CN103455986B - 基于分数阶微分梯度的随机噪声点检测方法 - Google Patents
基于分数阶微分梯度的随机噪声点检测方法 Download PDFInfo
- Publication number
- CN103455986B CN103455986B CN201310415794.3A CN201310415794A CN103455986B CN 103455986 B CN103455986 B CN 103455986B CN 201310415794 A CN201310415794 A CN 201310415794A CN 103455986 B CN103455986 B CN 103455986B
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- noise
- accompanying
- fractional order
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 80
- NNQIJOYQWYKBOW-JWKOBGCHSA-N deacetoxycephalosporin C Chemical compound S1CC(C)=C(C(O)=O)N2C(=O)[C@@H](NC(=O)CCC[C@@H](N)C(O)=O)[C@@H]12 NNQIJOYQWYKBOW-JWKOBGCHSA-N 0.000 claims description 4
- ZVIDYKRNLNAXFT-UHFFFAOYSA-N 2,2-bis(4-chlorophenyl)ethanol Chemical compound C=1C=C(Cl)C=CC=1C(CO)C1=CC=C(Cl)C=C1 ZVIDYKRNLNAXFT-UHFFFAOYSA-N 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
基于分数阶微分梯度的随机噪声点检测方法从分析图像中噪声特性出发，依据噪声是图像中局部特性的不连续点，噪声点像素相对应邻域像素的灰度发生了急剧的变化。从图像的频域分析来看，噪声相当于是高频信号，同为高频信号的边缘具有有序性、方向性和结构性的边缘属性特征，边缘的这种变化在临近的像素中会有类似的表现。而噪声即使成片出现，临近的噪声点像素的之间也无确定的对应关系。本方法利用分数阶微分梯度算子检测图像中像素点灰度值的变化，并为此构建了28个方向的分数阶微分梯度算子，用于检测图像相邻像素在对应28个可能边缘方向的梯度变化，并选择了合适的数理统计方法，用于确定图像中噪声点的位置。
Description
技术领域：信息技术
背景技术：在信息技术快速发展的今天，数字图像处理已经成为人们获取信息的重要手段。在图像获取、转换与传输等过程中，常受到成像设备自身因素与外界环境条件影响，导致所成图像上出现一些随机、离散或孤立的点，即图像噪声。无论是改进成像设备还是减少环境干扰，噪声都无法避免，这些噪声恶化了图像质量，使其模糊，甚至淹没了它们的特征，给人们日常的图像应用分析都带来了困难。尤其是当硬件设备的改进受到限制时，只能通过图像去噪方法提高图像质量。图像去噪是图像处理中基础而重要的技术，是图像恢复、图像压缩、图像分割、图像识别等处理过程的预处理。图像去噪的目的是有效抑制了噪声，为后续处理提供更为精确的信息。图像去噪在整个图像工程中占据重要的位置，它是图像处理的初始步骤，能够提高图像的质量，使得高层处理更加准确，决定了后续工作包括模式识别、图像分割、特征提取等的可行性和准确性。
到目前为止，图像去噪方法从大方向上可以分为空间域去噪法和变换域去噪法两大类。空间域去噪法直接在空间域对图像进行操作，早期比较经典的方法有噪声门限法、邻域平均法、加权平均，中值滤波，维纳滤波等。这些方法对去除脉冲噪声有一定效果。然而对图像中的所有的像素点进行处理，将改变图像中未被噪声污染的像素点，所以在有效去除噪声的同时，也模糊了图像的边缘和细节等重要特征。而变换域图像去噪方法其基本思路是：首先对含有噪声的图像进行某种变换，将图像从空域转到变换域，然后利用某种方法对变换域中的系数进行处理，再进行反变换，将图像从变换域转回空域，以此来达到对图像去噪的目的。其中，比较经典的变换工具有傅里叶变换(Fourier transform)、拉普拉斯变换(Laplacian transform)、小波变换(wavelet transform)以及多尺度变换(multi-scaletransform)等。这类图像去噪存在主要的矛盾就是去除噪声与保留图像边缘细节的矛盾。由于图像的边缘细节信息与噪声都会分布在高频系数中，而对图像去噪的处理大多也是集中在高频系数部分，这样使一些含有边缘细节信息的高频系数丢失，导致去噪后的重建图像出现边缘模糊的现象。为了缓解这类矛盾，很多学者也提出了基于边缘保护的图像去噪方法。基于边缘保护的图像去噪方法，又会出现如何有效、准确地检测到图像的边缘信息的问题。实际上图像细节和边缘含有高频分量，同时噪声虽然以高频成分为主，但也含有低频成分。因此，图像信息和噪声在频带上的重叠，是造成基于变换域去噪方法存在缺陷的根本原因。
图像去噪的目的是在去除图像噪声的同时尽好地保留图像细节以及尽可能少地引入假信号。目前，对于完全散乱数据点的噪声处理，还没有一个快速、简洁的方法。基于分数阶微分梯度的随机噪声点检测方法可以用于确定图像中随机噪声点的位置，这样去噪运算将只对噪声点像素进行处理，以便在噪声去除和图像细节保留两方面同时达到最优。
发明内容：基于分数阶微分梯度的随机噪声点检测方法从分析图像中噪声特性出发，依据噪声是图像中局部特性的不连续点，噪声点像素相对应邻域像素的灰度发生了急剧的变化。从图像的频域分析来看，噪声相当于是高频信号，同为高频信号的边缘具有有序性、方向性和结构性的边缘属性特征，边缘的这种变化在临近的像素中会有类似的表现。而噪声即使成片出现，临近的噪声点像素的之间也无确定的对应关系。本方法利用分数阶微分梯度算子检测图像中像素点灰度值的变化，并为此构建了28个方向的分数阶微分梯度算子，用于检测图像相邻像素在对应28个可能边缘方向的梯度变化，并选择了合适的数理统计方法，用于确定图像中噪声点的位置。
附图说明：
附图1分数阶微分梯度28个方向示意图以图形的方式说明了以图像中某一像素点与其周边的8个像素点可能构成边缘的28个方向，构建的分数阶微分梯度的方向。
附图2以方向从像素A到O再到B为例说明了DAOB方向的分数阶微分梯度掩膜的构建。
附图3表示的是剪短后的DAOB方向的5×5分数阶微分梯度掩模。
附图4未添加噪声的人工图像 附图5添加噪声后的人工图像
附图6--附图33为28个方向的梯度检测图
附图6 DAOB方向的梯度检测图 附图7 DAOC方向的梯度检测图
附图8 DAOD方向的梯度检测图 附图9 DAOE方向的梯度检测图
附图10 DAOF方向的梯度检测图 附图11 DAOG方向的梯度检测图
附图12 DAOH方向的梯度检测图 附图13 DBOC方向的梯度检测图
附图14 DBOD方向的梯度检测图 附图15 DBOE方向的梯度检测图
附图16 DBOF方向的梯度检测图 附图17 DBOG方向的梯度检测图
附图18 DBOH方向的梯度检测图 附图19 DCOD方向的梯度检测图
附图20 DCOE方向的梯度检测图 附图21 DCOF方向的梯度检测图
附图22 DCOG方向的梯度检测图 附图23 DCOH方向的梯度检测图
附图24 DDOE方向的梯度检测图 附图25 DDOF方向的梯度检测图
附图26 DDOG方向的梯度检测图 附图27 DDOH方向的梯度检测图
附图28 DEOF方向的梯度检测图 附图29 DEOG方向的梯度检测图
附图30 DEOH方向的梯度检测图 附图31 DFOG方向的梯度检测图
附图32 DFOH方向的梯度检测图 附图33 DGOH方向的梯度检测
附图34检测出的噪声点位置 附图35实际添加噪声点位置
附图36未添加噪声的自然图像 附图37添加噪声后的自然图像
附图38--附图65为28个方向的梯度检测图
附图38 DAOB方向的梯度检测图 附图39 DAOC方向的梯度检测图
附图40 DAOD方向的梯度检测图 附图41 DAOE方向的梯度检测图
附图42 DAOF方向的梯度检测图 附图43 DAOG方向的梯度检测图
附图44 DAOH方向的梯度检测图 附图45 DBOC方向的梯度检测图
附图46 DBOD方向的梯度检测图 附图47 DBOE方向的梯度检测图
附图48 DBOF方向的梯度检测图 附图49 DBOG方向的梯度检测图
附图50 DBOH方向的梯度检测图 附图51 DCOD方向的梯度检测图
附图52 DCOE方向的梯度检测图 附图53 DCOF方向的梯度检测图
附图54 DCOG方向的梯度检测图 附图55 DCOH方向的梯度检测图
附图56 DDOE方向的梯度检测图 附图57 DDOF方向的梯度检测图
附图58 DDOG方向的梯度检测图 附图59 DDOH方向的梯度检测图
附图60 DEOF方向的梯度检测图 附图61 DEOG方向的梯度检测图
附图62 DEOH方向的梯度检测图 附图63 DFOG方向的梯度检测图
附图64 DFOH方向的梯度检测图 附图65 DGOH方向的梯度检测
附图66检测出的噪声点位置 附图67实际添加噪声点位置
具体实施方式：分数阶微分是整数阶微分的一种扩展与延拓，将分数阶微积分引入到图像处理领域本身就是一种探索，同时由于工程界对其研究时间不长。因此，具体实施从分数阶滤波器的实现开始介绍。
1、分数阶微分(FIR)滤波器的实现
分数阶微分滤波器可以由整数阶微分滤波器推演获得，分数阶微分有限冲击(FIR)滤波器的传递函数如下：
式中v为微分阶数，利用二项式级数展开式并用-z-1代替x，上式可以写为
为了用于实现，选取合适的N通过截短可以得到一阶向后有限差分近似公式：
式中T为采样周期，z为位移算子，Γ(·)为Gamma函数。
2、分数阶微分梯度及其算子
根据(3)式，可以获得一维信号的差分方程：
根据式(4)写出差分方程右边的前n项a0＝1，a1＝-v，
当分数微分滤波器的传递函数中v为1和2时，分别对应于一阶和二阶微分。
由此可以获得信号的一阶差分微分方程：
信号的二阶差分微分方程：
由此可以看出整数阶微分只是分数阶微分的特例，分数阶微分实际上表示任意阶。对于数字图像，依据信号的差分方程可以获得不同方向的分数阶微分梯度的计算公式。
3、28个方向的分数阶微分梯度模板的构建
假设中心点像素为O，其周围八个像素点分别为A，B，C，D，E，F，G，H。以中心点像素O为基准，与其周围八个像素点组成的边缘方向，利用组合公式计算可得共28个方向。因此可能出现的边缘方向依次为DAOB，DAOC，DAOD，DAOE，DAOF，DAOG，DAOH，DBOC，···，DEOH，DFOG，DFOH，DGOH。具体边缘检测的方向可以参见附图1分数阶微分梯度28个方向示意图。根据式(4)构建DAOB方向的分数阶微分梯度掩模如附图2所示。其中梯度掩膜的系数如下：a1＝-v， 选择前n项，通过截断的方式完成具体实现。为不使滤波器误差太大，选择分数阶差分定义的前三项，构造了如下不同方向的5×5的分数阶微分梯度掩模。DAOB方向的5×5分数阶微分梯度掩模如附图3所示。其它方向的梯度模板于此相似，一共构造28个方向的梯度掩膜。
4、具体实现过程：首先选取微分阶数v，通过运算获得28个方向的分数阶微分梯度模板，然后使用28个方向的分数阶微分梯度模板与噪声图像进行卷积运算，分别得到28个不同方向的分数阶微分梯度图。分别计算28个方向梯度图的均值取整并加2-3作为阈值，可获取28个梯度方向的梯度检测图。结合多个方向的梯度图，通常选5-7个方向，通过与运算。消除梯度图中在某些方向上无梯度跳变的点，即图像中的边缘，即可获取检测出的噪声点位置。为说明本方法的有效性，分别对人工图像和自然图像添加随机噪声，并使用本方法进行检测。
人工图像：在人工图像中加入强度值为90-177的随机噪声，原始图像和加入噪声后的图像如附图4和附图5所示：选取微分阶数v＝0.5，使用28个方向分数阶微分梯度模板进行卷积运算，并通过阈值判断后得到对应28个梯度方向发生跳变的点，即梯度检测图如附图4至图33所示。选取DAOB，DAOC，DAOD，DAOE，DAOF，DAOG，DAOH等7个方向梯度检测图，通过与运算获得检测出的噪声点位置图如附图34与实际添加噪声点位置附图35。为衡量本方法的有效性定义以下参数：
检错率＝误检率+漏检率
本例的人工图像为300×300的图像，随机添加强度为90-177的噪声点共1052个，正确检测的有920，漏检的有132，误检的2个。因此噪声检测率为87.4％，漏检率为12.5％，误检率为0.2％，以及检错率为12.7％。
自然图像：在自然图像中加入强度值为90-170的随机噪声，未加噪声的图像和加入噪声后的图像如附图36和附图37所示：选取微分阶数v＝0.5，使用28个方向分数阶微分梯度模板进行卷积运算，并通过阈值判断后获取的28个方向的梯度检测图如附图38至附图65所示。选取DAOB，DAOC，DAOD，DAOE，DAOF，DAOG，DAOH等7个方向的梯度检测图，通过与运算可获得检测出的噪声点位置图如附图66与实际添加噪声点位置附图67。本例的自然图像为332×481的图像，随机添加强度为90-170的噪声点共1170个，正确检测的有1085，漏检的有85，误检的187个。因此噪声检测率为92.7％，漏检率为7.3％，误检率为16％，以及检错率为23.3％。
Claims (2)
1.一种基于分数阶微分的随机噪声检测方法，包括以中心点像素O为基准，与其周围A，B，C，D，E，F，G，H这八个像素点构成可能出现的边缘方向依次为DAOB，DAOC，DAOD，DAOE，DAOF，DAOG，DAOH，DBOC，DBOD，DBOE，DBOF，DBOG，DBOH，DCOD，DCOE，DCOF，DCOG，DCOH，DDOE，DDOF，DDOG，DDOH，DEOF，DEOG，DEOH，DFOG，DFOH，DGOH共28个方向，并以此方向构建分数阶微分梯度掩膜；使用28个方向的分数阶微分梯度模板与噪声图像进行卷积运算，分别得到28个不同方向的分数阶微分梯度图；分别计算28个方向梯度图的均值取整并加2-3作为阈值，获取28个方向的梯度检测图；结合多个方向的梯度检测图，具体实现时从上述28个方向中选5-7个方向，通过与运算，消除梯度检测图中在某些方向上无梯度跳变的点，即图像中的边缘，即可获取检测出的噪声点位置。
2.如权利要求1所述的随机噪声检测方法，用于检测图像中随机噪声的位置，并实现图像去噪和检测图像中添加的数字水印位置这些图像处理的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310415794.3A CN103455986B (zh) | 2013-09-13 | 2013-09-13 | 基于分数阶微分梯度的随机噪声点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310415794.3A CN103455986B (zh) | 2013-09-13 | 2013-09-13 | 基于分数阶微分梯度的随机噪声点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103455986A CN103455986A (zh) | 2013-12-18 |
| CN103455986B true CN103455986B (zh) | 2017-04-05 |
Family
ID=49738318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310415794.3A Expired - Fee Related CN103455986B (zh) | 2013-09-13 | 2013-09-13 | 基于分数阶微分梯度的随机噪声点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103455986B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160635B (zh) * | 2015-07-08 | 2018-12-18 | 苏州科技学院 | 一种基于分数阶微分估计梯度域的图像滤波方法 |
| CN106910215B (zh) * | 2017-03-15 | 2022-01-07 | 沈阳理工大学 | 一种基于分数阶梯度插值的超分辨率方法 |
| CN109085649B (zh) * | 2018-10-12 | 2020-02-28 | 西南石油大学 | 一种基于小波变换优化的地震资料去噪方法 |
| CN110599509B (zh) * | 2019-08-02 | 2021-10-08 | 西安理工大学 | 一种基于八方向分数阶微分算子的边缘检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102281388A (zh) * | 2010-06-09 | 2011-12-14 | 联咏科技股份有限公司 | 适应性滤除影像噪声的方法及装置 |
-
2013
- 2013-09-13 CN CN201310415794.3A patent/CN103455986B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103455986A (zh) | 2013-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108805840B (zh) | 图像去噪的方法、装置、终端及计算机可读存储介质 | |
| CN101727662B (zh) | Sar图像非局部均值去斑方法 | |
| CN103455986B (zh) | 基于分数阶微分梯度的随机噪声点检测方法 | |
| CN105303526A (zh) | 一种基于海岸线数据及频谱分析的舰船目标检测方法 | |
| CN109993797A (zh) | 门窗位置检测方法及装置 | |
| Raj et al. | Medical image denoising using multi-resolution transforms | |
| CN112347992B (zh) | 一种荒漠地区时序agb遥感估算方法 | |
| CN103514600B (zh) | 一种基于稀疏表示的红外目标快速鲁棒跟踪方法 | |
| CN105913402A (zh) | 一种基于ds证据理论的多幅遥感图像融合去噪方法 | |
| Gupta et al. | A noise robust edge detector for color images using hilbert transform | |
| Guo et al. | Box spline wavelet frames for image edge analysis | |
| Wu et al. | Comparative analysis of different methods for image enhancement | |
| Tian et al. | A novel diffusion system for impulse noise removal based on a robust diffusion tensor | |
| Ahmed | Image enhancement and noise removal by using new spatial filters | |
| CN104616266A (zh) | 一种基于广义自回归异方差模型的噪声方差估计方法 | |
| CN114757912A (zh) | 基于图像融合的材料损伤检测方法、系统、终端及介质 | |
| Yi et al. | Image denoise based on Curvelet transform | |
| CN105809187A (zh) | 基于图像识别的多厂家局放数据结果诊断分析方法 | |
| Chen et al. | Research on sonar image denoising method based on fixed water area noise model | |
| Sargolzaei et al. | Impulse image noise reduction using fuzzy-cellular automata method | |
| Mahboob et al. | A Novel Medical Image De-noising Algorithm for Efficient Diagnosis in Smart Health Environment | |
| Bhonslei | Additive and multiplicative noise removal from medical images using bivariate thresholding by dual tree complex wavelet transform | |
| Sheena et al. | Realization of enhancement performance in remote sensing data by spatial filtering technique | |
| Apalkov et al. | Neural network adaptive switching median filter for image denoising | |
| Moldovanu et al. | Mass detection and classification in breast ultrasound image using K-means clustering algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200305 Address after: 610106 Sichuan city of Chengdu province been Shiling streets No. 1 Avenue Patentee after: Chengdu University Address before: 610106 Sichuan province Chengdu City East Shiling electronic and Information Engineering Chengdu University Patentee before: Yang Zhuzhong |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 Termination date: 20190913 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |