CN102509265A - 基于灰度值差和局部能量的数字图像去噪方法 - Google Patents

Abstract

一种基于灰度值差和局部能量的数字图像去噪方法。本发明在8个方向上对图像内部像素点进行方向性领域搜索，在每个方向上求出与其相邻像素点灰度值差的绝对值并与阈值

进行比较，当至少有6个大于阈值时，确定该像素点为候选噪声点；然后计算候选噪声点的局部能量和局部阈值并比较，若局部能量大于局部阈值，则视为真正的噪声点，最后去除噪声点，非噪声点和边界像素点不处理。本发明使用灰度值差和局部能量对噪声点进行精确定位，减少了非噪声点的误判。最后只对噪声点进行处理，图像其它区域不会受到影响，更好的保护了图像的细节，具有较好的滤波性能。

Description

基于灰度值差和局部能量的数字图像去噪方法

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于灰度值差和局部能量的数字图像去噪方法。

背景技术

由于图像获取、传输等过程中常常会产生噪声，数字图像的边缘，细节等特征被噪声淹没，造成图像质量下降，因此图像去噪技术作为图像处理的基本技术之一，受到广泛的重视。目前最常用的图像去噪工具是均值滤波器和中值滤波器，但这些滤波方法对所有的像素点采用统一的处理，因此在滤除噪声的同时也改变了非噪声点的像素的灰度值，破坏图像边缘及细节信息，造成图像模糊。实际上只需对噪声污染点进行处理，而对非噪声点不进行处理，这样不但可以有效的减少运算量，而且还避免了图像的模糊。所以有必要对噪声点像素进行检测定位，只对噪声点进行处理，从而能保护图像的边缘与细节。

发明内容

本发明目的是解决现有去噪方法对所有的像素点采用统一的处理，因此会改变非噪声点的像素灰度值进而造成图像模糊的问题，提供一种基于灰度值差和局部能量的数字图像去噪方法。

本发明提供的基于灰度值差和局部能量的数字图像去噪方法，包括以下步骤：

步骤1：在图像中依序选择一像素作为当前像素，其周围8个像素为该当前像素的领域像素；

步骤2：计算图像中所述当前像素与其相邻8个像素点之间灰度值差的绝对值Δf，

Δf₁＝|f(i，j)-f(i，j+1)|

Δf₂＝|f(i，j)-f(i-1，j+1)|

Δf₃＝|f(i，j)-f(i-1，j)|

Δf₄＝|f(i，j)-f(i-1，j-1)|

Δf₅＝|f(i，j)-f(i，j-1)|

Δf₆＝|f(i，j)-f(i+1，j-1)|

Δf₇＝|f(i，j)-f(i+1，j)|

Δf₈＝|f(i，j)-f(i+1，j+1)|；

其中Δf₁、Δf₂、Δf₃、Δf₄、Δf₅、Δf₆、Δf₇、Δf₈分别为像素点与其领域8个像素点的灰度值差的绝对值。

步骤3：根据图像自身的特点按如下公式选择一个阈值λ，

λ＝γ×(Δf+Δf_c)，其中 $\mathrm{\Δ}{f}_c=\frac{1}{8}\underset{i=1}{\overset{8}{\mathrm{\Σ}}}|\mathrm{\Δ}{f}_i-\stackrel{\‾}{\mathrm{\Δf}}|,$ $\stackrel{\‾}{\mathrm{\Δf}}=\frac{1}{8}\underset{i=1}{\overset{8}{\mathrm{\Σ}}}\mathrm{\Δ}{f}_i,$ γ是一个常数，对于高斯噪声γ为0.2，对于脉冲噪声γ为0.5；

步骤4：图像中边界点除外的某一像素点的相邻8个像素点中至少有6个点的灰度值差的绝对值大于阈值λ时，确定该像素点为候选噪声点；

步骤5：计算候选噪声点的局部能量和局部阈值，当局部能量大于局部阈值时确定为真正的噪声点；

定义候选噪声点x_i，j的局部能量为：

E(x_i，j)＝max(E₁(x_i，j)，E₂(x_i，j))

其中：

E₁(x_i，j)＝|2*(x_i，j-μ)²-(x_i-1，j-μ)*(x_i+1，j-μ)-(x_i，j-1-μ)*(x_i，j+1-μ)|

E₂(x_i，j)＝|2*(x_i，j-μ)²-(x_i-1，j-1-μ)*(x_i+1，j+1-μ)-(x_i+1，j-1-μ)*(x_i-1，j+1-μ)|

μ为噪声点的领域均值，Ω为噪声点3×3的领域。

定义局部阈值：

式中E_n表示8个邻近像素中第n个像素的局部能量。

将候选噪声点的的局部能量与局部阈值T进行比较，若局部能量E(x_i，j)大于局部阈值T，则视为真正的噪声点。

步骤6；将噪声点去除，非噪声点不处理；

噪声点x_i，j的领域ω×ω内像素分为噪声点集和非噪声点集，当非噪声点集个数时，去噪后像素值为领域内非噪声点的均值；当非噪声点集个数

时，领域窗口的尺寸ω在原有的ω＝3基础上加2个尺度，直到ω＝9；当ω＝9时，去噪后像素值为领域内非噪声点的均值。

步骤7：数字图像的边界像素保持不变。

本发明的理论依据：

图像在没有被噪声点污染的区域是光滑连续的，而噪声点像素的灰度值与其周围像素的灰度值有明显的差异。孤立噪声点的各个方向灰度变化都较大且领域灰度变化是各向同性的；图像边缘点其切线方向灰度变化缓慢，法线方向灰度变化较大；图像背景各个方向的灰度变化都很小。根据这个特性我们计算中心点8个方向的灰度值差的绝对值，如果中心点是噪声点，这个差值的绝对值大于阈值的个数应该达到6个或者更多，如果是图像边缘个数大约是4个，而如果是图像背景则个数大约是2个。最佳阈值的选择是至关重要的，阈值太小造成图像细节丢失，阈值太大噪声点去除效果不好。鉴于此，我们根据图像自身的信息来自适应确定阈值。噪声点的局部能量高，所以再引入候选噪声点局部能量的信息来作为确定真正噪声点的依据。最后，对噪声点进行处理，利用噪声点周围非噪声点的灰度值来修复噪声点。而非噪声点不受到任何影响。

本发明的优点和有益效果：

本发明使用灰度值差和局部能量对噪声点进行精确定位，不仅减少了非噪声点的误判，而且减少了运算量。最后只对噪声点进行处理，图像其它区域不会受到影响，更好的保护了图像的细节，具有较好的滤波性能。

附图说明

图1是本发明方法的实施例框图；

图2是当前像素点与其领域8个方向(1是水平方向，2是45°方向，3是90°方向，4是135°方向，5是180°方向，6是225°方向，7是270°方向，8是315°方向)的像素点；

图3是在含噪声图像中标注候选噪声点为1，其它为0；像素点(80，205)是候选噪声点用1表示，用黑色长方形框标出；像素点(7，32)不是候选噪声点用0表示，用黑色椭圆框标出；

图4是在含噪声图像中标注真正的噪声点为1，其它为0；像素点(80，205)是真正的噪声点用1表示，用黑色长方形框标出；

图5是去噪后图像的矩阵表示；噪声点(80，205)的去噪后的灰度值为：188，用黑色长方形框标出。

图6是不同算法去噪结果比较图，A原始图像，B含噪声图像，C中值滤波后的图像，D维纳滤波后的图像，E均值滤波后的图像，F本文方法处理的图像。

具体实施方式

实施例1

本发明提供的基于灰度值差和局部能量的数字图像去噪方法包括以下步骤：

将方差为0.01的高斯噪声加入原始图像(lena.bmp)。

1，计算含噪声图像中(7，32)和(80，205)两个像素点与其相邻8个像素点之间灰度值差的绝对值Δf。

像素点(7，32)与其相邻8个像素点之间灰度值差的绝对值Δf：水平方向、45°方向、90°方向、135°方向、180°方向、225°方向、270°方向、315°方向共8个方向(如图2所示)的值依次为12，48，86，1，6，12，6，57。

像素点(80，205)与其相邻8个像素点之间灰度值差的绝对值Δf：水平方向、45°方向、90°方向、135°方向、180°方向、225°方向、270°方向、315°方向共8个方向的值依次为47，54，3，50，35，4，10，91。

2，计算含噪声图像中(7，32)和(80，205)两个像素点的阈值λ。

像素点(7，32)的阈值λ：对应这一像素点8个方向的阈值依次为7.6750，14.8750，22.4750，5.4750，6.4750，7.6750，6.4750，16.6750。

像素点(80，205)的阈值λ：对应这一像素点8个方向的阈值依次为14.1500，15.5500，5.3500，14.7500，11.7500，5.5500，6.7500，22.9500。

3，判断像素点(7，32)和(80，205)是否为候选噪声点。

对于像素点(7，32)比较Δf和λ：12＞7.6750，48＞14.8750，86＞22.4750，1＜5.4750，6＜6.4750，12＞7.6750，6＜6.4750，57＞16.6750。Δf中有5个数值大于λ中的数值，所以不是候选噪声点。

对于像素点(80，205)比较Δf和λ：47＞14.1500，54＞15.5500，3＜5.3500，50＞14.7500，35＞11.7500，4＜5.5500，10＞6.7500，91＞22.9500。Δf中有6个数值大于λ中的数值，所以是候选噪声点。

通过以上的计算，整个图像的候选噪声点得以确定：在含噪声图像里标注候选噪声点为1，其它为0。

4，计算候选噪声点(80，205)的局部能量和局部阈值分别为：7049.8，3620.0。

可以看出候选噪声点(80，205)的局部能量大于局部阈值，所以(80，205)像素点为真正的噪声点。

通过以上的计算，整个图像的真正噪声点得以确定：在含噪声图像里标注真正的噪声点为1，其它为0。

5，噪声点(80，205)的去噪后的灰度值为：188。

通过以上的计算，整个图像的噪声点得以去噪。

6，不同算法去噪结果比较图，见图6。

7，几种方法的去噪效果(PSNR)比较

表1

算法	PSNR
		中值滤波	25.8763
维纳滤波	26.7470
		均值滤波	26.0742
本文方法	27.6705

Claims (5)

1.基于灰度值差和局部能量的数字图像去噪方法，其特征在于该方法包括以下步骤：

步骤1：在图像中依序选择一像素作为当前像素，其周围8个像素为该当前像素的领域像素；

步骤2：计算图像中所述当前像素点与其相邻8个像素点之间灰度值差的绝对值Δf；

步骤3：根据图像自身的特点选择一个阈值λ；

步骤4：图像中边界点除外的某一像素点的相邻8个像素点中至少有6个点的灰度值差的绝对值大于阈值λ时，确定该像素点为候选噪声点；

步骤5：计算候选噪声点的局部能量和局部阈值，当局部能量大于局部阈值时确定为真正的噪声点；

步骤6：将噪声点去除，非噪声点不处理；

步骤7：数字图像的边界像素保持不变。

2.根据权利要求1所述的方法，其特征在于，步骤2所述的当前像素点与其相邻8个像素点之间灰度值差的绝对值Δf的具体计算方法如下：

Δf₁＝|f(i，j)-f(i，j+1)|

Δf₂＝|f(i，j)-f(i-1，j+1)|

Δf₃＝|f(i，j)-f(i-1，j)|

Δf₄＝|f(i，j)-f(i-1，j-1)|

Δf₅＝|f(i，j)-f(i，j-1)|

Δf₆＝|f(i，j)-f(i+1，j-1)|

Δf₇＝|f(i，j)-f(i+1，j)|

Δf₈＝|f(i，j)-f(i+1，j+1)|

其中Δf₁、Δf₂、Δf₃、Δf₄、Δf₅、Δf₆、Δf₇、Δf₈分别为像素点与其领域8个像素点的灰度值差的绝对值。

3.根据权利要求1所述的方法，其特征在于，步骤3所述的阈值λ的确定方法为：λ＝γ×(Δf+Δf_c)，其中 $\mathrm{\Δ}{f}_c=\frac{1}{8}\underset{i=1}{\overset{8}{\mathrm{\Σ}}}|\mathrm{\Δ}{f}_i-\stackrel{\‾}{\mathrm{\Δf}}|,\stackrel{\‾}{\mathrm{\Δf}}=\frac{1}{8}\underset{i=1}{\overset{8}{\mathrm{\Σ}}}\mathrm{\Δ}{f}_i,$ γ是一个常数，对于高斯噪

声γ为0.2，对于脉冲噪声γ为0.5。

4.根据权利要求1所述的方法，其特征在于，步骤5所述的真正的噪声点按照下列方法确定：

①计算候选噪声点的局部能量

定义候选噪声点x_i，j的局部能量为：

E(x_i，j)＝max(E₁(x_i，j)，E₂(x_i，j))

其中：

E₁(x_i，j)＝|2*(x_i，j-μ)²-(x_i-1，j-μ)*(x_i+1，j-μ)-(x_i，j-1-μ)*(x_i，j+1-μ)|

E₂(x_i，j)＝|2*(x_i，j-μ)²-(x_i-1，j-1-μ)*(x_i+1，j+1-μ)-(x_i+1，j-1-μ)*(x_i-1，j+1-μ)|

μ为噪声点的领域均值，Ω为噪声点3×3的领域；

②定义局部阈值：

式中E_n表示8个邻近像素中第n个像素的局部能量；

③将候选噪声点的局部能量与局部阈值T进行比较，若局部能量E(x_i，j)大于局部阈值T，则视为真正的噪声点。

5.根据权利要求1所述的方法，其特征在于，步骤6中噪声点的去除方法是：

噪声点x_i，j的领域ω×ω内像素分为噪声点集和非噪声点集，当非噪声点集个数

时，去噪后像素值为领域内非噪声点的均值；当非噪声点集个数

时，领域窗口的尺寸ω在原有的ω＝3基础上加2个尺度，直到ω＝9；当ω＝9时，去噪后像素值为领域内非噪声点的均值。

Images