CN104392418B - 基于各向异性扩散的图像平滑改进算法 - Google Patents
基于各向异性扩散的图像平滑改进算法 Download PDFInfo
- Publication number
- CN104392418B CN104392418B CN201410724307.6A CN201410724307A CN104392418B CN 104392418 B CN104392418 B CN 104392418B CN 201410724307 A CN201410724307 A CN 201410724307A CN 104392418 B CN104392418 B CN 104392418B
- Authority
- CN
- China
- Prior art keywords
- image
- image smoothing
- algorithm
- directions
- gradient
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种基于各向异性扩散的图像平滑改进算法,基于各向异性扩散的图像平滑改进算法,包括以下步骤:(1)对待处理图像进行Gauss滤波,去除较大噪声;(2)建立八方向图像平滑模型;(3)引入物理学中的重调和方程;(4)建立梯度与阈值的关系;(5)选取不同的扩散系数对图像进行平滑,使图像在保边缘、保部分细节信息和提高效率等方面都达到令人满意的效果;(6)用半隐式加性算子分裂(AOS)算法对图像进一步处理,得到去噪后的图像。实验结果表明,本发明的算法在去噪性能方面更具优越性。
Description
技术领域
本发明涉及图像处理技术领域,具体是基于各向异性算法改进的图像平滑处理算法。
背景技术
数字图像是很多学科领域获取信息的来源,但图像在采集过程中往往会因为各方面原因引入噪声。因此,在图像处理和计算机领域,图像去噪是最基本的问题之一。近几十年,偏微分方程(PDE)方法开始大量应用于图像处理,在图像的去噪、分割、边缘检测、增强等方面的研究都取得了显著进展。在基于偏微分方程的图像处理方法中,各向异性扩散由于其高质量的处理结果而成为研究热点。自PM算法提出后,各向异性扩散技术有了长足的发展。随着对该技术研究的不断深入,许多实验结果表明,PM算法存在缺陷,处理后的图像降噪不稳定,有明显的“阶梯”效应,并且保边缘性不是很好。
发明内容
鉴于上述现有技术中的不足,本发明提供一种基于各向异性扩散的图像平滑改进算法,解决去噪不稳定的问题,不仅可以有效的保护边缘,克服部分边缘和细节失真的缺陷,而且可以减少图像处理的次数。
本发明一种基于各向异性扩散的图像平滑改进算法,其特征在于,包括以下步骤:
步骤一、对待处理图像进行Gauss滤波,去除较大噪声;
步骤二、建立八方向图像平滑模型,
根据PM算法的扩散方程其中div、分别为散度算子和梯度
算子,I为待处理图像,将4个方向的梯度扩展到8个方向,八方向图像平滑模型为
步骤三、引入重调和方程相应的,八方向图像平滑模型
变为
步骤四、建立梯度与阈值的关系,
其中,MAD是零均值
的正态分布,偏差为0.6745;
步骤五、图像加高斯噪声后背景变化很大,在平滑区域内用强扩散强度,此时图像中亮度值相近的像素被连接在一起,形成了统一尺度范围的同质区域,加大了同质区域噪声的差别,但在平滑区域以外,
(1)若则图像平滑模型为
(2)若则图像平滑模型为
其中,α和β是连贯系
数;
(3)若则图像平滑模型为
其中Δk与图像的噪声水平有关,根据经验取值。
步骤六、用半隐式加性算子分裂(AOS)算法对图像进一步处理,
将图像I尺度化分解在[0,1]区间,
a).I为一维矩阵时,In+1=[1-τA(In)]-1In;其中,τ是时间步长,A(In)=[aij(In)],
式中,γi=aigi,h是离散化步长;
b).I为N维矩阵时,矩阵Al=(aijl)ij;
1)令
2)计算
3)当i=1,…,M时,计算的三个对角线上的元素:求解得到
4)当j=1,…,N时,同样计算的三个对角线上的元素,求解得到
5)计算
上述步骤1)-5)完成一次迭代,重复多次迭代可得到清晰图像。
所述待处理图像为彩色或黑白图像。
本发明达到的有益效果:
1、在稳定性方面,引入物理学中的重调和方程,利用其在弹性介质中应力分布平衡的性质,平衡的控制扩散的强度,稳定性强;
2、在复杂度方面,设计了一个梯度与阈值的关系函数,自动控制扩散过程,算法简单;
3、在时效性方面,因为需要的信息量少,实施的复杂度低,从而降低了算法的处理时间;
4、在去噪性能方面,图像的峰值信噪比和平滑效率大幅提高,图像经处理后更加清晰。
附图说明
图1为八方向稳定图像平滑算法分析曲线图;
图2为PM算法曲线图;
图3为本发明基于各向异性扩散的图像平滑改进算法,其中α,β分别取0.2和0.8。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
传统的PM算法的扩散方程为式中,div、分别为散度算子和梯度算子,I0代表初始图像,它是通过原图像与高斯核卷积获得,即I(x,y,t)=I0*G(x,y,t),扩散系数满足是关于梯度的函数,即在梯度低的区域平滑效果很强,而在接近边缘梯度较高的区域,PM模型尽可能地减少平滑,实现了保边缘。g(x)有以下两种形式:
步骤一、对待处理图像进行Gauss滤波,去除较大噪声;
步骤二、对上述的PM算法进行分析,建立八方向图像平滑模型,将4个方向的梯度扩展到8个方向,八方向图像平滑模型为
步骤三、引入重调和方程其描述了I(x,y,t)在弹性介质中应力分布平衡问题,在此把换成来平衡的控制梯度的强度,解决去噪不稳定性的问题,建立八方向稳定图像平滑算法
步骤四、建立梯度与阈值的关系,
其中,MAD是零均值
的正态分布,偏差为0.6745;
步骤五、在纹理区域及边缘处,图像平滑模型为
其中Δk与图像的噪声水平有关,根据经验取值,
步骤六、用半隐式加性算子分裂(AOS)算法对图像进一步处理,
将图像I尺度化分解在[0,1]区间,
a).I为一维矩阵时,In+1=[1-τA(In)]-1In;其中,τ是时间步长,A(In)=[aij(In)],
式中,γi=aigi,h是离散化步长;
b).I为N维矩阵时,矩阵Al=(aijl)ij;
1)令
2)计算
3)当i=1,…,M时,计算的三个对角线上的元素:求解得到
4)当j=1,…,N时,同样计算的三个对角线上的元素,求解得到
5)计算
上述步骤1)-5)完成一次迭代,重复多次迭代可得到清晰图像。
实施例2
与实施例1不同之处在于,本实施例在纹理区域及边缘处,步
骤五中图像平滑模型为其中α
和β是连贯系数,旨在保持算法连续性。其余相同步骤不再赘述。
实施例3
与实施例1和实施例2不同之处在于,本实施例在纹理区域及边缘处,图像平滑模型为其余步骤不再赘述。
本发明算法的合理性分析:
将上述模型进行简化,令则
当x<1时,当x≥1时,而当图像受到噪声污染时(即x≥1),虽然没
有扩散程度大,但是的应力平衡可以使扩散程度较稳定。观察图1与图2,
取阈值k=10,当x<10时,此时是在平滑区域,图1的扩散性能比图2好;当x>10时,在图像
的边缘,可以看出随着x的增加图1比图2更快趋于稳定,并且扩散程度小,很好的保护了边
缘,稳定的控制了扩散程度,扩散性能更好。图3为各向异性改进算法曲线图,其中α,β分别
取0.2和0.8。观察图3可以看到,在梯度较小的区域,即平滑区域,和图1、2相比其扩
散强度很大,能够很好的去除图像的噪声;在梯度适中的区域,即纹理区域,和
图1、2相比其扩散强度较大,能够很好的在去除图像噪声的同时,保护图像的纹理;在梯度
很大的区域,即边缘处,和图1、2相比其曲线很快地趋于0,扩散强度很小,能够很
好的保护图像的边缘。进一步观察图3可以看到其曲线的斜率变化很快,加快了扩散速率,
提高了整个算法的运行效率。
在获得尺度空间连续背景和提高平滑效率时,设定阈值k,在固定阈值k的情况下,图像的各部分中,不同扩散程度选择不同的扩散系数。考虑k和的关系:当时,算法有效的去除了噪声,解决了稳定性问题;当时,算法等同于PM算法,只是从4个方向转换成8个方向的梯度,提高了去噪的有效性;当时,根据k和的关系,给出一个过渡过程,其目的是使最终结果在尺度空间上保持连续性,有效的控制扩散区域,减少平滑次数,提高图像平滑的效果。
在Matlab环境下对本发明算法进行仿真,并和PM算法进行比较。采用均方差(MSE)、峰值信噪比(PSNR)作为评价标准,它们的定义为
图像的分辨率为W×H,I和I0表示原始图像和去噪后的图像,均方差(MSE)越小越好,峰值信噪比(PSNR)越大越好。表1为对三种算法进行仿真后的数值结果比较,
表1
由表1看出,图像平滑的次数大大减少,图像平滑的效率提高了1倍多,图像去噪效果得到了明显的提高,峰值信噪比和平滑效率都得到了大幅度的提高。
以上是本发明的较佳实施方式,但本发明的保护范围不限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内,未经创造性劳动想到的变换或替换,都应涵盖在本发明的保护范围之内。因此本发明的保护范围应以权利要求所限定的保护范围为准。
Claims (2)
1.一种基于各向异性扩散的图像平滑改进算法,其特征在于,包括以下步骤:
步骤一、对待处理图像进行Gauss滤波,去除较大噪声;
步骤二、建立八方向图像平滑模型,
根据PM算法的扩散方程将4个方向的梯度扩展到8个方向,八方向图像平滑模型为其中div、分别为散度算子和梯度算子,I为待处理图像,k1为梯度阈值;
步骤三、引入重调和方程相应的,八方向图像平滑模型变为其中,k为阈值;
步骤四、建立梯度与阈值k的关系,
其中,MAD是零均值的正态分布,偏差为0.6745;
步骤五、由于图像加高斯噪声后背景变化很大,可以考虑在平滑区域内用较大的扩散强度,在纹理区域用适中的扩散强度,在边缘处用较小的扩散强度,具体过程如下:
(1)若则图像平滑模型为
(2)若则图像平滑模型为其中,α和β是连贯系数;
(3)若则图像平滑模型为
其中Δk与图像的噪声水平有关,根据经验取值;
之后用半隐式加性算子分裂(AOS)算法进行数值计算,即将图像I尺度化分解在[0,1]区间,其简化过程如下:
当用一维矩阵向量表示法表示时,其迭代方案为In+1=[1-τA(In)]-1In,
其中,τ是时间步长,A(In)=[aij(In)],且
式中,γi=aigi,h是离散化步长,以此类推,当用N维矩阵向量表示法表示时,其迭代方案如为
当完成In后:
1)令
2)计算(fij)σ=fij*Gσ, α和β是连贯系数;
3)当i=1,…,M时,计算的三个对角线上的元素: 并求解得到
4)当j=1,…,N时,同样计算的三个对角线上的元素,
并求解得到
5)计算
通过上述步骤1)-5)便完成了一次迭代,经过多次迭代操作便可得到一幅很清晰的图像。
2.根据权利要求1所述的基于各向异性扩散的图像平滑改进算法,其特征在于:所述待处理图像为彩色或黑白图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410724307.6A CN104392418B (zh) | 2014-12-03 | 2014-12-03 | 基于各向异性扩散的图像平滑改进算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410724307.6A CN104392418B (zh) | 2014-12-03 | 2014-12-03 | 基于各向异性扩散的图像平滑改进算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392418A CN104392418A (zh) | 2015-03-04 |
CN104392418B true CN104392418B (zh) | 2019-03-22 |
Family
ID=52610316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410724307.6A Active CN104392418B (zh) | 2014-12-03 | 2014-12-03 | 基于各向异性扩散的图像平滑改进算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392418B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766278A (zh) * | 2015-03-19 | 2015-07-08 | 天津大学 | 基于自适应平滑系数的各向异性滤波方法 |
CN104715457A (zh) * | 2015-03-19 | 2015-06-17 | 天津大学 | 基于边缘保护的快速加权各向异性扩散滤波方法 |
CN104700372B (zh) * | 2015-03-19 | 2017-08-04 | 天津大学 | 基于边缘保护的加权各向异性扩散滤波方法 |
CN109285123B (zh) * | 2017-07-20 | 2020-09-11 | 展讯通信(上海)有限公司 | 图像平滑方法及装置、计算机可读存储介质、终端 |
CN107978005B (zh) * | 2017-11-21 | 2021-01-08 | 首都师范大学 | 一种基于保边界扩散和平滑的有限角ct图像重建算法 |
CN108805842A (zh) * | 2018-06-14 | 2018-11-13 | 网易(杭州)网络有限公司 | 图像处理方法与装置 |
CN111192203A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 一种超声图像降噪的各向异性扩散算法 |
CN114418870A (zh) * | 2021-12-22 | 2022-04-29 | 五邑大学 | 图像去噪方法、系统以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345731A (zh) * | 2013-07-22 | 2013-10-09 | 上海大学 | 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法 |
CN103679663A (zh) * | 2013-12-25 | 2014-03-26 | 浙江师范大学 | Tetrolet变换域结合PDE和GCV理论的图像去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9641729B2 (en) * | 2012-04-26 | 2017-05-02 | Futurewei Technologies, Inc. | System and method for encoder-integrated media denoising |
-
2014
- 2014-12-03 CN CN201410724307.6A patent/CN104392418B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345731A (zh) * | 2013-07-22 | 2013-10-09 | 上海大学 | 基于McIlhagga边缘检测算子的各向异性扩散图像降噪方法 |
CN103679663A (zh) * | 2013-12-25 | 2014-03-26 | 浙江师范大学 | Tetrolet变换域结合PDE和GCV理论的图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
The Improvement of ROF De-noising Model Based on AOS and Fourth-order PDE;Yonghong Zhang等;《Procedia Engineering》;20111231;第2778-2782页 |
偏微分方程去噪算法扩散系数的研究;侯传勇 等;《电子测试》;20130131(第01-02期);第11-14页 |
非线性扩散与小波变换的混合图像去噪算法;朱彦 等;《四川理工学院报(自然科学版)》;20130831;第26卷(第4期);第47-51页 |
Also Published As
Publication number | Publication date |
---|---|
CN104392418A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392418B (zh) | 基于各向异性扩散的图像平滑改进算法 | |
Chen et al. | Adaptive total variation denoising based on difference curvature | |
Duan et al. | Fast algorithm for color texture image inpainting using the non-local CTV model | |
Chen et al. | Split Bregmanized anisotropic total variation model for image deblurring | |
CN107085840B (zh) | 基于分数阶偏微分方程的图像去噪方法 | |
Rafsanjani et al. | Efficient diffusion coefficient for image denoising | |
Yu et al. | Underwater image enhancement based on color-line model and homomorphic filtering | |
CN112308872A (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
Duan et al. | Introducing diffusion tensor to high order variational model for image reconstruction | |
Zhang et al. | Image restoration method based on fractional variable order differential | |
Liu et al. | Single color image dehazing based on digital total variation filter with color transfer | |
Yuan et al. | Perona–malik model with a new diffusion coefficient for image denoising | |
Fu et al. | Perception oriented haze image definition restoration by basing on physical optics model | |
Hudhud et al. | Digital removal of power frequency artifacts using a Fourier space median filter | |
Azetsu et al. | Trilateral filter using rank order information of pixel value for mixed Gaussian and impulsive noise removal | |
CN104574295A (zh) | 自适应阈值图像去噪算法 | |
Liu et al. | Adaptive anisotropic diffusion for image denoising based on structure tensor | |
Yuan et al. | Anisotropic diffusion model based on a new diffusion coefficient and fractional order differential for image denoising | |
Naqash et al. | Edge sharpening in grayscale images using modified Sobel technique | |
KR20130088238A (ko) | 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법 | |
Priorov et al. | Applications of image filtration based on principal component analysis and nonlocal image processing | |
Pizano | Extracting line features from images of business forms and tables | |
Huang et al. | An novel image de-noising model based on gradient and adaptive curvature features and its application | |
Shakenov | Algorithms of background suppression in the problem of detection of point targets in images | |
Bishnoi | Noise removal with morphological operations opening and closing using erosion and dilation |
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 |