CN102572201A - 一种图像网纹去除方法及系统 - Google Patents
一种图像网纹去除方法及系统 Download PDFInfo
- Publication number
- CN102572201A CN102572201A CN2010106241893A CN201010624189A CN102572201A CN 102572201 A CN102572201 A CN 102572201A CN 2010106241893 A CN2010106241893 A CN 2010106241893A CN 201010624189 A CN201010624189 A CN 201010624189A CN 102572201 A CN102572201 A CN 102572201A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- msub
- term
- msup
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011084 recovery Methods 0.000 abstract 1
- 238000007774 anilox coating Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
本发明涉及一种图像网纹去除方法及系统,属于图像复原技术领域。本发明首先计算图像T中各个像素点的可信度f,所述图像T为待去除网纹的图像;然后对图像T建立去网纹模型TF(u),求解使TF(u)取最小值时的解u,所述u为去除网纹后图像像素点的颜色值。本发明通过结合待去除网纹图像可信度度量使相对权重自适应变化,从而达到更好地去除图像网纹的效果。
Description
技术领域
本发明属于图像复原技术领域,具体涉及一种图像网纹去除方法及系统。
背景技术
数字图像作为一种重要的信息载体,在生产、生活中应用广泛。在数字图像的形成、传输、压缩存储等过程中,会造成各种各样的图像降晰。图像复原是指从降晰的图像数据恢复原有图像内容的过程,例如,从噪声污染的图像中去除噪声,图像中的网纹便是噪声中的一种。
在多种图像复原的方法中,Rudin等人提出的基于最小总变分约束的去噪方法,由于能够更好地保持图像细节,得到很多的关注和应用。但传统的基于最小变分约束的图像复原(包括去噪),数据保真项和总变分约束项之间的相对权重是固定的,不能自适应的根据图像数据调整,造成不能充分的利用图像信息,因而复原效果往往不理想。
发明内容
针对现有技术中存在的缺陷,本发明所要解决的技术问题是提供一种效果好的图像网纹去除方法及系统。
为解决上述技术问题,本发明采用的技术方案如下:
一种图像网纹去除方法,包括以下步骤:
(1)计算图像T中各个像素点的可信度f(x,y),所述图像T为待去除网纹的图像;
(2)对图像T建立如下去网纹模型TF(u),求解使TF(u)取最小值时的解u,所述u为去除网纹后图像像素点的颜色值;
其中,第一项为数据保真项,第二项为总变分约束项,λ是用来调节数据保真项和总变分约束项的相对权重的常数,F表示用可信度向量的元素作为对角元素的对角矩阵,||x||p表示向量x的Lp范数,Dxu和Dyu分别表示图像u在x方向和y方向的差分。
如上所述的图像网纹去除方法,步骤(1)中所述像素点的可信度的计算方法如下:
对图像T进行高斯滤波,获得高斯滤波后的图像T′;
将图像T与图像T′相对应位置上的像素点颜色值相减,获得差异图像T″;
将差异图像T″中像素点颜色差值归一化至[0,1]区间内,得到图像T中像素点的可信度。
一种图像网纹去除系统,包括用于计算图像T中各个像素点的可信度f(x,y)的可信度计算装置,所述图像T为待去除网纹的图像;
用于对图像T建立如下去网纹模型TF(u),求解使TF(u)取最小值时的解u的网纹去除装置,所述u为去除网纹后图像像素点的颜色值;
其中,第一项为数据保真项,第二项为总变分约束项,λ是用来调节数据保真项和总变分约束项的相对权重的常数,F表示用可信度向量的元素作为对角元素的对角矩阵,||x||p表示向量x的Lp范数,Dxu和Dyu分别表示图像u在x方向和y方向的差分。
如上所述的图像网纹去除系统,其中,可信度计算装置包括用于对图像T进行高斯滤波,获得高斯滤波后的图像T′的高斯滤波单元;
用于将图像T与图像T′相对应位置上的像素点颜色值相减,获得差异图像T″的差异图像获取单元;
用于将差异图像T″中像素点颜色差值归一化至[0,1]区间内,得到图像T中像素点可信度的归一化单元。
本发明所述方法及系统,通过结合待去除网纹图像的可信度度量使得相对权重能够自适应变化,从而达到更好地去除图像网纹的效果。
附图说明
图1是具体实施方式中图像网纹去除系统的结构框图;
图2是具体实施方式中图像网纹去除方法的流程图;
图3是具体实施方式中像素点可信度的计算方法流程图。
具体实施方式
本发明是对基于最小总变分约束的去噪方法的改进。图像的观测模型可以表示为如下方程s=Ku+n,其中s表示观测图像,u表示原始图像,n表示噪声图像,K表示图像降晰算子,s、u和n是用一维向量形式表示的二维图像。图像复原是从观测图像s得到原始图像u的过程。由于上述方程的求解是个病态问题,需要对解施加某种约束条件,求其规整化解。总变分最小约束容许问题的解有不连续点,因此能更好的保持图像细节。最小总变分约束的去噪方法可参见文献:Rudin L,Osher S.Nonlinear total variation based noiseremoval algorithms.Physica D:Nonlinear Phenomena.1992;60:259-268。
一般的基于总变分最小约束的图像复原问题可以表示为如下方程的最小化问题:
其中,第一项为数据保真项(即公式中加号左边的项),第二项为总变分约束项(即公式中加号右边的项),λ是用来调节数据保真项和总变分约束项的相对权重的常数,该相对权重对整幅图像是固定的,不能充分利用图像信息,因而复原效果往往不理想。本发明便是结合待去除网纹图像的可信度度量使相对权重自适应变化,从而达到更好的去除图像网纹的效果。下面结合具体实施方式和附图对本发明进行详细描述。
如图1所示,本实施方式中图像网纹去除系统包括可信度计算装置11和网纹去除装置12。其中,可信度计算装置11包括高斯滤波单元111、差异图像获取单元112和归一化单元113。
可信度计算装置11用于计算图像T中各个像素点的可信度f,所述图像T为待去除网纹的图像。其中,高斯滤波单元111用于对图像T进行高斯滤波,获得高斯滤波后的图像T′;差异图像获取单元112用于将图像T与图像T′相对应位置上的像素点的颜色值相减,获得差异图像T″;归一化单元113用于将差异图像T″中像素点颜色差值归一化至[0,1]区间内,得到图像T中像素点的可信度,归一化后的值越大可信度越高。
网纹去除装置12用于对图像T建立如下去网纹模型TF(u),求解使TF(u)取最小值时的解u,所述u便是去除网纹后图像像素点的颜色值。
其中,第一项为数据保真项,第二项为总变分约束项,λ是用来调节数据保真项和总变分约束项的相对权重的常数,F表示用可信度向量的元素作为对角元素的对角矩阵。可信度向量是指以图像T中每个像素点的可信度为元素的向量,如按照从左到右、从上到下的顺序记录图像T中像素点可信度的向量。
||x||p表示向量x的Lp范数,p一般取1或2,分别表示向量x的L1或L2范数,可以根据图像网纹的特点选择使用L1范数还是L2范数。
Dxu和Dyu分别表示图像u在x方向和y方向的差分。
如图2所示,采用图1所示系统去除图像网纹的方法包括以下步骤:
(1)可信度计算装置11计算图像T中各个像素点的可信度f,所述图像T为待去除网纹的图像。
本实施方式中,计算图像T中各个像素点的可信度f的具体方法如图3所示,包括以下步骤:
①高斯滤波单元111对图像T进行高斯滤波,获得高斯滤波后的图像T′;
②差异图像获取单元112将图像T与图像T′相对应位置上的像素点颜色值相减,获得差异图像T″;
③归一化单元113将差异图像T″中像素点颜色差值归一化至[0,1]区间内,用归一化后的像素点颜色差值表示图像T中相应像素点的可信度f。
(2)对图像T建立如下去网纹模型TF(u),求解使TF(u)取最小值时的解u,所述u为去除网纹后图像像素点的颜色值。
根据TF(u)计算u值的具体过程简要说明如下:
上述泛函数的最小化解可以通过一种迭代方法得到:首先将上述数据保真项和总变分约束项分别表示为加权的L2范数,然后迭代地求解加权的L2范数的最小化问题,即可得到原范数的最小化解。
具体地,以数据项为例,用加权的L2范数表示为:
其中,
上式中diag(x)表示W为用向量x的元素作为对角元素的对角矩阵,即加权矩阵;∈为接近于0的常数,函数g是为了在p<2时避免出现无穷大的权重。
将原范数表示为加权的L2范数后,即可用下述的迭代过程求解原范数的最小化解:
计算初始化解u0后,迭代:
①用k-1次迭代的解uk-1更新加权矩阵;
②求解加权的L2范数最小化问题,得到k次迭代的解uk;
其中:初始化解可以令加权矩阵为单位矩阵,求解加权的L2范数的最小化问题的解。
上述迭代方法可参见文献:Wohlberg B,Rodriguez P.An IterativelyReweighted Norm Algorithm for Minimization of Total Variation Functionals.IEEE Signal Processing Letters.2007;14(12):948-951,此处不再展开说明。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种图像网纹去除方法,包括以下步骤:
(1)计算图像T中各个像素点的可信度f,所述图像T为待去除网纹的图像;
(2)对图像T建立如下去网纹模型TF(u),求解使TF(u)取最小值时的解u,所述u为去除网纹后图像像素点的颜色值;
其中,第一项为数据保真项,第二项为总变分约束项,λ是用来调节数据保真项和总变分约束项的相对权重的常数,F表示用可信度向量的元素作为对角元素的对角矩阵,||x||p表示向量x的Lp范数,Dxu和Dyu分别表示图像u在x方向和y方向的差分。
2.根据权利要求1所述的图像网纹去除方法,其特征在于,步骤(1)中所述像素点的可信度f的计算方法如下:
对图像T进行高斯滤波,获得高斯滤波后的图像T′;
将图像T与图像T′相对应位置上的像素点颜色值相减,获得差异图像T″;
将差异图像T″中像素点颜色差值归一化至[0,1]区间内,得到图像T中像素点的可信度f。
3.一种图像网纹去除系统,包括用于计算图像T中各个像素点的可信度f(x,y)的可信度计算装置(11),所述图像T为待去除网纹的图像;
用于对图像T建立如下去网纹模型TF(u),求解使TF(u)取最小值时的解u的网纹去除装置(12),所述u为去除网纹后图像像素点的颜色值;
其中,第一项为数据保真项,第二项为总变分约束项,λ是用来调节数据保真项和总变分约束项的相对权重的常数,F表示用可信度向量的元素作为对角元素的对角矩阵,||x||p表示向量x的Lp范数,Dxu和Dyu分别表示图像u在x方向和y方向的差分。
4.根据权利要求3所述的图像网纹去除系统,其特征在于,所述可信度计算装置(11)包括用于对图像T进行高斯滤波,获得高斯滤波后的图像T′的高斯滤波单元(111);
用于将图像T与图像T′相对应位置上的像素点颜色值相减,获得差异图像T″的差异图像获取单元(112);
用于将差异图像T″中像素点颜色差值归一化至[0,1]区间内,得到图像T中像素点可信度的归一化单元(113)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010624189.3A CN102572201B (zh) | 2010-12-31 | 2010-12-31 | 一种图像网纹去除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010624189.3A CN102572201B (zh) | 2010-12-31 | 2010-12-31 | 一种图像网纹去除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102572201A true CN102572201A (zh) | 2012-07-11 |
CN102572201B CN102572201B (zh) | 2015-01-28 |
Family
ID=46416599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010624189.3A Active CN102572201B (zh) | 2010-12-31 | 2010-12-31 | 一种图像网纹去除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102572201B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103561194A (zh) * | 2013-09-16 | 2014-02-05 | 湖南大学 | 一种基于自适应滤波的扫描图像去网纹方法 |
WO2017181923A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法、装置及计算机存储介质 |
CN108121978A (zh) * | 2018-01-10 | 2018-06-05 | 马上消费金融股份有限公司 | 一种人脸图像处理方法、系统及设备和存储介质 |
CN109035171A (zh) * | 2018-08-01 | 2018-12-18 | 中国计量大学 | 一种网纹人脸图像修复方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5325136A (en) * | 1988-12-12 | 1994-06-28 | Prio Corporation | Computer display screen simulation for optometric examination |
CN1900971A (zh) * | 2005-07-18 | 2007-01-24 | 北京航空航天大学 | 一种改进的nas-rif盲图像复原方法 |
US20100166332A1 (en) * | 2008-12-31 | 2010-07-01 | Postech Academy - Industry Foundation | Methods of deblurring image and recording mediums having the same recorded thereon |
CN101877122A (zh) * | 2009-11-12 | 2010-11-03 | 中国科学院遥感应用研究所 | 扩散程度可控的各向异性扩散图像去噪增强方法 |
-
2010
- 2010-12-31 CN CN201010624189.3A patent/CN102572201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5325136A (en) * | 1988-12-12 | 1994-06-28 | Prio Corporation | Computer display screen simulation for optometric examination |
CN1900971A (zh) * | 2005-07-18 | 2007-01-24 | 北京航空航天大学 | 一种改进的nas-rif盲图像复原方法 |
US20100166332A1 (en) * | 2008-12-31 | 2010-07-01 | Postech Academy - Industry Foundation | Methods of deblurring image and recording mediums having the same recorded thereon |
CN101877122A (zh) * | 2009-11-12 | 2010-11-03 | 中国科学院遥感应用研究所 | 扩散程度可控的各向异性扩散图像去噪增强方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103561194A (zh) * | 2013-09-16 | 2014-02-05 | 湖南大学 | 一种基于自适应滤波的扫描图像去网纹方法 |
CN103561194B (zh) * | 2013-09-16 | 2016-01-20 | 湖南大学 | 一种基于自适应滤波的扫描图像去网纹方法 |
WO2017181923A1 (zh) * | 2016-04-21 | 2017-10-26 | 腾讯科技(深圳)有限公司 | 一种人脸验证方法、装置及计算机存储介质 |
CN108121978A (zh) * | 2018-01-10 | 2018-06-05 | 马上消费金融股份有限公司 | 一种人脸图像处理方法、系统及设备和存储介质 |
CN109035171A (zh) * | 2018-08-01 | 2018-12-18 | 中国计量大学 | 一种网纹人脸图像修复方法 |
CN109035171B (zh) * | 2018-08-01 | 2021-06-15 | 中国计量大学 | 一种网纹人脸图像修复方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102572201B (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105657402B (zh) | 一种深度图恢复方法 | |
US7856150B2 (en) | Denoise method on image pyramid | |
CN109191387B (zh) | 一种基于巴特沃斯滤波器的红外图像去噪方法 | |
Harikiran et al. | Impulse noise removal in digital images | |
EP1796036B1 (en) | Device and method for filtering image noise using statistical characteristics and pixel similarity information | |
US11263728B2 (en) | Priori constraint and outlier suppression based image deblurring method | |
US9792728B2 (en) | Method and apparatus for 3D mesh de-noising | |
Hosseini et al. | Fast restoration of natural images corrupted by high-density impulse noise | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN102572201B (zh) | 一种图像网纹去除方法及系统 | |
CN108648162B (zh) | 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法 | |
Vijayakumar | Selective image enhancement and restoration for skin cancer identification | |
Yang et al. | An adaptive parameter estimation for guided filter based image deconvolution | |
Tsutsui et al. | Halo artifacts reduction method for variational based realtime retinex image enhancement | |
CN102314675B (zh) | 基于小波高频的贝叶斯去噪方法 | |
Yang et al. | A design framework for hybrid approaches of image noise estimation and its application to noise reduction | |
Chen et al. | A new TV-Stokes model with augmented Lagrangian method for image denoising and deconvolution | |
CN102682437A (zh) | 一种基于总变分正则约束的图像解卷积方法 | |
CN105741255A (zh) | 图像融合方法及装置 | |
Youssif et al. | Adaptive algorithm for image denoising based on curvelet threshold | |
CN110400270B (zh) | 一种利用图像分解和多重校正融合的车牌去雾方法 | |
Gu et al. | A new method for parameter estimation of edge-preserving regularization in image restoration | |
Goel et al. | Removal of image blurring and mix noises using Gaussian mixture and variation models | |
CN103854258A (zh) | 一种基于Contourlet变换自适应方向阈值的图像去噪方法 | |
Meher | Color Image Denoising with Multi-channel Spatial Color Filtering |
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 |