CN102479383B - 椒盐噪声去除方法及装置 - Google Patents

Abstract

本发明公开了一种椒盐噪声去除方法，包括：对输入噪声图像进行中值滤波；将中值滤波结果与输入噪声图像进行差分，基于差分结果确定噪声候选点；对中值滤波结果进行边缘检测，得到边缘细节点；排除噪声候选点中差分绝对值小于第一阈值的边缘细节点，得到真实噪声点；对真实噪声点进行局部中值滤波，形成去除了椒盐噪声的去噪图像。相应地，本发明还提供一种椒盐噪声去除装置，包括：噪声候选点获取模块，边缘细节点获取模块，真实噪声点获取模块和局部中值滤波模块。

Description

椒盐噪声去除方法及装置

技术领域

本发明涉及图像处理技术，尤其涉及一种椒盐噪声去除方法及装置。

背景技术

近年来，数字光电成像设备已经广泛地应用于数字摄影、安防监控、资源普查等领域中。绝大部分数字光电成像设备都是基于Charge Coupled Device(CCD)或者Complementary Metal Oxide Semiconductor(CMOS)图像传感器的。在基于CCD或者CMOS图像传感器的成像过程中，受光学噪声、电阻和电容等元器件噪声、传感器噪声、电路噪声、热噪声和读出噪声等影响，图像的质量会不可避免的受到影响，例如产生椒盐噪声。所谓的椒盐噪声在获取的图像上通常表现为独立的亮或者暗的孤立噪声点。各种形式的噪声的影响使得后期的处理如图像分割、特征提取和目标识别等变得困难，因此，对噪声图像进行滤波成为一项非常重要的工作。

对于椒盐噪声的去除，比较常见的有效的方法是中值滤波。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是将数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。专利号为200610087957.X的中国发明专利公开了一种中值滤波方法。该中值滤波方法将多个像素数据制作成包括有中心像素以及与该中心像素相邻的多个周围像素的固定单位区域块。单位区域块中的像素数据被划分成比单位区域更小的多个子单位区域。针对各个子单位区域，按照固定顺序对所划分的像素数据的数据值进行排列。根据各个子单位区域中的被排列的像素数据来确定中间值。计算从各个子单位区域提取的中间值的平均值，并且利用该平均值，与单位区域的中心像素相对应地确定中心像素数据。

专利号为200610043000.5的中国发明专利公开了一种保持边缘的自适应图像滤波方法。该滤波方法首先使用极值法检测噪声图像中被椒盐噪声所污染的像素，然后使用自适应滤波方法修正噪声像素的灰度值，得到去除椒盐噪声的图像；接着对该图像进行平稳小波分解，得到相应的低频分量和高频分量；保持低频分量不变，对高频分量使用系数相关法将其像素标记为噪声或者边缘，如果某一像素被标记为边缘，则保持其值不变，否则采用自适应邻域法收缩小波系数；最后对经过处理的小波系数进行平稳小波反变换得到去噪图像。

现有技术中，专利号为200610087957.X的中国发明专利公开的中值滤波是对所有像素的全局化滤波，去除椒盐噪声的同时易造成边缘细节的损失，导致经中值滤波后的图像质量下降。而边缘是图像最基本也是最重要的特征之一，在图像中表现为局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，即从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。边缘作为所要提取目标和背景的分界线能大大减少所要处理的信息但是又保留图像物体中的形状信息。

而专利号为200610043000.5的中国发明专利公开的保持边缘的自适应图像滤波方法直接将局部极值作为噪声点，此种操作可能将边缘细节点误判为噪声；在椒盐噪声去除方面，需要统计局部窗口中的噪声点个数，并在没有噪声点时扩大窗口直至包含噪声点再进行中值滤波，甚至在5×5滤波窗口仍未找到噪声点时就用4个邻近像素滤波后的均值代替，此种处理在增加操作冗余量的同时，也降低了部分像素的灰度值精度。

发明内容

本发明要解决的技术问题在于，提供一种基于局部滤波的椒盐噪声的去除方法及装置，能在去除椒盐噪声的同时保持边缘细节的完整性，提高图像处理的质量。

本发明提供一种椒盐噪声去除方法，包括：

对噪声图像进行中值滤波；

将中值滤波结果与噪声图像进行差分，基于差分结果确定噪声候选点；

对中值滤波结果进行边缘检测，得到边缘细节点；

排除噪声候选点中差分绝对值小于第一阈值的边缘细节点，得到真实噪声点；

对真实噪声点进行局部中值滤波，形成去除椒盐噪声的去噪图像。

可选的，所述基于差分结果确定噪声候选点是将差分绝对值大于第二阈值的点确定为噪声候选点。

可选的，所述第二阈值为8至12，优选的为10。

可选的，所述边缘检测采用SOBEL方法、PREWITT方法、ROBERTS方法、CANNY方法、LOG方法等。

可选的，对中值滤波的结果进行边缘检测以及图像膨胀，得到边缘细节点。

可选的，所述图像膨胀采用4邻域图像膨胀。

可选的，第一阈值为40至60，优选的为50。

本发明提供一种椒盐噪声去除装置，包括：

噪声候选点获取模块，用于对噪声图像进行中值滤波，将经过中值滤波后得到的图像与噪声图像进行差分，基于差分结果确定噪声候选点；

边缘细节点获取模块，用于对中值滤波后的图像进行边缘检测，得到边缘细节点；

真实噪声点获取模块，用于排除差分绝对值小于第一阈值的边缘细节点，得到真实噪声点；以及

局部中值滤波模块，用于对真实噪声点进行局部中值滤波，形成去除了椒盐噪声的去噪图像。

可选的，所述噪声候选点获取模块将差分绝对值大于第二阈值的点确定为噪声候选点。

可选的，所述边缘细节点获取模块对经过边缘检测的图像进行图像膨胀，得到边缘细节点。

可选的，所述图像膨胀采用4邻域图像膨胀。

相对于现有技术，本发明的有益效果在于，通过将原图与中值滤波图像进行差分得到噪声候选点，并对原噪声图像进行边缘检测和图像膨胀得到边缘细节点，在噪声候选点中排除差分绝对值小于第一阈值的边缘细节点，可以降低将边缘细节点误判为噪声点的可能性，从而保证后续的滤波过程中不会损失边缘细节；另外，本发明直接针对去除边缘细节点的真实噪声点进行滤波，简单易行，不会增加图像滤波的处理难度，也不会影响非噪声像素的灰度值精度。

附图说明

图1是本发明一个实施例中，椒盐噪声去除方法的流程图；

图2是采用TenenGrad方法，对采用传统的中值滤波和采用本发明的滤波方法去除椒盐噪声后的图像进行评价后的清晰度值的对比图；

图3是本发明一个实施例中，椒盐噪声去除装置的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本领域的技术人员可以理解，本发明还可以采用其他不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。

图1是本发明一个实施例中，椒盐噪声去除方法的流程图，包括：

步骤S10：对噪声图像进行中值滤波；

步骤S20：将中值滤波结果与噪声图像进行差分，基于差分结果确定噪声候选点；

步骤S30，对中值滤波结果进行边缘检测，得到边缘细节点；

步骤S40：排除噪声候选点中差分绝对值小于第一阈值的边缘细节点，得到真实噪声点；

步骤S50：对真实噪声点进行局部中值滤波，形成去除椒盐噪声的去噪图像。

所述步骤S10中的中值滤波是一种基于排序统计理论的能有效抑制噪声的非线性信号处理技术，是一种常用的图像滤波方法。中值滤波的基本原理是把数字图像或者数字序列中一点的值用该点的一个邻域中各点值的中值代替，从而消除孤立的噪声点。实现方法为取以待处理像素为中心的一个邻域窗口(3×3或5×5等)，然后对该邻域中的所有像素按灰度值进行排序，最后以排序后的中间值作为该点的输出。

所述步骤S20中的将中值滤波结果与输入噪声图像进行差分是指将中值滤波结果图像与输入噪声图像对应像素的灰度值直接相减。

可选的，所述步骤S20中的基于差分结果确定噪声候选点是将差分绝对值大于第二阈值的点确定为噪声候选点。

可选的，所述步骤S30对中值滤波的结果进行边缘检测以及图像膨胀，得到边缘细节点；所述图像膨胀采用4邻域图像膨胀。

图像的边缘部分集中了图像的大部分信息，图像边缘的确定与提取对于图像场景的识别与理解是非常重要的，同时也是图像分割所依赖的重要特征，边缘检测主要是图像的灰度变化的度量、检测和定位，是数字图像处理中的最重要的内容之一。可选的，所述步骤S30中边缘检测可采用SOBEL方法、PREWITT方法、ROBERTS方法、CANNY方法、LOG方法等，优选的采用CANNY方法。SOBEL方法、PREWITT方法、ROBERTS方法、LOG方法等均是常用的边缘检测方法，此不赘述。其中，CANNY方法主要包括下属步骤：用高斯滤波器平滑图像；用一阶偏导的有限差分来计算梯度的幅值和方向；用梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。CANNY方法用双阈值法来检测强边缘和弱边缘，当弱边缘和强边缘连接成轮廓边缘才输出，可以在确保检测出强边缘的同时，也能够较好的对弱边缘进行跟踪，并且边缘定位比较精确，检测性能相对比较优良。

图像膨胀是形态学处理的一种运算操作。对于二值图像，膨胀是指，用结构元素在图像上移动，当结构元素中至少有一个与图像中值为“1”的像素点有重叠时，就将此时结构元素中心对应的图像像素点赋“1”值，膨胀的结果是满足此条件的结构元素中心点划过的区域的内部。可选的，所述步骤S30中的图像膨胀采用4邻域图像膨胀。

可选的，所述步骤S40中的第一阈值为40至60，优选的为50。

可选的，所述第二阈值为8至12，优选的为10。

图2是对采用传统的中值滤波和采用本发明的滤波方法去除椒盐噪声后的图像进行评价后的清晰度值的对比图，所述清晰度值采用TenenGrad函数计算得到。TenenGrad函数是一种常用的图像清晰度的评价函数。如图2所示，对于3×3滤波模板，采用传统中值滤波的清晰度值为0.3089，而采用本发明滤波方法的清晰度值为0.3480，采用本发明滤波方法的图像清晰度值比采用传统中值滤波方法的图像清晰度值高12.66％；对于5×5滤波模板，采用传统中值滤波的清晰度值为0.2565，而采用本发明滤波方法的清晰度值为0.3086，采用本发明滤波方法的图像清晰度值比采用传统中值滤波方法的图像清晰度值高20.31％。由此可见，不管是对3×3滤波模块还是5×5滤波模块，本发明揭示的椒盐噪声去除方法，均能显著提高图像处理的清晰度值，改善了图像处理的质量。

进一步地，本发明也可用于对7×7、9×9等滤波模块进行图像处理，这里不再赘述。

图3是本发明一个实施例中，椒盐噪声去除装置的示意图，包括：噪声候选点获取模块1、边缘细节点获取模块2、真实噪声点获取模块3和局部中值滤波模块4。

其中，所述噪声候选点获取模块1对输入的含椒盐噪声的噪声图像101进行中值滤波，将经过中值滤波后得到的图像与原输入的噪声图像101进行差分，基于差分结果确定噪声候选点。

所述边缘细节点获取模块2对中值滤波后的图像进行边缘检测，得到边缘细节点。

所述噪声点保留模块3排除差分绝对值小于第一阈值的边缘细节点，得到真实噪声点。

所述局部中值滤波模块4对真实噪声点进行局部中值滤波，形成去除椒盐噪声的去噪图像102。

可选的，所述噪声候选点获取模块1将差分绝对值大于第二阈值的点确定为噪声候选点。

可选的，所述边缘细节点获取模块2对经过边缘检测的图像进行图像膨胀，得到边缘细节点。

可选的，所述图像膨胀采用4邻域图像膨胀。

可选的，所述第一阈值为40至60，优选的为50。

可选的，所述第二阈值为8至12，优选的为10。

综上所述，本发明通过将原图与中值滤波图像进行差分得到噪声候选点，并对原噪声图像进行边缘检测和图像膨胀得到边缘细节点，在噪声候选点中排除差分绝对值小于第一阈值的边缘细节点，可以降低将边缘细节点误判为噪声点的可能性，从而保证后续的滤波过程中不会损失边缘细节；另外，本发明直接针对去除边缘细节点的真实噪声点进行滤波，简单易行，不会增加图像滤波的处理难度，也不会影响非噪声像素的灰度值精度。

虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围。

Claims (11)

1.一种椒盐噪声去除方法，其特征在于，包括：

对噪声图像进行中值滤波；

将中值滤波后的图像与噪声图像进行差分，将差分绝对值大于第二阈值的点确定为噪声候选点；

对中值滤波后的图像进行边缘检测，得到噪声图像的边缘细节点；

排除噪声候选点中差分绝对值小于第一阈值的边缘细节点，得到噪声图像的真实噪声点；

对噪声图像的真实噪声点进行局部中值滤波，形成去除椒盐噪声的去噪图像。

2.如权利要求1所述的椒盐噪声去除方法，其特征在于，所述第二阈值为8至12。

3.如权利要求2所述的椒盐噪声去除方法，其特征在于，所述第二阈值为10。

4.如权利要求1所述的椒盐噪声去除方法，其特征在于，所述边缘检测采用

SOBEL方法、PREWITT方法、ROBERTS方法、CANNY方法或LOG方法。

5.如权利要求1所述的椒盐噪声去除方法，其特征在于，对中值滤波后的图像进行边缘检测以及图像膨胀，得到边缘细节点。

6.如权利要求5所述的椒盐噪声去除方法，其特征在于，所述图像膨胀采用4邻域图像膨胀。

7.如权利要求1所述的椒盐噪声去除方法，其特征在于，所述第一阈值为40至60。

8.如权利要求7所述的椒盐噪声去除方法，其特征在于，所述第一阈值为50。

9.一种椒盐噪声去除装置，其特征在于，包括：

噪声候选点获取模块，用于对噪声图像进行中值滤波，将经过中值滤波后得到的图像与噪声图像进行差分，将差分绝对值大于第二阈值的点确定为噪声候选点；

边缘细节点获取模块，用于对中值滤波后的图像进行边缘检测，得到噪声图像的边缘细节点；

真实噪声点获取模块，用于排除噪声候选点中差分绝对值小于第一阈值的边缘细节点，得到噪声图像的真实噪声点；

局部中值滤波模块，用于对噪声图像的真实噪声点进行局部中值滤波，形成去除了椒盐噪声的去噪图像。

10.如权利要求9所述的椒盐噪声去除装置，其特征在于，所述边缘细节点获取模块对经过边缘检测的图像进行图像膨胀，得到边缘细节点。

11.如权利要求10所述的椒盐噪声去除装置，其特征在于，所述图像膨胀采用4邻域图像膨胀。

Images