CN102005033B

CN102005033B - 一种图像平滑抑制噪声方法

Info

Publication number: CN102005033B
Application number: CN2010105449409A
Authority: CN
Inventors: 王杰; 唐娉; 郑柯
Original assignee: Institute of Remote Sensing Applications of CAS
Current assignee: Institute of Remote Sensing Applications of CAS
Priority date: 2010-11-16
Filing date: 2010-11-16
Publication date: 2012-07-04
Anticipated expiration: 2030-11-16
Also published as: CN102005033A

Abstract

本发明公开一种技术方案，综合使用逐像素加权平滑和相似子图像块加权平滑，能在相对较低的计算复杂度下实现较好的噪声抑制，方法不需要指定噪声模型，尤其适合用于雷达和超声图像的斑点噪声抑制。首先对原始图像进行双边滤波获得粗略平滑结果，将平滑结果图像划分为子图像块集合，相邻子图像块间部分重叠；然后集合中的每个子图像块在平滑结果图像中其邻域范围内搜索匹配，取最相似的若干块；再从原始图像中取对应位置的子图像块，综合加权获得对当前子图像块的估计；最后所有子图像块的估计结果按照对应位置加权聚合形成输出结果图像。作为可选步骤，可以减小综合加权时使用的参数，在输出结果图像上进行一次迭代，去掉小瑕疵，获得优化结果。

Description

一种图像平滑抑制噪声方法

技术领域本发明涉及数字图像处理技术，具体地说，是一种利用图像的自相似特性进行综合加权平滑，抑制噪声同时保持图像特征的图像噪声抑制技术。

背景技术成像时的传感器退化、数值量化过程、转换过程等都会引入噪声。噪声抑制对提高图像质量，改善图像视觉效果有重要意义。数字图像中的噪声模型有多种，如加性高斯噪声、乘性噪声等，都是对实际噪声的简化和抽象。图像噪声抑制方法可以分为空间域处理和变换域处理两类：空间域处理方法直接根据图像像素间的变化特点滤波计算；变换域滤波方法先对图像做变换，如傅里叶变换、离散余弦变换、小波变换等，然后在变换后的各个频带上分别处理。空间域方法中，双边滤波及其扩展方法比较有影响。双边滤波可看作高斯平滑滤波的扩展，其基本思想是：滤波结果中的颜色值是原图中对应位置及邻域像素加权平均的结果，以当前像素为标准，坐标距离越大的权值越小，颜色距离越大的权值越小，邻域像素的权值取为坐标距离权值和颜色距离权值的乘积。

代表当前最高水平的方法大多是基于子图像块匹配的方法(这里的子图像块指：在图像中的一个小矩形区域内的像素组成的块)。这类方法的主要思想是：成像内容自身具有自相似性，而噪声信息相互间独立，因此对每个子图像块，在其邻近范围内搜索匹配，找到最相似的某些块，将这些相似的块关联在一起综合处理。基于子图像块匹配的方法相比单纯局部处理方法噪声抑制水平明显提高。但是现已公开的该类方法，有的针对特定的噪声模型、计算复杂度高且实现过程复杂，有的噪声抑制水平还有提高余地。

发明内容本发明公开一种新的技术方案，综合使用逐像素加权平滑和相似子图像块加权平滑，能在相对较低的计算复杂度下实现较好的噪声抑制，方法不需要指定噪声模型，尤其适合用于雷达和超声图像的斑点噪声抑制。

本发明的基本思路为：首先对原始图像进行双边滤波获得粗略平滑结果，粗略平滑结果中的噪声量相比原始图像低很多；将平滑结果图像划分为子图像块集合，相邻子图像块间有部分重叠；集合中的每个子图像块在平滑结果图像中其邻域范围内搜索匹配，取最相似的若干块；从原始图像中取对应位置的子图像块，综合加权获得对当前子图像块的估计；所有子图像块的估计结果按照对应位置加权聚合形成输出图像。其中，使用粗略平滑结果进行子图像块匹配是为了提高子图像块相似性判别的可靠性。原始图像中噪声强烈，相似性判别极不可靠，子图像块边长小时尤其明显。相邻子图像块间部分重叠且块的估计结果加权聚合是为了消除输出结果的块状效应。

实现本发明思路的技术方案流程如图1所示，其优点是：计算复杂度不高且适合并行加速，可在当前主流平台下通过GPU计算技术实现实时处理；不依赖特定噪声模型；易于实现；参数调整简单。具体描述如下：

A.对原始图像进行双边滤波，获得粗略平滑结果；

B.将平滑结果图像划分为子图像块集合，即：从图像左上角开始，向右每隔固定像素数取一个正方形子图像块，直至图像最右，然后向下每隔固定像素数以相同方式从左往右取子图像块，直至图像最下；相邻子图像块间部分重叠，即选取子图像块时的间隔像素数小于子图像块的边长；

C.在平滑结果图像内，集合中的每个子图像块(称为当前块)在其邻域范围内搜索匹配，找到最相似的若干子图像块(称为相似块)；

D.原图中与平滑结果图像内一一对应取子图像块，与当前块对应的子图像块称为原图当前块，与相似块对应的子图像块称为原图相似块；以原图当前块为基准，结合原图相似块综合加权平均，获得对当前块的估计结果；估计方法为，对原图当前块中的每个像素(称为当前像素)执行如下步骤，获得估计结果像素；

a)计算所有子图像块中的所有像素与当前像素的颜色的欧氏距离dc，用函数Gc(dc)映射为颜色权值Wc；

b)计算原图当前块内所有像素与当前像素的位置距离dd(到自身距离为0)，用函数Gd(dd)映射为位置权值Wd，各原图相似块中的像素权值取为与原图当前块中的对应位置处相等，即各块内对应位置处权值相等；

c)在平滑结果图像内相似块与当前块的相似性判别结果值ds(当前块与自身的相似性判别结果值为0)用函数Gs(ds)映射为块权值Ws；根据一一对应关系，原图当前块、原图相似块对应取块权值；

d)每个像素的权值为颜色权值、位置权值和所在块的块权值的乘积；像素总体加权平均后获得对当前像素的估计；

E.集合中所有图像块计算完成后，估算结果块中的像素按照在原图中的位置加权聚合形成输出结果图像；加权聚合方式如下：

a)生成和原图等大小的图像Iw，初始颜色值都为0；生成一个和原图等行列数的权值矩阵，初始值全为0；

b)在每个子图像块中的像素，与所在块中心的距离db用函数Gb(db)映射为权值Wb；每个颜色值与权值的乘积按像素位置累加到图像Iw中，同时将权值按位置累加到权值矩阵；

c)图像Iw的像素颜色值与权值矩阵元素一一对应相除，获得输出结果；

其中，使用的函数Gc(dc)，Gd(dd)，Gs(ds)，Gb(db)全部为高斯函数

只是参数σ不同；

步骤C中的邻域范围指图像中包含当前块、比当前块大的矩形范围；搜索匹配指在邻域范围内逐像素计算所在位置处对应的正方形块与当前块的相似程度；判断相似的方法是计算两子图像块间的对应位置处像素颜色值的欧氏距离的平方的均值，结果值越小越相似。

步骤D中，计算颜色权值Wc还可以使用另一种方法：每个子图像块中与当前像素对应位置处的像素称为块中当前像素，各子图像块中的所有像素与块中当前像素的颜色的欧氏距离dc，用函数Gc(dc)映射为颜色权值Wc，参加综合加权。

在输出结果图像上进行一次子图像块估计的迭代计算，可以去掉小瑕疵，进一步提高图像质量。迭代计算时不预先进行双边滤波，匹配和综合加权估算使用的图像块都取自输出结果图像，且综合加权时所有加权函数中的参数σ都减小以降低邻域像素和相似块中像素的权值，其它计算过程保持相同。

本发明方法中取子图像块集合、邻域搜索、综合加权的过程在图像的各个部分完全一致，因此通过图像分块等可以实现并行，块内的权值计算和结果估计等也是高度并行的，适合使用GPU计算技术加速。由于方案中充分考虑了像素临近关系、颜色相似性、子图像块间的相似性，能较大程度综合图像信息，比传统局部邻域类的方法更好地抑制噪声；方案中只使用了综合加权的方式，不依赖特定噪声模型，具有较好的适应性。

附图说明图1是总体技术方案流程示意图

图2是子图像块和相邻子图像块部分重叠示意图

图3是当前块与邻域示意图

具体实施方式现在结合附图，描述本发明的一种具体实施方式。

依据技术方案流程示意图图1和“发明内容”中的具体描述，本发明主要步骤为：逐像素处理获得初步平滑结果，在粗略平滑结果图像中取子图像块集合，每个子图像块在邻域内搜索匹配，并从原始图像中对应取子图像块，综合加权计算每个子图像块的估计结果，加权聚合为输出结果。作为可选的进一步优化，调整参数迭代计算一次子图像块估计，去掉小瑕疵。

第一步是使用双边滤波逐像素处理获得初步平滑结果。双边滤波方法是著名的图像平滑方法，可看做高斯平滑滤波的改进和扩展，能在平滑噪声时较好保留边缘信息。估计结果图像中的每个像素是原始图像中对应位置及其邻域的像素的加权平均，权值是颜色权值和空间距离权值的乘积，颜色相差越小则颜色权值越大，空间距离越小则空间距离权值越大，权值的映射函数使用高斯函数或类似高斯形状的函数。取权值映射函数为高斯函数时，双边滤波的一种典型表达是：

其中P，P_j，P_e表示原始图像中的当前像素的颜色值、当前像素邻域的像素颜色值和估计结果像素的颜色值；x，y，x_j，y_j表示当前像素的横坐标、纵坐标和邻域像素的横坐标纵坐标；σ_c，σ_d为可调节的参数，参数取值越大，则结果平滑越强烈。平滑结果图像和原图像宽高相等。

第二步是取子图像块集合。在粗略平滑结果图像中从左上角开始，向右每隔固定像素数取一个正方形子图像块，直至图像最右；然后向下每隔固定像素数以相同方式从左往右取子图像块，直至图像最下；相邻子图像块间部分重叠，即选取子图像块时的间隔像素数小于子图像块的边长。子图像块集合能够覆盖整个图像。附图2是子图像块和相邻子图像块部分重叠示意图，示意了子图像块集合在图像中的位置和块间相互间位置关系的一种情况。其中共有四块子图像块：左上角的块对应横坐标0到4、纵坐标0到4的块，右上角的块对应横坐标3到7、纵坐标0到4的块，左下角对应横坐标0到4、纵坐标3到7，右下角对应横坐标3到7、纵坐标3到7；四个子图像块都是边长为5的正方形，水平方向相邻块间重叠2个像素，垂直方向相邻块间重叠2个像素，中间的4个像素(即横坐标3到4且纵坐标3到4的像素)为这四个块公共的重叠部分。方案实施时，可以取块大小为7、9、11或更大，相邻块间重叠像素数可以为2、3或更大。当取到图像的右边界或下边界处，且剩余像素数不足一个块边长时，可以改为取小块或者增大相邻块间的重叠像素数，只要使子图像块集合覆盖整个图像即可。

第三步是每个子图像块在邻域范围内搜索匹配，找到若干最相似的子图像块。子图像块和邻域都是在粗略平滑结果图像上选取。子图像块和其邻域范围如附图3所示，邻域范围指图像中包含当前块、比当前块大的矩形范围。邻域大小根据子图像块大小经验设定，比如子图像块取边长9时，邻域范围可取为27行27列或更大。较好的邻域范围取法是：当前块在图像边界处时只要取包含当前块、比当前块大的矩形范围；当前块在中间部分时，使当前块的中心与邻域范围的中心重合，即当前块在邻域范围中居中。搜索匹配指在邻域范围内逐像素计算：每次取与当前块等大的子图像块，子图像块以该像素的坐标为左上角坐标；两子图像块中像素按坐标一一对应，即块的左上角点与左上角点对应，右下角点与右下角点对应，其它像素按位置排列对应；对应像素颜色值的欧氏距离的平方的均值表示相似性，即

其中带根号的表达式表示两个对应像素颜色值的欧氏距离，X，Y表示两个对应像素的颜色值，i表示颜色分量，根号外的求和表示对块内所有像素求和，N表示块的边长，结果值ds越小则越相似。对当前块与邻域中所有块的相似性计算结果排序，取最小的若干个。比如取9、11或更多个相似块。

第四步是综合加权计算每个子图像块的估计结果。在粗略平滑结果中，图像的某些细节信息可能已经被平滑掉，因此从原图中与平滑结果图像内按位置一一对应取子图像块，通过原图中的块间综合加权，实现噪声平滑并更好地保留图像细节。原图中与当前块对应的子图像块称为原图当前块，与相似块对应的子图像块称为原图相似块。以原图当前块为基准，结合原图相似块综合加权平均，获得对当前块的估计结果。估计方法为，对原图当前块中的每个像素(称为当前像素)执行如下步骤，获得估计结果像素。

a)计算所有子图像块中的所有像素与当前像素的颜色的欧氏距离dc，用函数Gc(dc)映射为颜色权值Wc。映射函数使用高斯函数，即对任意像素Y有，

其中X_i，Y_i分别表示当前像素和像素Y的第i个颜色分量。σ是可调节的参数，当图像为取值[0，1]内的灰度图时，建议取值范围为0.1～0.5，当图像为3分量24位真彩色图(如RGB彩色图像)时，建议取值范围为44～220，噪声越强则参数值越大。

b)计算原图当前块内所有像素与当前像素的位置距离dd(到自身距离为0)，用函数Gd(dd)映射为位置权值Wd，即对块内任意像素Y有，

其中X_x，Y_x，X_y，Y_y分别表示当前像素与块内任意像素Y的横坐标、纵坐标；σ是可调节的参数，建议取值范围为0.1～0.5；各原图相似块中的像素权值取为与原图当前块中的对应位置处相等，即各块内对应位置处的权值相等。

c)在平滑结果图像内相似块与当前块的相似性判别结果值ds(当前块与自身的相似性判别结果值为0，块的ds即第三步匹配计算中的相似性结果值)用函数Gs(ds)映射为块权值Ws，即对任意被选中的相似块，其相似性结果为ds，则块的权值为其中σ是可调节的参数，建议取值范围为0.1N²～0.5N²，其中N为块的边长。根据一一对应关系，原图当前块、原图相似块对应取得块权值。

每个像素的权值为颜色权值、位置权值和所在块的块权值的乘积；像素总体加权平均后获得对当前像素的估计，即当前像素的估计值其中

表示对当前块和相似块中的所有像素求和，Ws(P_j)表示P_j所在块的块权值。

以上计算过程中，颜色权值计算还可以使用另一种方式，其结果与前述方法的结果基本一致。具体做法是：每个子图像块中与当前像素对应位置处(即在块中所处的行号和列号相同)的像素称为块中当前像素；各子图像块中，所有像素与块中当前像素的颜色的欧氏距离记为dc，使用的映射函数和参数与前一方法中相同，计算出的颜色权值也记为Wc，参加综合加权平均。

获得当前块的每个像素的估计后，选择集合中的下一个子图像块为当前块继续计算，直至整个集合中的所有块都获得估计结果。

第五步是子图像块的像素加权聚合为输出结果图像。加权聚合方式如下：

a)生成和原图等大小的图像Iw(即等行列数和等颜色分量数)，初始颜色值都为0；生成一个和原图等行列数的权值矩阵，初始值全为0；作为块和块的权值的累加目标。

b)在每个子图像块中的像素，与所在块中心的距离db用函数Gb(db)映射为权值Wb，即

其中C_x，C_y表示块中心的横坐标、纵坐标，Y_x，Y_y表示块中任意像素的横坐标、纵坐标。每个颜色值与权值的乘积按像素位置累加到图像Iw中，同时将权值累加到权值矩阵。

c)图像Iw的像素颜色值与权值矩阵元素一一对应相除，获得输出结果。

在第一步到第四步中的子图像块估计中，相邻子图像块间部分重叠，可以通过加权综合提高估计结果的可靠性；因为越靠近块边界的像素带有的邻域信息越少，估计结果的可靠性低于靠近块中心的像素，所以累加时靠近块中心的像素应获得大的权值。结果图像中的每个像素的颜色值等于子图像块集合中所有块中对应该位置的像素的加权平均，像素在子图像块中越靠近块中心则权值越大。

作为可选步骤，为了去掉结果中的小瑕疵，进一步优化、改善图像质量，进行一次迭代计算。如附图1中输出结果之后的部分所示，整体步骤与前所述方法类似，只是迭代计算时不进行双边滤波，综合加权的映射函数中的参数都减小，且匹配和综合加权估算使用的图像块都取自输出结果图像。建议的颜色权值、位置权值、块权值映射函数中的参数σ减小规则是：全部变为原始参数的0.2倍。

Claims

1.一种图像平滑抑制噪声方法，综合使用逐像素加权平滑和相似子图像块加权平滑，不需要指定噪声模型，能在相对较低的计算复杂度下实现较好的噪声抑制，包括如下步骤：

A.对原始图像进行双边滤波，获得粗略平滑结果；

C.在平滑结果图像内，集合中的每个子图像块，称为当前块，在其邻域范围内搜索匹配，找到最相似的若干子图像块，称为相似块；

D.原图中与平滑结果图像内一一对应取子图像块，与当前块对应的子图像块称为原图当前块，与相似块对应的子图像块称为原图相似块；以原图当前块为基准，结合原图相似块综合加权平均，获得对当前块的估计结果；估计方法为，对原图当前块中的每个像素，称为当前像素，执行如下步骤，获得估计结果像素；

a)计算原图当前块和原图相似块中的所有像素与当前像素的颜色的欧氏距离dc，当前像素与自身颜色的欧氏距离为0，用函数Gc(dc)映射为颜色权值Wc；

b)计算原图当前块内所有像素与当前像素的位置距离dd，当前像素到自身距离为0，用函数Gd(dd)映射为位置权值Wd，各原图相似块中的像素权值取为与原图当前块中的对应位置处相等，即各块内对应位置处权值相等；

c)在平滑结果图像内相似块与当前块的相似性判别结果值ds，当前块与自身的相似性判别结果值为0，用函数Gs(ds)映射为块权值Ws；根据一一对应关系，原图当前块、原图相似块对应取块权值；

E.平滑结果图像内的子图像块集合中所有图像块计算完成后，估算结果块中的像素按照在原图中的位置加权聚合形成输出结果图像；加权聚合方式如下：

a)生成和原图等大小的图像Iw，初始像素值都为0；生成一个和原图等行列数的权值矩阵，初始值全为0；

b)在每个子图像块中的像素，与所在块中心的距离db用函数Gb(db)映射为权值Wb；每个像素值与权值的乘积按像素位置累加到图像Iw中，同时将权值按位置累加到权值矩阵；

其特征在于：

其中，使用的函数Gc(dc)，Gd(dd)，Gs(ds)，Gb(db)全部为高斯函数

只是参数σ不同；对Gc(dc)的σ，当图像为取值[0，1]内的灰度图时，取值在0.1～0.5内较好，当图像为3分量24位真彩色图，取值为44～220较好，噪声越强则参数值越大；对Gd(dd)的σ取值为0.1～0.5较好；对Gs(ds)的σ取值0.1N²～0.5N²较好，其中N为块的边长；

2.根据权利要求1中所述的方法，其特征在于：

在输出结果图像上进行一次迭代计算，去掉小瑕疵；迭代计算时不预先进行双边滤波，匹配和综合加权估算使用的图像块都取自输出结果图像，且综合加权时所有加权函数中的参数σ都变为原始参数的0.2倍，其它计算过程保持相同。