CN103595933A - 一种图像的降噪方法 - Google Patents

Abstract

本发明提供了一种图像的降噪方法，该方法首先将图像转换成纹理格式的RGB图像并进行二维高斯模糊去除高频信息，再计算图像中每一像素点的噪声强度；然后，将去除高频信息的图像和原图进行混合并转换至Lab色彩空间，去除其高频信息后再转回至RGB色彩空间便得到降噪后的图像。本发明所述的降噪方法能够在GPU中对图像进行快速降噪处理，具有实时性强，降噪效果好的优点。

Description

一种图像的降噪方法

技术领域

本发明涉及一般的图像数据处理，具体涉及图像的增强方法，该方法适用于在对数码相机、手机等拍摄设备中对所获得的图像进行快速降噪处理。

背景技术

随着数码技术的飞速发展，数码相机和具有拍摄功能的拍照手机已非常普及。由于数码相机和拍照手机的镜头和图像传感器尺寸有限，导致图像传感器中单位像素的感光面积太小，因此在拍摄实时图像时会产生大量的随机量子噪声，特别是在光线较弱的条件下，这种问题表现的更加突出。量子噪声不仅影响图像的清晰度和图像质量，同时也会限制用户拍摄图像时的所处的场景。针对这一问题，需要一种图像的降噪处理方法能够对光线较弱的场景下拍摄的图像进行降噪处理。

目前现有的较通用的降噪处理方法有双边滤波降法和相似块平均法。

其中，双边滤波法的降噪原理为：根据几何空间和像素值差值设定滤波系数，对图像进行保边去噪处理，其处理方法如下式a）：

$g(i,j)=\frac{{\mathrm{\Σ}}_{k,l}f(k,l)w(i,j,k,l)}{{\mathrm{\Σ}}_{k,l}w(i,j,k,l)}$

$w(i,j,k,l)=\exp (-\frac{{(i-k)}^2+{(j-l)}^2}{{2\mathrm{\σ}}_d^2}-\frac{{\left|\right|f(i,j)-f(k,l)\left|\right|}^2}{{2\mathrm{\σ}}_r^2})---a)$

式a）中，g为滤波降噪后的图像，g(i,j)为滤波降噪图像中的像素点，f为原图像，f(k,l)为……，w(i,j,k,l)为滤波器系数，σ_d是空间滤波系数，σ_r为像素值滤波系数。双边滤波法的运算求和过程在计算点的r×r的邻域范围内进行，因此降噪运算速度较快，可以实现对实时视频图像的降噪，但是效果明显不佳，如，表面模糊感加强、边缘生硬、出现假边等。

相似块平均法的降噪原理是，以计算点为中心，将其r×r的邻域范围作为一图像块，计算该图像块与图像中其他图像块的颜色空间距离，找到与该图像块的颜色空间距离较小的数个图像块，将这些图像块的中心点与计算点进行组合求均值。重复上述方法遍历图像中所有的计算点，从而获得降噪结果。这种方法虽然能够较好的保留图像中的纹理细节，但是运算复杂度较高，运算速度慢，不能适用于在拍摄设备中对视频图像进行实时降噪处理。

发明内容

鉴于现有技术之不足，本发明所要解决的技术问题是提供一种图像的降噪方法，该方法能够在GPU中对图像进行快速降噪处理，具有实时性强，降噪效果好的优点。

本发明解决上述技术问题的方案是：

一种图像的降噪方法，该方法由以下步骤组成：

1）将待处理图像转换成纹理格式的RGB图像S；

2）分别在R、G和B三通道中对RGB图像S进行以下处理：

以RGB图像S中的每一像素点为中心点，在3×3、5×5或7×7邻域范围内分别进行R、G和B三个通道的二维高斯模糊，得到每一像素点所对应的R、G和B三个通道的高斯模糊值G_Σ，然后，按下式I）分别计算每一像素点对应的R、G和B三个通道的噪声强度，即，

若2*S_p-G_Σ≥255则A＝255

若2*S_p-G_Σ＜255则A＝2*S_p-G_Σ

式I）中，S_p为RGB图像S中的每一像素点R、G或B通道的灰度值；

3）以每一像素点对应的R、G和B三个通道的噪声强度A为混合系数，对RGB图像S中每一像素点在R、G和B三个通道中的灰度值及该像素点对应的R、G和B三个通道的高斯模糊值G_Σ按下式IV）进行混合，得到每一像素点的混合后的RGB三通道图像数据Q：

$Q=\frac{(G_{\mathrm{\Σ}}*A+S_p*(255-A))}{255}---\mathrm{IV})$

式IV）中G_Σ为每一像素点所对应的R、G或B通道的高斯模糊值；

4）先将所得到的RGB三通道图像数据Q转换为Lab色彩空间图像数据，再使用二维高斯模糊对Lab色彩空间图像数据中的a和b通道图像数据进行去除高频处理，然后将所得结果转回至RGB色彩空间，便得到降噪处理后的RGB图像。

上述方案中，所述的高斯模糊值G_Σ是先按下式Ⅰ）所示的二维正态分布公式生成一大小为r×r的高斯矩阵G_p，再以图像的每一像素点为中心点，分别将中心点的r×r邻域范围内各像素点的R、G和B三个通道中的灰度值乘以每个像素点各自在高斯矩阵G_p中所对应的元素值G_p(u,v)，然后求和得到，

$G_{p(u,v)}=\frac{1}{{2\mathrm{\π\δ}}^2}{e}^{-(u^2+v^2)/{2\mathrm{\δ}}^2}$

2×|u|+1≤r     Ⅰ）

2×|||+1≤r

式Ⅰ）中，r＝3、5或7，G_p(u,v)为高斯矩阵G_p中的元素值，u和v分别为二维空间中的点的横坐标值和纵坐标值，δ为正态分布的标准偏差，并按下式II）取值：

本发明所述的图像的降噪方法，其中所述的图像可以是数码照片或视频图像。

本方案相较于现有技术，其优点和有益效果在于：

A）由于本发明在处理过程中，对于RGB图像S的每一像素点均计算其噪声强度，使得在降噪处理时，各点能够得到不同的噪声抑制，因此最终的图像降噪效果更好；

B）同时，本发明所提供的降噪方法对图像中每一像素点的运算流程完全相同，运算复杂度O仅为：O＝2*n*r+3*n（其中，n图像的像素数量，r为邻域边长），而相似块平均法的运算复杂度O为：O＝n²*r²，显然在动辄百万像素的图像中，本发明所述方法的复杂度远远低于相似块算法。因此，本发明提供的降噪方法可直接在GPU内进行，既可满足用户对拍摄的视频图像进行实时降噪处理的需求，也可在视频图像的传输过程中对其进行实时降噪处理，以提高视觉效果；

C）另外，由于混合后的RGB颜色空间图像数据Q在转换至Lab色彩空间后再次使用二维高斯模糊对a和b通道内的图像数据做去除高频处理，使得用户在光线较暗场景下拍摄的图像显得更加鲜亮和清晰。

附图说明

图1为本发明所述实时降噪方法的流程图。

图2为手机实际拍摄的含有随机量子噪声的图像。

图3和图4分别为采用双边滤波法对图2进行降噪后的图像。

图5采用本发明所述实时降噪方法对图2进行降噪后的图像。

具体实施方式

例1

本实施例以在夜晚环境光线强度为10cd/m²条件下采用配置为1GHz蜂鸟CPU配合PowerVRSGX540图形处理芯片的三星的Galaxy S系列手机拍摄的像素分辨率为960×720的含有大量随机噪声的少女图像（见图2）为例，描述本发明所述的降噪方法。参见图1，具体降噪过程如下所述：

1）从内存中获取如图2所示的图像，并将该图像转换成纹理格式的RGB图像S；

2）按以下步骤在RGB三通道中对RGB图像S进行去除高频处理，并计算该图像中每一像素点在RGB三通道中的噪声强度：

2.1）按下式I）所示的二维正态分布公式生成一5×5的高斯矩阵G_p：

$G_{p(u,v)}=\frac{1}{{2\mathrm{\π\δ}}^2}{e}^{-(u^2+v^2)/{2\mathrm{\δ}}^2}$

2×|u|+1≤r     I）

2×|v|+1≤r

式I）中，r＝5，u和v分别为二维空间中的点的横坐标值和纵坐标值，即，邻域范围内各像素点到中心点的横坐标方向和纵坐标方向上的间隔，例如，与中心点相邻的横坐标正向的像素点与中心点之间的间隔u为1，与中心点相邻的横坐标负方向的像素点与中心点之间的间隔u为-1，与中心点相隔1个像素点的横坐标正方向上的像素点与中心点之间的间隔u为2，与中心点相隔1个像素点的横坐标负方向上的像素点与中心点之间的间隔u为-2，与中心点相隔2个像素点的横坐标正方向上的像素点与中心点之间的间隔u为3，与中心点相隔2个像素点的横坐标负方向上的像素点与中心点之间的间隔u为-3，v的取值以此类推；δ为正态分布的标准偏差，并按下式II）取值：

本例中图2的像素分辨率为960×720，因此

那么5×5的高斯矩阵G_p为：

$G_p=\left[\begin{array}{ccccc}0.0144188& 0.0280840& 0.0350727& 0.0280840& 0.0144188\\ 0.0280840& 0.0547002& 0.0683124& 0.0547002& 0.0280840\\ 0.0350727& 0.0683124& 0.0853118& 0.0683124& 0.0350727\\ 0.0280840& 0.0547002& 0.0683124& 0.0547002& 0.0280840\\ 0.0144188& 0.0280840& 0.0350727& 0.0280840& 0.0144188\end{array}\right]$

2.2）以图像的每一像素点为中心点，分别将中心点的5×5邻域范围内各像素点的R、G和B三个通道中的灰度值乘以每个像素点各自在高斯矩阵G_p中所对应的元素值G_p(u,v)，然后求和，得到以每一像素点为中心点对应的R、G和B三个通道的高斯模糊值G_Σ，同时根据R、G和B三个通道的高斯模糊值G_Σ计算该中心点的R、G和B三个通道的噪声强度A，该步骤的具体计算公式如下式III）所示：

G_Σ＝Σ_(u,v)G_p(u,v)×S_p

$A=\left\{\begin{array}{cc}255& (2*S_p-G_{\mathrm{\&Sigma;}})\&GreaterEqual;255\\ (2*S_p-G_{\mathrm{\&Sigma;}})& (2*S_p-G_{\mathrm{\&Sigma;}})<255\end{array}\right.---\mathrm{III})$

式III）中，S_p为以像素点p为中心点的在R、G或B通道的灰度值；

3）以每一像素点对应的R、G、B三个通道的噪声强度A为混合系数，对RGB图像S中每一像素点在R、G、B三个通道中的灰度值及该像素点对应的R、G、B三个通道的高斯模糊值G_Σ，按下式II）进行混合，得到每一像素点的混合后的RGB三通道图像数据Q：

$Q=\frac{(G_{\mathrm{\&Sigma;}}*A+S_p*(255-A))}{255}---\mathrm{IV})$

4）将混合后的RGB三通道图像数据Q转换至Lab色彩空间图像数据，并再次使用二维高斯模糊对a和b通道内的图像数据进行去除高频处理，然后将所得结果转回至RGB色彩空间，最终得到降噪处理后的图像，具体步骤如下：

4.1）将混合后的RGB三通道图像数据Q按下式V）转换至Lab色彩空间图像数据：

Q_L＝0.2126*R+0.7152*G+0.0722*B

Q_a＝1.4749*(0.2213*R-0.3390*G+0.1177*B)+128   V）

Q_b＝0.6245*(0.1949*R+0.6057*G-0.8006*B)+128

式V）中，R、G、B分别为每一像素点的混合后的R、G和B三通道图像数据Q值；

4.2）按照步骤2.1）～2.2）所述方法，分别计算RGB图像S中每一像素点在a通道和b通道的高斯模糊值G_Σ：G_Σa、G_Σb；

4.3）将步骤4.2）所得的G_Σa、G_Σb及步骤4.1）得到的L通道的图像数据Q_L值转回至RGB颜色空间，最终得到如图5所示的降噪后的RGB图像。

例2

为了验证本发明所述方法的效果，本例采用文献（Bilateral filtering for gray andcolor images，Tomasi,C.and Manduchi,R.，Computer Vision,1998.Sixth InternationalConference on，839-846）中公开的双边滤波方法，先取空间滤波系数σ_d为1.5、像素值滤波系数σ_r为15对图2进行降噪处理，结果如图3所示，再取空间滤波系数σ_d为2.5、像素值滤波系数σ_r为25对图2进行降噪处理，结果如图4所示。将图5与图3和图4分别进行视觉对比显见，图5在去除量子噪声的前提下保留了更多的细节，相较于图3和图4显得更加锐利，特别是图中白色框内的少女下眼睑部分及黑色框内的杯子花纹部分，图3和图4的色彩过渡过于平坦，导致细节显示过于模糊，而图5则显得较为清楚。

例3

采用文献（A.BUADES,B.COLL,J.M MOREL,"A review of image denoising algorithms,with a new one",Multiscale Modeling and Simulation(SIAM interdisciplinary journal),Vol4(2),pp:490-530,2005.）公开的相似块平均法对图2进行50次降噪处理，统计计算得到处理的平均耗时。同样，采用例1所述的方法对图2进行50次降噪处理，统计计算得到处理的平均耗时。两种方法的平均耗时如下表1所示：

表1对图2做50次降噪处理，每次处理平均耗时

由表1所示结果可见，本发明提供的降噪方法平均耗时仅为相似块平均法的1/1066～1/491。

此外，由本例的统计结果可见，采用本发明提供的方法在1秒内可处理同等分辨率的图像多达31.25幅，超过了NSTC制式和PAL制式对视频图像每秒帧数的要求，因此采用本发明提供的方法可在视频图像的传输过程中对其进行实时降噪处理，以提高视觉效果。

Claims (3)

1.一种图像的降噪方法，该方法由以下步骤组成：

1）将待处理图像转换成纹理格式的RGB图像S；

2）分别在R、G和B三通道中对RGB图像S进行以下处理：

以RGB图像S中的每一像素点为中心点，在3×3、5×5或7×7邻域范围内分别进行R、G和B三个通道的二维高斯模糊，得到每一像素点所对应的R、G和B三个通道的高斯模糊值G_Σ，然后，按下式分别计算每一像素点对应的R、G和B三个通道的噪声强度，即，

若2*S_p-G_Σ≥255则A＝255

若2*S_p-G_Σ＜255则A＝2*S_p-G_Σ

上式中，S_p为RGB图像S中的每一像素点R、G或B通道的灰度值；

3）以每一像素点对应的R、G和B三个通道的噪声强度A为混合系数，对RGB图像S中每一像素点在R、G和B三个通道中的灰度值及该像素点对应的R、G和B三个通道的高斯模糊值G_Σ按下式IV）进行混合，得到每一像素点的混合后的RGB三通道图像数据Q：

$Q=\frac{(G_{\mathrm{\&Sigma;}}*A+S_p*(255-A))}{255}---\mathrm{IV})$

式IV）中G_Σ为每一像素点所对应的R、G或B通道的高斯模糊值；

4）先将所得到的RGB三通道图像数据Q转换为Lab色彩空间图像数据，再使用二维高斯模糊对Lab色彩空间图像数据中的a和b通道图像数据进行去除高频处理，然后将所得结果转回至RGB色彩空间，便得到降噪处理后的RGB图像。

2.根据权利要求1所述的一种图像的降噪方法，其特征在于，所述的高斯模糊值G_Σ是先按下式Ⅰ）所示的二维正态分布公式生成一大小为r×r的高斯矩阵G_p，再以图像的每一像素点为中心点，分别将中心点的r×r邻域范围内各像素点的R、G和B三个通道中的灰度值乘以每个像素点各自在高斯矩阵G_p中所对应的元素值G_p(u,v)，然后求和得到，

$G_{p(u,v)}=\frac{1}{{2\mathrm{\&pi;\&delta;}}^2}{e}^{-(u^2+v^2)/{2\mathrm{\&delta;}}^2}$

2×|u|+1≤r     Ⅰ）

2×|v|+1≤r

式Ⅰ）中，r＝3、5或7，G_p(u,v)为高斯矩阵G_p中的元素值，u和v分别为二维空间中的点的横坐标值和纵坐标值，δ为正态分布的标准偏差，并按下式II）取值：

3.根据权利要求1或2所述的一种图像的降噪方法，其特征在于，所述的图像是数码照片或视频图像。

Images