CN103778609A - 基于像素连续性判断的二值化图像和灰度图像的高效去噪声法 - Google Patents

Abstract

本发明公开一种基于像素连续性判断的二值化图像和灰度图像的高效去噪声法，其属于图像处理领域。根据噪声点分布比较分散、孤立以及信号点比较连续的特征，在二值化图像中直接通过相同亮度像素的连续性判断其为噪声与否，在灰度图像中先定义同类像素，并基于同类像素的连续性进行判断其为噪声与否；二值化图像中的噪声点直接通过将其亮度值改变为其对立亮度值而达到去噪效果，灰度图像中的噪声像素点的亮度值用其周边的异类像素点亮度的平均值进行替代以达到滤波去噪的效果。本发明判断以及去除噪声的算法简单，执行效率高，去噪效果好，且不会造成图像信息的丢失。

Description

基于像素连续性判断的二值化图像和灰度图像的高效去噪声法

技术领域：

本发明涉及一种基于像素连续性判断的二值化图像和灰度图像的高效去噪声法，属于图像处理领域中去除噪声方法。

背景技术：

数字图像的应用领域非常的广泛，对于图像处理技术而言，最重要的一步就是获取相关待处理分析的图像对象，而图像获取的条件有时候是受到限制的，这就导致了所获取图像信号受到了干扰或者引入了各种类型的数字图像噪声，这将不利于图像的后续处理和分析。

引起图像退化的因素是多方面的，不同的因素就导致产生了不同类型的噪声，由于噪声的存在，对图像后续处理工作(诸如图像边缘检测，图像分割，图像目标识别等)的展开产生了不良的影响。因此在对图像进行进一步处理分析之前，对数字图像噪声的去除是极其重要的。

在过去几十年涌现出了大量的数字图像噪声去除方法，每种方法都有着各自的特点和侧重点，其中大多数方法都是利用滤波器对噪声进行过滤，在此形成了很多不同类型的滤波算法，其分类方式也有很多，比如可以将它们分为线性滤波算法，非线性滤波算法，或者也可以分为空域滤波算法，频域滤波算法等。

中值滤波是一类很经典的滤波方法，也常被应用于数字图像噪声的去除过程中，中值滤波方法是通过对待处理像素点的邻域取中值来实现的，其优点是简单，高效；其缺点是它对图像所有的像素点都按照相同的方式进行滤波处理，而不区分这些点是否为噪声点，对于非噪声点其实是不用取中值操作来进行滤波的，取中值后反而会导致该点的模糊。针对中值滤波的这个缺点随后出现了中值滤波算法的一些改进型方法，比如加权中值滤波方法，中心加权滤波方法，开关中值滤波和极值中值滤波等，这些方法大多数都是通过设定邻域不同点的权重或者设定闽值来进行中值滤波的，这些方法改进的目的就是要对不同的点进行不同的操作，而不是对所有的点都进行相同的处理，也就是说它们的目的是为了只对图像噪声点进行处理，或者尽量不要影响到图像信号点。

为了避免对信号点的影响，最近发展起来的一些方法就采取了先检测，后处理的策略，即第一步就是检测所给定的像素点是否为信号点，或者为噪声点;第二步就是根据第一步的检测结果只对图像中检测到的噪声点进行滤波处理。除了这些中值滤波方法，不同类型的均值滤波方法也被用来去除数字图像噪声，这些方法中的大多数也遵循先检测，后处理的规律，而且也能取得比较好的效果，但是均值滤波方法的计算复杂度要比中值滤波方法高的多。

随着计算机软计算技术的发展，越来越先进的计算机软计算技术也被用在图像去噪方面，神经网络和模糊逻辑网络解决了大量的图像处理问题。神经网络工具也可以用来进行数字图像噪声的去除，通过神经网络模型可以组建一个数字图像噪声检测器，用来对图像像素点进行检测，看其是否为噪声点或者信号点，然后通过各种不同的方法只对噪声点进行滤波操作，该类方法需要对样本数据集进行训练来获得神经网络模型，这里样本数据集的获取对神经网络模型判断的准确率至关重要，该方法在一定程度上能够很好地去除噪声，获得比较好的去噪效果，但是该方法比较复杂，计算量比较大，需要大量的训练数据和训练图像。

发明内容：

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种简单并且有效的方法对二值化图像和灰度图像中的噪声像素进行判断，并将噪声进行滤波去除，其去除噪声效率高，且不会损失图像的细节信息。

本发明采用如下技术方案：一种基于像素连续性判断的二值化图像的高效去噪声法，其包括如下步骤：

（1）基于噪声比较孤立，且分布较分散的特征，对于二值化图像，首先对某个像素进行分析，读取其亮度值，并对其进行八领域扩展；

（2）对扩展后的领域像素，分别对其亮度值进行分析，若有领域像素亮度值与被扩展像素的亮度值一致，则开始计算已经检测到的这些连续的同亮度的像素数N，并与设定的阈值N1进行比较，若N≥N1，则停止扩展检测，并判断已检测到的连续的同亮度的像素群为信号点，保持其亮度值不变，若N<N1，则以检测到的这些同亮度的像素为中心继续重复以上扩展、亮度判断以及与阈值进行比较的操作；

（3）若扩展分析后检测到其领域没有同亮度的像素，则停止扩展，计算已经检测到的连续的同亮度像素数目N，并与设定的阈值N1进行比较，若N<N1，则判断检测到的同亮度的像素群为噪声点，将其亮度转变为对立亮度而达到去噪效果，若N≥N1，则判断检测到的同亮度的像素群为信号点，保持其亮度值不变。

本发明还采用如下技术方案：一种基于像素连续性判断的灰度图像的高效去噪声法，其包括如下步骤：

（1）基于噪声比较孤立，且分布较分散的特征，对于灰度图像，首先对某个像素进行分析，读取其亮度值，并对其进行八领域扩展；

（2）对扩展后得到的领域像素进行分析，并读取其亮度值，计算所有扩展得到的领域像素的亮度与本次循环中第一个被扩展的像素的亮度差dBi，并将|dBi|与设定的阈值dB进行比较，若|dBi|＜dB，则判断此领域像素为同类像素，否则判断为异类像素；

（3）计算已经检测到的连续的同类像素数N，并与设定的阈值N2进行比较，若N≥N2，则停止扩展，并判断已经检测到的连续的同类像素为信号点，保持其亮度值不变，若N＜N2，则以检测到的同类像素为中心继续重复以上扩展、同异类像素判断以及与阈值进行比较的操作；

（4）若扩展分析后检测到领域没有同类像素，则停止扩展，计算已检测到的同类像素数N，并阈值N2进行比较，若N<N2，则判断此同类像素群为噪声，每个噪声像素点的亮度值用其周边的信号点亮度值的平均值进行替代以达到去噪的效果，否则判定为信号点而保持其亮度保持不变。

本发明具有如下有益效果：本发明根据噪声点分布比较分散、孤立以及信号点比较连续的特征，在二值化图像中直接通过相同亮度像素的连续性判断其为噪声与否，在灰度图像中先定义同类像素，并基于同类像素的连续性进行判断其为噪声与否；二值化图像中的噪声点直接通过将其亮度值改变为其对立亮度值而达到去噪效果，灰度图像中的噪声像素点的亮度值用其周边的异类像素点亮度的平均值进行替代以达到滤波去噪的效果，其判断以及去除噪声的算法简单，执行效率高，去噪效果好，且不会造成图像信息的丢失。

附图说明：

图1为像素八领域扩展示意图。

图2为二值化图像判断噪声以及去除噪声的程序流程图。

图3为灰度图像判断噪声以及去除噪声的程序流程图。

图4为含有噪声的二值化图像示意图。

图5为去除噪声后的二值化图像示意图。

图6为含有噪声的灰度图像示意图。

图7为去除噪声后的灰度图像示意图。

具体实施方式：

下面将结合附图对本发明的基本思路、判断方法以及去噪过程作详细介绍。

对于二值化图像，其像素点的亮度只有两种，即白色和黑色。根据噪声分布比较零散且孤立的特征，采用计算连续的同亮度像素数目N与所设定阈值N1进行比较从而对像素进行判断其是否为噪声点。首先对某一个像素进行分析，判断其为黑色还是白色，假设判断结果为黑色，接着按照图1所示的方式对其进行八领域扩展，图1中编号为0的像素为被分析像素，也即被扩展像素，编号为1-8的像素为扩展得到的八个领域像素（若被分析像素是图像最边缘的像素，则对其进行合适的五领域或者三领域扩展）。

对扩展后的领域像素，分别对其进行分析（后期循环到此操作时必须排除外层循环中已经分析过的像素），判断其颜色。若有黑色像素，则开始计算已经检测到的黑色像素数目N，并与设定的阈值N1进行比较，若N≥N1，则停止扩展检测，并判断已检测到的黑色像素为信号点，并保持其亮度值不变，若N<N1，则以检测到的黑色像素为中心重复以上扩展分析和判断的操作。若扩展分析时检测到其领域没有黑色像素，则停止扩展，计算已经检测到的黑色像素数目N，并与设定的阈值N1进行比较，若N<N1，则判断检测到的黑色像素群为噪声点，将其亮度变为其对立亮度而达到去噪效果，若N≥N1，则判断检测到的黑色像素群为信号点，保持其亮度值不变。若分析的第一个像素为白色，则每次扩展时检测其领域像素是否有白色像素，并将检测到的白色像素数目N与设定的阈值N1进行比较，最后判断是噪声还是信号点，采取相同的处理方法。

至此，以分析第一像素为起点的一轮循环已经结束，紧接着进行下一轮的循环以下一个像素为分析目标，直到所有像素被分析完。其程序流程图如图2所示。

如图4所示的二值化图像示意图，每个方框代表一个像素，现以其为例，对其进行具体的去除噪声的操作。在此设定阈值N1为4，则所有连续像素数目小于4的黑色像素点将被判断为噪声。如编号为0的黑色像素点，其领域的像素点编号为1-8,八个领域像素均为白色，并未有黑色像素与其相连，即连续黑色像素数目为1，因此将判断其为噪声，并将其亮度转变为其对立的亮度。

继续判断图4中编号为32和33的两个黑色像素点，将编号为32的像素点进行八领域扩展后只有编号为33的像素点是黑色，因此判断像素33为与其相连的黑色像素点，而对编号为33的像素进行八领域扩展后并排除已分析过的像素32，并无黑色像素与其相连，因此，此处连续的黑色像素数目为2，同样小于阈值4，因此将其判断为噪声并转换为白色。

同样，图4中编号为29的像素点的八个领域像素中只有编号为30的像素点是黑色，因此判断像素30为与其相连续的像素点，编号为30的像素点的八个领域像素中除了已经分析过的像素29外只有编号为31的像素点是黑色，因此判断像素31为与其相连续的像素点，像素31的八个领域像素中除了已经分析过的像素30以外并无黑色像素与其相连，因此，此处连续的黑色像素数目为3，同样小于阈值4，因此将其判断为噪声，并转变其亮度值。

对于图4中编号为9-28的黑色像素点，采用同样的计算方法得到其连续的黑色像素数目为20，大于设定的阈值4，因此判断此连续的黑色像素群为信号点，保持其亮度不作任何变化。至此，图4所示的二值化图像已经去除噪声完毕，最终效果如图5所示。

对于灰度图像，同样需要先对噪声点进行判断。同样根据灰度图像噪声像素分布比较零散、孤立且其亮度往往与信号点亮度差别较大的特征，通过亮度差值和连续的同类像素数目与阈值分别进行比较从而判断像素是否为噪声点。

首先对第一个像素进行分析，读取其亮度值，并对其进行如图1所示的领域扩展，并读取其领域像素的亮度值，计算所有领域像素与本次循环中第一个被分析的像素的亮度差dBi，并将|dBi|与设定的阈值dB进行比较，若|dBi|＜dB，则判断此领域像素为同类像素，否则将此领域像素判断为异类像素。计算已经检测到的同类像素数N，并与设定的阈值N2进行比较，若N≥N2，则判断已检测到的连续的同类像素群为信号点而保持其亮度值不变，若N＜N2，则以检测到的同类像素为中心重复以上扩展、同异类像素判断（这里的每次内循环计算的亮度差dBi都是新扩展到的像素与本轮循环中第一个被分析像素的亮度值之差）以及计算同类像素数目N的操作，若扩展分析后检测到领域没有同类像素，则停止扩展，同样将检测到的同类像素的数目N与阈值N2进行比较，若N<N2，则判断此同类像素群为噪声，每个噪声像素点的亮度值用其周边的信号点亮度值的平均值进行替代以达到去噪的效果；否则判定为信号点而保持其亮度保持不变。接着判断此次循环分析的第一个像素是否为图像要分析的最后一个像素，若是，则标志着已经完成去噪的操作，停止循环，程序结束，若不是，则将下一个像素作为分析对象进行下一轮的大循环。其程序流程图如图3所示。

如图6所示的灰度图像示意图，同样每个方框代表一个像素，现以其为例，对其进行具体灰度图像去除噪声的操作。

首先根据图像的特征确定合适的亮度差阈值dB和连续像素个数阈值N2。依然设定阈值N2为4。对像素0进行八领域扩展后得到的周边的八个领域内的像素与编号为0的像素的亮度差dBi均大于阈值dB，因此判断其领域的8个像素均为异类像素，没有同类像素与其相连，因此连续的同类像素点个数N值为1，小于阈值N2，判断其为噪声点，并将其亮度用其领域异类像素亮度的平均值代替。

以编号为9的像素为分析对象，对其进行领域扩展，得到编号为1、2，10的三个领域像素，经判断，只有像素10为同类像素，其他均为异类像素，继续对像素10进行领域扩展，得到唯一的同类像素11，如此进行，最终检测到的同类像素为编号为9-14的6个像素，连续的同类像素的数目N值为7，满足N≥N2，因此判断编号为9-14的6个像素为信号点，不对其作任何改变。

同理判断像素15-24，27-32，34-37，38-52分别为同类像素的信号点，不对其作任何改变，而像素33以及像素25-26被判断为噪声点，将其亮度用领域的异类像素均值来代替，最终去噪效果如图7所示。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (2)

1.一种基于像素连续性判断的二值化图像的高效去噪声法，其特征在于：包括如下步骤

（1）基于噪声比较孤立，且分布较分散的特征，对于二值化图像，首先对某个像素进行分析，读取其亮度值，并对其进行八领域扩展；

（2）对扩展后的领域像素，分别对其亮度值进行分析，若有领域像素亮度值与被扩展像素的亮度值一致，则开始计算已经检测到的这些连续的同亮度的像素数N，并与设定的阈值N1进行比较，若N≥N1，则停止扩展检测，并判断已检测到的连续的同亮度的像素群为信号点，保持其亮度值不变，若N<N1，则以检测到的这些同亮度的像素为中心继续重复以上扩展、亮度判断以及与阈值进行比较的操作；

（3）若扩展分析后检测到其领域没有同亮度的像素，则停止扩展，计算已经检测到的连续的同亮度像素数目N，并与设定的阈值N1进行比较，若N<N1，则判断检测到的同亮度的像素群为噪声点，将其亮度转变为对立亮度而达到去噪效果，若N≥N1，则判断检测到的同亮度的像素群为信号点，保持其亮度值不变。

2.一种基于像素连续性判断的灰度图像的高效去噪声法，其特征在于：包括如下步骤

（1）基于噪声比较孤立，且分布较分散的特征，对于灰度图像，首先对某个像素进行分析，读取其亮度值，并对其进行八领域扩展；

（2）对扩展后得到的领域像素进行分析，并读取其亮度值，计算所有扩展得到的领域像素的亮度与本次循环中第一个被扩展的像素的亮度差dBi，并将|dBi|与设定的阈值dB进行比较，若|dBi|＜dB，则判断此领域像素为同类像素，否则判断为异类像素；

（3）计算已经检测到的连续的同类像素数N，并与设定的阈值N2进行比较，若N≥N2，则停止扩展，并判断已经检测到的连续的同类像素为信号点，保持其亮度值不变，若N＜N2，则以检测到的同类像素为中心继续重复以上扩展、同异类像素判断以及与阈值进行比较的操作；

（4）若扩展分析后检测到领域没有同类像素，则停止扩展，计算已检测到的同类像素数N，并阈值N2进行比较，若N<N2，则判断此同类像素群为噪声，每个噪声像素点的亮度值用其周边的信号点亮度值的平均值进行替代以达到去噪的效果，否则判定为信号点而保持其亮度保持不变。

Images