CN102750688A - 一种自动分析图像彩色噪声特性的方法 - Google Patents

Abstract

本发明公开了一种自动分析图像彩色噪声特性的方法，具体包括：提取用户输入的图像中的彩色噪声特征区域；对所述噪声特征区域进行离散余弦变换计算得到图像彩色噪声的特性参数的系数集合；将所述图像彩色噪声的特性参数排序后生成有序矩阵；根据选取的特征点数目将所述图像的灰度区域进行划分；将划分得到的各区域根据所述有序矩阵进行中值滤波，得到对应的特征点的彩色噪声参数；根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线；根据所述彩色噪声灰度特性曲线分析所述图像彩色噪声的特性并进行去除噪声处理，通过本发明能够有效的分析出图像彩色噪声的多种特性。

Description

一种自动分析图像彩色噪声特性的方法

技术领域

本发明涉及图像的噪声处理技术领域，尤其涉及一种自动分析图像彩色噪声特性的方法，适用于高质量高效率视频以及图像的特效处理及合成软件中。

背景技术

在图像及视频采集处理的整个过程中，往往容易产生噪声。数字采集前素材就有可能存在噪声，如数字电影胶片的本身具有的颗粒噪声，采集中也会产生噪声，如相机拍照过程中产生的热噪声和电子噪声，采集后处理中也会产生噪声及其他损伤，如果量化噪声，所有这些都需要有效的去噪技术来处理。发明人在实施本发明的过程中，发现现有技术存在以下技术问题：

目前特效合成软件中使用的去除噪声的技术需要人工输入参数来进行去噪，在处理具有不同类型噪声的图像时需要反复调节参数，比较麻烦。

发明内容

为了解决上述现有技术的缺点，本发明的主要目的是提供一种自动分析图像彩色噪声特性的方法，能够有效的分析出图像中噪声的多种性质，用于后续去噪的处理。

为了达到上述目的，本发明提供了一种自动分析图像彩色噪声特性的方法，具体包括：

提取用户输入的图像中的彩色噪声特征区域；

对所述噪声特征区域进行离散余弦变换计算得到图像彩色噪声的特性参数的系数集合；

将所述图像彩色噪声的特性参数排序后生成有序矩阵；

根据选取的特征点数目将所述图像的灰度区域进行划分；

将划分得到的各区域根据所述有序矩阵进行中值滤波，得到对应的特征点的彩色噪声参数；

根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线；

根据所述彩色噪声灰度特性曲线分析所述图像彩色噪声的特性并进行去除噪声处理。

本发明提供的自动分析图像彩色噪声的方法，能够有效的分析出图像彩色噪声的多种特性，根据给特性比较容易的生成噪声灰度的特性曲线用于后续去除噪声的处理。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一中的自动分析图像彩色噪声特性的方法流程图；

图2为本发明实施二中的自动分析图像彩色噪声特性的方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然所描述的实施例仅是本发明的一部分实施例，不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例一方面提供了一种自动分析图像彩色噪声特性的方法，实现过程如图1所示，具体实现过程如下：

步骤S101：提取用户输入的图像中的彩色噪声特征区域。

步骤S102：对所述噪声特征区域进行离散余弦变换计算得到图像彩色噪声的特性参数的系数集合。所述彩色噪声特征区域中心像素点的灰度、彩色噪声增益、彩色噪声尺度大小和彩色噪声横纵比特性。

步骤S103：将所述图像彩色噪声的特性参数排序后生成有序矩阵。

步骤S104：根据选取的特征点数目将所述图像的灰度区域进行划分。

步骤S105：将划分得到的各区域根据所述有序矩阵进行中值滤波，得到对应的特征点的彩色噪声参数。

步骤S106：根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线。

步骤S107：根据所述彩色噪声灰度特性曲线分析所述图像彩色噪声的特性并进行去除噪声处理。

本发明实施例提供的自动分析图像彩色噪声的方法，能够有效的分析出图像彩色噪声的多种特性，根据给特性比较容易的生成噪声灰度的特性曲线用于后续去除噪声的处理。

本发明实施例二将结合具体应用对实施例一中的自动分析图像彩色噪声特性的方法做进一步详细的说明，具体实现流程如图2所示。

步骤S201：当用户输入一个图像时，首先需要对图像中包含彩色噪声的区域进行有效提取，并确定所述彩色噪声特征区域的数量、所述彩色噪声特征区域的位置和所述彩色噪声特征区域的大小，具体的计算确定方法如下：

步骤S2011：确定提取到的彩色噪声特征区域的大小。

优选的，本实施列中后续采用DCT变换对提取的彩色噪声特征区域进行处理，常见的DCT变换可处理8×8、16×16和32×32大小。本算法支持32×32大小的DCT变换，因此原始空域的图像尺度应该大于32，因而本实施列中取40。

步骤S2012：确定噪声特征区域的数量。由于噪声在视频中的一帧或者一幅图像中特性常常没有明显变化，因此无需对太多区域进行噪声特性分析，本文拟处理的噪声特征区域个数上限为100。

步骤S2013：确定所述彩色噪声特征区域的位置。

优选的，本实施列中设当前处理的是8bit图像，图像宽度设为width，长度设为height，设当前所操作的通道为R通道，其他通道处理方法相似，每个特征区域的尺度为40×40。特征区域的定位首先依赖于特征点的选取，特征点是它所在特征区域的左上角的像素。从整个图像的左上角第一个像素开始，在水平方向与垂直方向以特征区域尺度大小的像素个数为间隔设置特征点。

由于DCT变换是预定对32×32的像素块进行处理，因此特征区域需要大于这个尺度，因此可以选取40，39，38，...33，32等。以特征区域尺度大小为40为例，提取出来这个区域后，最终目标是在这个40×40的区域中选取32×32的空间进行处理。另外，如果图像过大，间隔40又显得过密，因此也会调节出更大的间隔，总体原则是，如果按照40间隔图像特征点小于100，那么就保留这个40×40，并在其中提取32×32的特征区域，如果按照40的间隔图像特征点大于100个，那么重新设定更大的间隔，计算特征点位置，但是一旦计算出来，是将特征点以右以下32×32大小的区域作为下一步DCT变换的对象。

本实施列中选取特征区域尺度大小为40，本实施列中从整个图像左上角第一个像素开始，水平方向每经过40个像素就设置一个特征点，垂直方向每经过40个像素也设置一个特征点。这样，整个图像中就会分布特征点集及其相应的特征区域。设xnum为噪声区域在水平方向上的数目，设ynum为噪声区域在在垂直方向上的数目。其中xnum和ynum满足：

xnum＝floor(width/40)，ynum＝floor(height/40)，其中，floor表示对该浮点数值向下取整。

优选的本实施列中水平方向特征点数目与垂直方向特征点数目总和不超过100，因此对于输入的图像的尺寸大小不同就需要有不同的处理方式。

下面需要对各种图像不同尺寸的情况下xnum和ynum的取值进行讨论：

(1)如果width＜40或height＜40，即xnum＝0或ynum＝0，这种情况下图像尺寸过小，本方法不对其进行噪声特性分析。

(2)如果xnum×ynum＞100，此时图像所选取的区域数目过多，即按照40×40的间隔进行区域分割过密，需要扩大区域之间的间隔。方法如下：

首先，在这种情况下，特征点的个数就设定为不超过100。第一步，根据图像的长宽比计算出水平及垂直方向的特征点的个数。设图像的长宽比hwraito＝height/width，并对该参数进行大小约束：

$\mathrm{hwratio}=\left\{\begin{array}{cc}100& \mathrm{if\; hwraito}>100\\ 0.01& \mathrm{if\; hwraito}<0.01\\ \mathrm{hwrairo}& \mathrm{else}\end{array}\right.$

这样，再根据横纵比确定水平及垂直方向的特征点的个数。即：

$\mathrm{xnum}=\mathrm{floor}\left(\sqrt{100/\mathrm{hwratio}}\right),\mathrm{ynum}=\mathrm{floor}\left(\sqrt{100\&times;\mathrm{hwratio}}\right)$

经过上述处理得到的水平方向特征点数目与垂直方向特征点数目总和不超过100即xnum×ynum≤100。

(3)如果xnum×ynum＜100，则该情况自动满足预设点的个数，在特征点数量方面不进行任何处理。

根据水平方向特征点数目与垂直方向特征点数目获取特征点的坐标集合下面，再根据水平及垂直特征点数目xnum和ynum来确定水平或垂直方向的区域间隔，生成图像中特征点的坐标。

设水平方向间隔为xstep，垂直方向间隔为ystep，那么对于上述第(2)种情况xnum×ynum＞100时，计算公式如下：

xstep＝floor(width/xnum)，ystep＝floor(height/ynum)。

则特征点在水平方向的坐标集合为：

x_axis＝xstep×i，i＝[0，1，...，xnum-1]

那么特征点在垂直方向的坐标集合为：

y_axis＝ystep×i，i＝[0，1，...，ynum-1]

对于第(3)种情况如果xnum×ynum＜100，那么特征点在水平方向的坐标集合为：

x_axis＝40×i，i＝[0，1，...，xnum-1]

特征点在垂直方向的坐标集合为：

y_axis＝40×i，i＝[0，1，...，ynum-1]

步骤S202：对所述噪声特征区域进行离散余弦变换计算得到图像彩色噪声的特性参数的系数集合。

根据步骤S201中获取得到的x_axis和y_axis集合，就可以生成图像中特征点的坐标SpecPoint(x，y)，其中x∈x_axis，y∈y_axis。

优选的，本实施列中将上述特征点作为大小为40×40的特征区域的左上角像素设定的彩色噪声特征区域，同时对所述彩色噪声特征区域进行分析。设某特征点为SpecPoint(x_i，y_i)，那么特征区域满足如下公式：

$(x,y)\&Element;\mathrm{SpecArea}(x_i,y_i),\&ForAll;x_i\&le;x<x_i+40I{y}_i\&le;y<y_i+40$

当获得彩色噪声特征区域SpecArea(x_i，y_i)后对提取出彩色噪声特征区域左上角32×32区域的像素进行DCT变换分析。

设此32×32像素集合为SpecArea(x_i，y_i)′。对其进行DCT变换后的结果为DCTSpecArea(x_i，y_i)′。从上述这两个32×32尺度的矩阵中，我们可以获得图像噪声的相关信息，包括彩色噪声特征区域中心像素点的灰度、彩色噪声增益、彩色噪声尺度大小和彩色噪声横纵比特性，具体的计算获得方法如下：

步骤S2021：计算彩色噪声增益。

本实施列中在局部大小为32×32的微小区域中，存在的信号一般是平稳均匀变化的，而图像噪声在此区域却是有明显的起伏变化，因此求出区域内像素的平均归一化振幅为图像噪声的增益值，计算图像彩色噪声的彩色噪声增益的方法为：

noiseGain＝∑abs(SpecArea(x_i，y_i)′-Aver)/(32×32)/Halfrange

其中，noiseGain为彩色噪声增益，SpecArea(x_i，y_i)′为彩色噪声特征区域内的像素集合，Aver为SpecArea(x_i，y_i)′的均值，Halfrange为当前图像所对应的灰度范围的一半，8bit图像为256长的灰度范围，16比特图像为65536长的灰度范围，因此Halfrange值即128或32768。

进一步的，上述公式中除以32×32表示求出平均每个点的振幅，除以Halfrange表示对其进行归一化处理。对于8bit图像，Halfrange＝128(对于16bit图像Halfrange＝32768)。

步骤S2022：计算图像彩色噪声尺度大小

优选的，本实施例中设噪声大小为Size。对于这个变量，本实施中噪声小于图像纹理信息，噪声尺度越大，它表现得越像图像纹理，局部区域也越发平坦。根据这一点，我们利用DCT系数进行噪声尺度大小分析。

设DCTSpecArea(x_i，y_i)′_0，0表示矩阵DCTSpecArea(x_i，y_i)′中的左上角坐标为(0，0)点的DCT值，该值表示图像的直流分量。同理可设定DCTSpecArea(x_i，y_i)′_0，1、DCTSpecArea(x_i，y_i)′_1，0和DCTSpecArea(x_i，y_i)′_1，1分别为图像坐标为(0，1)、(1，0)和(1，1)点的DCT值。那么噪声越大，图像细节信息越少，变换越平稳，直流及低频分量占整个DCT矩阵的分量越大。设那么noiseSize可表示为：

$\mathrm{noiseSize}=(\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{0,0}}^{\&prime;}\right)+\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{0,1}}^{\&prime;}\right)$

$+\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{1,0}}^{\&prime;}\right)+\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{1,1}}^{\&prime;}\right))/\underset{(m,n)\&Element;\left[\mathrm{0,31}\right]}{\mathrm{\&Sigma;}}\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{m,n}^{\&prime;}\right)$

其中，DCTSpecArea(x_i，y_i)′_0，0、DCTSpecArea(x_i，y_i)′_0，1、DCTSpecArea(x_i，y_i)′_1，0、DCTSpecArea(x_i，y_i)′_1，1、DCTSpecArea(x_i，y_i)′_m，n表示矩阵DCTSpecArea(x_i，y_i)′中的左上角坐标为(0，0)、(0，1)、(1，0)、(1，1)和(m，n)点的DCT值。

步骤S2023：计算彩色噪声横纵比

噪声本身也有方向的存在，即噪声横纵比nRatio，本实施列中设定图像DCT变换矩阵第一行系数整体大小代表着图像水平方向变换的强弱，第一列系数整体大小代表着图像垂直方向变换的强弱。因此利用这个特性，计算彩色噪声横纵比的方法为：

$\mathrm{noiseRatio}=\underset{m\&Element;\left[\mathrm{2,31}\right]}{\mathrm{\&Sigma;}}\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{0,n}^{\&prime;}\right)/\underset{m\&Element;\left[\mathrm{2,31}\right]}{\mathrm{\&Sigma;}}\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{m,0}^{\&prime;}\right)$

其中，DCTSpecArea(x_i，y_i)′_0，n为图像彩色噪声横向的DCT值，DCTSpecArea(x_i，y_i)′_m，0为图像彩色噪声纵向的DCT值。

通过以上实施方式，彩色噪声的大小、增益、横纵比特性就分析出来了，就可以直接获得图像彩色噪声的特性参数的系数集合。

步骤S203：将所述图像彩色噪声的特性参数排序后生成有序矩阵，根据选取的特征点数目将所述图像的灰度区域进行划分。

步骤S2031：将所述系数集合构造为四行n列的矩阵，其中，每一行分别表示彩色噪声特征区域的参数性质，所述参数性质包括：彩色噪声特征区域中心像素点的灰度，彩色噪声增益、彩色噪声尺度大小和彩色噪声横纵比特性；

步骤S2032：将所述中心像素点的灰度参数从小到大对所述四行n列的矩阵进行排序并生成新的有序矩阵。

本实施列中，对于生成的噪声参数集合，本实施例中用Matrix来表示。Matrix是一个四行n列的矩阵，每一列代表所不同的噪声特征区域，由上可知，此n值最大为100。而每一行表示某噪声特征区域的相关性质。如，第一行表示该特征区域中心像素点的灰度，第二行表示对该区域分析获得的噪声大小，第三行表示对该区域分析获得的噪声增益，第四行表示对该区域分析获得的噪声横纵比。为了生成曲线做准备，我们首先需要按照第一行灰度参数从小到大的顺序对矩阵Matrix进行排序，重新生成新有序矩阵Matrix1。

步骤S204：将划分得到的各区域根据所述有序矩阵进行中值滤波，得到对应的特征点的彩色噪声参数，根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线。

要生成彩色噪声灰度特性曲线需要确定曲线上需要多少个特征点，优选的5个特征点足以表达图像中噪声特性随灰度不同而变化的需求。因此，本实施列中将特征点数量确定为5，并将图像的灰度区域等分5份，那么每个区域中只要提供出本区域的最具代表性的像素特性即将区域中大约处于中间值的像素选择出来，选择方法由下面的中值滤波器实现。

假设我们当前正在处理的区域是第t区域，，即处理如下矩阵参数Matrix1(1:4，x)，

满足255/5×(t-1)≤Matrix1(1，x)＜255/5×t。这样对于Matrix1(1:4，x)，它所对应的噪声参数noiseGain，noiseSize和noiseRatio分别为中值滤波后的结果：

noiseGain＝median(Matrix1(3，x))

noiseSize＝median(Matrix1(2，x))

noiseRatio＝median(Matrix1(4，x))

其中x满足255/5×(t-1)≤Matrix1(1，x)＜255/5×t。

对于其他区域的特征点也采用同样的计算方法，在此不再赘述。

根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线。

步骤S205：根据所述彩色噪声灰度特性曲线分析所述图像彩色噪声的特性并进行去除噪声处理。

本发明实施例中，在提取图像中的彩色噪声特征区域时确定所述彩色噪声特征区域的数量、所述彩色噪声特征区域的位置和所述彩色噪声特征区域的大小，并根据图像彩色噪声的特性参数排序后生成有序矩阵并划分灰度区域，将划分得到的各区域根据所述有序矩阵进行中值滤波，得到对应的特征点的彩色噪声参数；根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线自动分析图像彩色噪声的方法，能够有效的分析出图像彩色噪声的多种特性，根据给特性比较容易的生成噪声灰度的特性曲线用于后续去除噪声的处理。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明的一个具体实施例，但本发明的特征并不局限于此，任何熟悉该项技术的人在本发明领域内，可轻易想到的变化或修饰，都应涵盖在以下本发明的申请专利范围中。

Claims (10)

1.一种自动分析图像彩色噪声特性的方法，其特征在于，该方法包括：

提取用户输入的图像中的彩色噪声特征区域；

对所述噪声特征区域进行离散余弦变换计算得到图像彩色噪声的特性参数的系数集合；

将所述图像彩色噪声的特性参数排序后生成有序矩阵；

根据选取的特征点数目将所述图像的灰度区域进行划分；

将划分得到的各区域根据所述有序矩阵进行中值滤波，得到对应的特征点的彩色噪声参数；

根据各特征点的彩色噪声参数生成所述图像的彩色噪声灰度特性曲线；

根据所述彩色噪声灰度特性曲线分析所述图像彩色噪声的特性并进行去除噪声处理。

2.如权利要求1所述的自动分析图像彩色噪声特性的方法，其特征在于，所述图像彩色噪声的特性参数包括：

所述彩色噪声特征区域中心像素点的灰度、彩色噪声增益、彩色噪声尺度大小和彩色噪声横纵比特性。

3.如权利要求1所述的自动分析图像彩色噪声特性的方法，其特征在于，所述自动提取所述图像中的彩色噪声特征区域具体包括：

提取所述彩色噪声特征区域的数量、所述彩色噪声特征区域的位置和所述彩色噪声特征区域的大小。

4.如权利要求3所述的自动分析图像彩色噪声特性的方法，其特征在于，提取所述彩色噪声特征区域的位置的方法包括：

从所述图像的左上角第一个像素开始，分别在水平方向与垂直方向以特征区域尺度大小的像素个数为间隔设置特征点；

根据水平方向特征点数目与垂直方向特征点数目获取特征点的坐标集合；

根据所述特征点的坐标集合，选取彩色噪声特征区域中的特征点的坐标作为对应的彩色噪声特征区域的位置。

5.如权利要求4所述的自动分析图像彩色噪声特性的方法，其特征在于，所述水平方向特征点数目与垂直方向特征点数目总和不超过100。

6.如权利要求4所述的自动分析图像彩色噪声特性的方法，其特征在于，该方法还包括：当所述水平方向特征点数目与垂直方向特征点数目总和超过100时，将所述水平方向特征点数目与垂直方向特征点数目总和处理为不超过100，具体的处理方法具体包括：

根据图像的长宽比计算出水平及垂直方向的特征点个数；

对所述图像的长宽比参数进行限定，具体为：计算的长宽比参数大于100时，取长宽比为100；计算的长宽比参数小于0.01时，取长宽比为0.01；计算的长宽比参数大于0.01并且小于100时，取长宽比为实际计算出得长宽比参数值；

根据进行限定后的所述长宽比确定水平及垂直方向的特征点数目。

7.如权利要求1所述的自动分析图像彩色噪声特性的方法，其特征在于，计算图像彩色噪声的彩色噪声增益的方法为：

noiseGain＝∑abs(SpecArea(x_i，y_i)′-Aver)/(32×32)/Halfrange

其中，noiseGain为彩色噪声增益，SpecArea(x_i，y_i)′为彩色噪声特征区域内的像素集合，Aver为SpecArea(x_i，y_i)′的均值，Halfrange为当前图像所对应的灰度范围的一半。

8.如权利要求1所述的自动分析图像彩色噪声特性的方法，其特征在于，计算图像彩色噪声尺度大小的计算方法为：

$\mathrm{noiseSize}=(\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{0,0}}^{\&prime;}\right)+\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{0,1}}^{\&prime;}\right)$

$+\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{1,0}}^{\&prime;}\right)+\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{\mathrm{1,1}}^{\&prime;}\right))/\underset{(m,n)\&Element;\left[\mathrm{0,31}\right]}{\mathrm{\&Sigma;}}\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{m,n}^{\&prime;}\right)$

其中，DCTSpecArea(x_i，y_i)′_0，0、DCTSpecArea(x_i，y_i)′_0，1、DCTSpecArea(x_i，y_i)′_1，0、DCTSpecArea(x_i，y_i)′_1，1、DCTSpecArea(x_i，y_i)′_m，n表示矩阵DCTSpecArea(x_i，y_i)′中的左上角坐标为(0，0)、(0，1)、(1，0)、(1，1)和(m，n)点的DCT值。

9.如权利要求1所述的自动分析图像彩色噪声特性的方法，其特征在于，计算彩色噪声横纵比的方法为：

$\mathrm{noiseRatio}=\underset{m\&Element;\left[\mathrm{2,31}\right]}{\mathrm{\&Sigma;}}\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{0,n}^{\&prime;}\right)/\underset{m\&Element;\left[\mathrm{2,31}\right]}{\mathrm{\&Sigma;}}\mathrm{abs}\left(\mathrm{DCTSpecArea}{(x_i,y_i)}_{m,0}^{\&prime;}\right)$

其中，DCTSpecArea(x_i，y_i)′0，n为图像彩色噪声横向的DCT值，DCTSpecArea(x_i，y_i)′_m，0为图像彩色噪声纵向的DCT值。

10.如权利要求1所述的自动分析图像彩色噪声特性的方法，其特征在于，所述将所述图像彩色噪声的特性参数排序后生成有序矩阵具体为：

将所述系数集合构造为四行n列的矩阵，其中，每一行分别表示彩色噪声特征区域的参数性质，所述参数性质包括：彩色噪声特征区域中心像素点的灰度，彩色噪声增益、彩色噪声尺度大小和彩色噪声横纵比特性；

将所述中心像素点的灰度参数从小到大对所述四行n列的矩阵进行排序并生成有序矩阵。

Images