CN102509265A - 基于灰度值差和局部能量的数字图像去噪方法 - Google Patents
基于灰度值差和局部能量的数字图像去噪方法 Download PDFInfo
- Publication number
- CN102509265A CN102509265A CN2011103403797A CN201110340379A CN102509265A CN 102509265 A CN102509265 A CN 102509265A CN 2011103403797 A CN2011103403797 A CN 2011103403797A CN 201110340379 A CN201110340379 A CN 201110340379A CN 102509265 A CN102509265 A CN 102509265A
- Authority
- CN
- China
- Prior art keywords
- pixel
- noise
- noise spot
- local energy
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
Description
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+Δfc),其中 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xi,j的局部能量为:
E(xi,j)=max(E1(xi,j),E2(xi,j))
其中:
E1(xi,j)=|2*(xi,j-μ)2-(xi-1,j-μ)*(xi+1,j-μ)-(xi,j-1-μ)*(xi,j+1-μ)|
E2(xi,j)=|2*(xi,j-μ)2-(xi-1,j-1-μ)*(xi+1,j+1-μ)-(xi+1,j-1-μ)*(xi-1,j+1-μ)|
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(xi,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xi,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+Δfc),其中 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xi,j的局部能量为:
E(xi,j)=max(E1(xi,j),E2(xi,j))
其中:
E1(xi,j)=|2*(xi,j-μ)2-(xi-1,j-μ)*(xi+1,j-μ)-(xi,j-1-μ)*(xi,j+1-μ)|
E2(xi,j)=|2*(xi,j-μ)2-(xi-1,j-1-μ)*(xi+1,j+1-μ)-(xi+1,j-1-μ)*(xi-1,j+1-μ)|
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(xi,j)大于局部阈值T,则视为真正的噪声点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110340379.7A CN102509265B (zh) | 2011-11-02 | 2011-11-02 | 基于灰度值差和局部能量的数字图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110340379.7A CN102509265B (zh) | 2011-11-02 | 2011-11-02 | 基于灰度值差和局部能量的数字图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509265A true CN102509265A (zh) | 2012-06-20 |
CN102509265B CN102509265B (zh) | 2014-01-22 |
Family
ID=46221343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110340379.7A Expired - Fee Related CN102509265B (zh) | 2011-11-02 | 2011-11-02 | 基于灰度值差和局部能量的数字图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509265B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463813A (zh) * | 2015-01-07 | 2015-03-25 | 武汉大学 | 一种基于噪声识别的红外图像降噪方法 |
CN105225244A (zh) * | 2015-10-22 | 2016-01-06 | 天津大学 | 基于最小局部均方差计算的噪点检测方法 |
CN104021533B (zh) * | 2014-06-24 | 2017-03-01 | 浙江宇视科技有限公司 | 一种实时图像降噪方法及装置 |
CN107784677A (zh) * | 2017-10-20 | 2018-03-09 | 上海联影医疗科技有限公司 | X射线图像处理方法、装置、系统及存储介质 |
CN109859124A (zh) * | 2019-01-11 | 2019-06-07 | 深圳奥比中光科技有限公司 | 一种深度图像降噪方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101308573A (zh) * | 2008-06-30 | 2008-11-19 | 北京中星微电子有限公司 | 一种消除噪声的方法和装置 |
CN101344963A (zh) * | 2008-08-20 | 2009-01-14 | 回静 | 计算机图像处理的平滑滤波方法 |
CN101459766A (zh) * | 2007-12-10 | 2009-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与噪声抑制的方法及其装置 |
-
2011
- 2011-11-02 CN CN201110340379.7A patent/CN102509265B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459766A (zh) * | 2007-12-10 | 2009-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与噪声抑制的方法及其装置 |
CN101308573A (zh) * | 2008-06-30 | 2008-11-19 | 北京中星微电子有限公司 | 一种消除噪声的方法和装置 |
CN101344963A (zh) * | 2008-08-20 | 2009-01-14 | 回静 | 计算机图像处理的平滑滤波方法 |
Non-Patent Citations (4)
Title |
---|
CESARIO V. ANGELINO ET AL: "PATCH CONFIDENCE K-NEAREST NEIGHBORS DENOISING", 《IEEE ICIP 2010》 * |
郑钰辉 等: "总变差去噪方法中结合局部结构信息的自适应保真项", 《计算机辅助设计与图形学学报》 * |
陈初侠 等: "去除椒盐噪声的自适应开关加权均值滤波", 《计算机工程》 * |
韩殿元: "简单邻域平均图像去噪算法的改进研究", 《潍坊学院学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021533B (zh) * | 2014-06-24 | 2017-03-01 | 浙江宇视科技有限公司 | 一种实时图像降噪方法及装置 |
CN104463813A (zh) * | 2015-01-07 | 2015-03-25 | 武汉大学 | 一种基于噪声识别的红外图像降噪方法 |
CN104463813B (zh) * | 2015-01-07 | 2017-02-22 | 武汉大学 | 一种基于噪声识别的红外图像降噪方法 |
CN105225244A (zh) * | 2015-10-22 | 2016-01-06 | 天津大学 | 基于最小局部均方差计算的噪点检测方法 |
CN107784677A (zh) * | 2017-10-20 | 2018-03-09 | 上海联影医疗科技有限公司 | X射线图像处理方法、装置、系统及存储介质 |
CN109859124A (zh) * | 2019-01-11 | 2019-06-07 | 深圳奥比中光科技有限公司 | 一种深度图像降噪方法及装置 |
CN109859124B (zh) * | 2019-01-11 | 2020-12-18 | 深圳奥比中光科技有限公司 | 一种深度图像降噪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102509265B (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Automated pavement distress detection using advanced image processing techniques | |
US20220292645A1 (en) | Method for restoring video data of drainage pipe based on computer vision | |
CN105719259B (zh) | 路面裂缝图像检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN100550978C (zh) | 一种保持边缘的自适应图像滤波方法 | |
TWI393073B (zh) | 影像雜訊濾除方法 | |
CN105335947A (zh) | 图像去噪方法和图像去噪装置 | |
CN103337053B (zh) | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 | |
CN102682428B (zh) | 一种基于方向场的指纹图像计算机自动化修补方法 | |
CN102479383B (zh) | 椒盐噪声去除方法及装置 | |
CN102509265B (zh) | 基于灰度值差和局部能量的数字图像去噪方法 | |
CN111127498B (zh) | 一种基于边缘自生长的Canny边缘检测方法 | |
CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
CN112528868B (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN114663374A (zh) | 一种基于双边滤波和伽马变换的隧道墙体裂缝检测方法 | |
CN105225244A (zh) | 基于最小局部均方差计算的噪点检测方法 | |
CN101706959A (zh) | 基于二维信息熵金属板带表面缺陷提取方法 | |
CN103455985B (zh) | 基于Hessian结构分析的道路裂缝增强方法 | |
CN103761707A (zh) | 一种快速高效去除图像椒盐噪声的均值滤波方法 | |
CN103996177A (zh) | 一种无参考检测消除雪花噪声算法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
CN104517266A (zh) | 基于边缘检测算子的混合自适应图像去噪方法 | |
CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
KR101432227B1 (ko) | 전자기기에서 비트 해상도 증가 및 에지 강화 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140122 Termination date: 20151102 |
|
EXPY | Termination of patent right or utility model |