子图像中，大多数系数为零或“近零”，而较大系数的个数较少，具有很好的稀疏性。该分布特点可以用两参数拉普拉斯分布概率密度函数来描述。两参数拉普拉斯分布概率密度定义为：

$p\left(y\right)=\frac{\mathrm{\β}}{2\mathrm{\α\Γ}\left(\frac{1}{\mathrm{\β}}\right)}{e}^{{-|y/\mathrm{\α}|}^{\mathrm{\β}}}$

其中 $\mathrm{\Γ}\left(x\right)={\∫}_0^{\∞}{t}^{x-1}{e}^{-t}\mathrm{dt}$ 是伽马函数，α为尺度参数，β为形状参数。只要估计出参数α和β，就能求得图像的拉普拉斯分布函数。

而参数α和β可以利用换元法，通过计算子图像的一阶绝对原点矩m₁和方差m₂，估计得到，即

$\mathrm{\β}=F^{-1}\left(\frac{m_1^2}{m_2}\right),$ $\mathrm{\α}=\frac{m_1\mathrm{\Γ}\left(\frac{1}{\mathrm{\β}}\right)}{\mathrm{\Γ}\left(\frac{2}{\mathrm{\β}}\right)},$ 其中F^-1(·)为 $F\left(x\right)=\frac{{\mathrm{\Γ}}^2\left(\frac{2}{x}\right)}{\mathrm{\Γ}\left(\frac{1}{x}\right)\mathrm{\Γ}\left(\frac{3}{x}\right)}$ 的反函数。

由于高频子图像分布的尺度参数均小于1，即α＜1，服从超高斯分布中的拉普拉斯分布，满足贝叶斯估计方法的假定条件-信号服从广义高斯分布。

因此，本发明方法利用贝叶斯阈值估计方法，估计得到最优全局阈值T_B：

$T_B={\mathrm{\σ}}_n^2/{\mathrm{\σ}}_x$

其中σ_n为噪声标准差，可采用鲁棒性的中值估计，即

${\widehat{\mathrm{\σ}}}_n=\frac{1}{0.6745L_K}\underset{l=1}{\overset{L_K}{\mathrm{\Σ}}}\mathrm{median}\left(\right|I_{\mathrm{hf}}^{(K,l)}\left|\right)$

式中 $I_{\mathrm{hf}}^{(K,l)}(l=1L{L}_K)$ 为最高频率子图像。而σ_x为信号标准差，可采用下式估计

${\widehat{\mathrm{\σ}}}_x=\sqrt{\max ({\widehat{\mathrm{\σ}}}_y^2-{\widehat{\mathrm{\σ}}}_n^2,0)}$

式中， ${\widehat{\mathrm{\σ}}}_y^2=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{I}_{\mathrm{hf}}^{(k,l)}(i,j),$ I_hf ^(k，l)是所考虑的高频子图像。

4、利用邻域统计特性，计算得到NSCT分解后的高频子图像中每一个像素点的阈值修正系数。该步骤利用每一像素3×3邻域统计特性来计算修正系统。对于高频子图像中每一个具体位置而言，修正系数计算方法如下：

$r(i,j)=\frac{\max \left(I_{\mathrm{hf}}^{(k,l)}\right)-\mathrm{mean}\left(I_{\mathrm{hf}\_\mathrm{nei}}^{(k,l)}(i,,j)\right)}{\max \left(I_{\mathrm{hf}}^{(k,l)}\right)-\mathrm{mean}\left(I_{\mathrm{hf}}^{(k,l)}\right)}$

式中I_{hf_nei} ^(k，l)(i，j)为高频子图像I_hf ^(k，l)中(i，j)处的3×3邻域，mean(I_{hf_nei} ^(k，l)(i，j))为邻域均值，max(I_hf ^(k，l))和mean(I_hf ^(k，l))分别为该子图像系数的最大值和均值。

5、利用上两步得到的全局最佳阈值T_B和修正系数r(i，j)，计算得到与位置相关的自适应阈值T^Rev(i，j)，即T^Rev(i，j)＝r(i，j)×T_B。通过修正，能将噪声区域和图像信息区域区别对待，对噪声区域增大阈值以去掉更多的噪声，而对于图像，减小阈值以保留更多的图像有用信息。

6、利用上一步得到的阈值T^Rev(i，j)，采用软阈值函数对高频子图像I_hf ^(k，l)进行阈值处理，得降噪高频子图像

即

${\hat{I}}_{\mathrm{hf}}^{(k,l)}(i,j)=\left\{\begin{array}{cc}\mathrm{sgn}\left(I_{\mathrm{hf}}^{(k,l)}(i,j)\right)\left(\right|I_{\mathrm{hf}}^{(k,l)}(i,j)|-T^{\mathrm{Rev}}(i,j)),& \left|I_{\mathrm{hf}}^{(k,l)}(i,j)\right|\&GreaterEqual;T^{\mathrm{Rev}}(i,j)\\ 0,& \left|I_{\mathrm{hf}}^{(k.l)}(i,j)\right|<T^{\mathrm{Rev}}(i,j)\end{array}\right..$

7、对第6步中得到的所有降噪高频子图像

和第2步中得到的低频子图像I_lf实施NSCT逆变换，得到降噪图像

根据上述具体实施步骤进行降噪处理的图像如图2a和图2b所示：

图2a和图2b分别代表噪声水平为30和85情况下的带噪图像，以及采用不同方法进行降噪处理的效果图。

图2a和图2b中第一列图像都为带噪图像；

第二列图像都为采用基于NSCT的通用阈值降噪方法(NSCTVisuShrink)的降噪图像；

第三列图像都为采用基于NSCT的邻域阈值降噪方法(NSCTNeighShrink)的降噪图像代表；

第四列图像都为采用代表基于NSCT的贝叶斯阈值降噪方法(NSCTBayesShrink)的降噪图像；

第五列图像都为采用本发明方法的降噪图像。

从图2a和图2b中所展示的不同降噪方法所取得的降噪效果中可直观的看出第五列的图像质量最佳，从而说明本发明提供的方法能够更好地降低图像中的噪声信号，提高图像的质量。

为进一步客观说明本发明提供方法的效果，表1给出了本发明提供的方法与其它常用降噪方法在不同噪声水平下降噪结果的评价指标的比较结果。表1给出了用均方误差(MSE)及峰值信噪比(PSNR)衡量的性能指标。

表中

PI(Performance Index)代表性能指标；

NI(Noisy Image)代表带噪图像；

VisuI(NSCTVisuShrink)代表基于NSCT的通用阈值降噪方法的降噪图像；

NeighI(NSCTNeighShrink)代表基于NSCT的邻域阈值降噪方法的降噪图像；

BayesI(NSCTBayesShrink)代表基于NSCT的贝叶斯阈值降噪方法的降噪图像；

PA(the Proposed Approach)代表本发明方法的降噪图像。

从表中的数据可以得出，无论是PSNR刻画方面，还是MSE刻画方面，本发明方法均明显优于其它降噪方法。

另外，从数据中可以得出，随着噪声强度的增大，本发明方法的降噪效果愈发明显，PSNR提升幅度增大，也就是说，对于低信噪比情况，本发明方法降噪效果更明显。

综上所述，无论是从人眼视觉效果，还是各种客观评价指标的比较，均表明本发明方法能够更好地降低图像中的噪声信号，提高图像的质量。

表1不同噪声水平下降噪结果的评价指标比较

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种可应用于火灾探测的变换域邻域自适应图像降噪方法，其特征在于，所述方法包括以下步骤：

(1)对带噪的红外火灾探测图像进行多尺度多方向NSCT稀疏分解，获得一幅低频子图像和一系列多尺度多方向的高频子图像；

(2)对NSCT分解后的高频子图像进行直方图分布估计，并根据分布规律进行全局阈值估计，利用贝叶斯阈值估计方法，估计得到最优全局阈值T_B：

$T_B={\mathrm{\&sigma;}}_n^2/{\mathrm{\&sigma;}}_x$

其中σ_n为噪声标准差，可采用鲁棒性的中值估计，即

${\widehat{\mathrm{\&sigma;}}}_n=\frac{1}{0.6745L_K}\underset{l=1}{\overset{L_K}{\mathrm{\&Sigma;}}}\mathrm{median}\left(\right|I_{\mathrm{hf}}^{(K,l)}\left|\right)$

式中

为最高频率子图像，而σ_x为信号标准差，可采用下式估计

${\widehat{\mathrm{\&sigma;}}}_x=\sqrt{\max ({\widehat{\mathrm{\&sigma;}}}_y^2-{\widehat{\mathrm{\&sigma;}}}_n^2,0)}$

式中， ${\widehat{\mathrm{\&sigma;}}}_y^2=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{I}_{\mathrm{hf}}^{(k,l)}(i,j),$ 是所考虑的高频子图像；

(3)利用邻域统计特性，计算得到NSCT分解后的高频子图像中每一个像素点的阈值修正系数；该步骤利用每一像素3×3邻域统计特性来计算修正系数，对于高频子图像中每一个具体位置(i，j)而言，修正系数r(i，j)计算方法如下：

$r(i,j)=\frac{\max \left(I_{\mathrm{hf}}^{(k,l)}\right)-\mathrm{mean}\left(I_{\mathrm{hf}\_\mathrm{nei}}^{(k,l)}(i,j)\right)}{\max \left(I_{\mathrm{hf}}^{(k,l)}\right)-\mathrm{mean}\left(I_{\mathrm{hf}}^{(k,l)}\right)}$

式中

为高频子图像

中(i，j)处的3×3邻域，

为邻域均值，

和

分别为该子图像系数的最大值和均值；

(4)利用步骤(3)得到的阈值修正系数修正步骤(2)得到的全局阈值，得到高频子图像各像素点与位置相关的自适应阈值；

(5)利用步骤(4)得到的自适应阈值结合软阈值函数进行高频子图像阈值降噪处理，即降噪高频子图像为：

${\hat{I}}_{\mathrm{hf}}^{(k,l)}(i,j)=\left\{\begin{array}{cc}\mathrm{sgn}\left(I_{\mathrm{hf}}^{(k,l)}(i,j)\right)\left(\right|I_{\mathrm{hf}}^{(k,l)}(i,j)|-T^{\mathrm{Rev}}(i,j)),& \left|I_{\mathrm{hf}}^{(k,l)}(i,j)\right|\&GreaterEqual;T^{\mathrm{Rev}}(i,j)\\ 0,& \left|I_{\mathrm{hf}}^{(k,l)}(i,j)\right|<T^{\mathrm{Rev}}(i,j)\end{array}\right.$

其中，T^Rev(i，j)为步骤(4)中得到的自适应阈值；(6)对步骤(5)得到的所有降噪高频子图像和步骤(1)中得到的低频子图像进行NSCT逆变换，得到降噪图像。

2.根据权利要求1所述的一种可应用于火灾探测的变换域邻域自适应图像降噪方法，其特征在于，所述步骤(4)利用步骤(3)得到的阈值修正系数与步骤(2)得到的全局阈值相乘，实现对全局阈值的修正，得到高频子图像各像素点与位置相关的自适应阈值。

Images