CN104715464A - 基于分层的随机值冲击噪声去除方法和系统 - Google Patents

Abstract

本发明公开了一种基于分层的随机值冲击噪声去除方法，其具体包括以下的步骤：从高到低逐级设置多层噪声值判决门限；用最高噪声值判决门限筛选出需要去噪图像中的噪声点，并对噪声点进行中值滤波，得到第一中间去噪图像；用次高噪声值判决门限筛选出第一中间去噪图像中的噪声点，并采用同样的方法去噪得到第二中间去噪图像，依次类推，逐层完成噪声点筛选和去噪，直到完成所有层的噪声判决和去噪，获得最终的去噪图像。本发明的方法无论在低噪声比率还是高噪声比率的情况下均能有效地检测出图像中的随机值冲击噪声，漏检和误检像素数相对较低，同时获得了较好的图像去噪效果。

Description

基于分层的随机值冲击噪声去除方法和系统

技术领域

本发明涉及图像处理技术领域，本发明公开了一种基于分层的随机值冲击噪声去除方法和系统。

背景技术

数字图像在获取、存储、传输的过程中容易遭受噪声的污染，导致用户无法从被污染的图像中获取正确的关键信息，另一方面使诸多图像后处理(例如：边缘检测、目标识别、特征提取等)难以获得满意的结果。因此，如何有效地去除被污染图像中的噪声，同时又保持本真图像中的关键细节特征一直是图像处理领域的研究热点。冲击噪声作为一种常见的噪声类型倍受研究者的关注，它对图像的污染通常是由于传感器上某些不良阵元的影响所致或是受传输信道内与信号无关的噪声干扰而产生，所污染的图像中部分比例的像素点值被冲击噪声值所篡改，而其余像素点值与本真值完全一致。按照冲击噪声值的不同可将这种噪声分为两类：固定值冲击噪声和随机值冲击噪声，前者通常具有较极端的值(比如0或者255)，因此也被称为椒盐噪声，而后者的噪声值则是均匀分布在图像的灰度范围中。

对于椒盐噪声，现有的CN201010567754.7号专利申请公开了一种椒盐噪声去除方法，包括：对输入噪声图像进行中值滤波；将中值滤波结果与输入噪声图像进行差分，基于差分结果确定噪声候选点；对中值滤波结果进行边缘检测，得到边缘细节点；排除噪声候选点中差分绝对值小于第一阈值的边缘细节点，得到真实噪声点；对真实噪声点进行局部中值滤波，形成去除了椒盐噪声的去噪图像。相应地，本发明还提供一种椒盐噪声去除装置，包括：噪声候选点获取模块，边缘细节点获取模块，真实噪声点获取模块和局部中值滤波模块。但这样的方法并不适用于随机值冲击噪声。

最经典的去除冲击噪声的方法是中值滤波法，不仅操作简单而且有较强的去噪能力。但是这种方法将中值滤波作用于图像中所有的像素点，因此那些并没有受到污染的点就或多或少偏离了本真值，导致图像中很多细节有所失真。基于决策的改进中值滤波法弥补了经典中值滤波的漏洞，它首先对全图做一次噪声检测，然后仅对噪声点进行处理，未检测为噪声的像素点值被保存。在基于决策的去噪方法中，噪声检测性能至关重要，过高的漏检率或误检率都会对后续图像恢复效果产生不良影响。相对于固定值冲击噪声而言，随机值冲击噪声由于某些噪声点值与邻近非噪像素值之间差异并不那么明显，因此在检测上难度较大。在此问题上，由Tao Chen等人提出的自适应中心加权中值滤波技术(T.Chen,H.Ren Wu,Adaptive impulse detectionusing center-weighted median filters,IEEE Signal Process.Lett.,2001,8,(1),pp.1–3)在较低噪声比率的情况下可以取得很好的噪声检测效果，由于该去噪方法使用便捷效果良好，因此被广泛应用于诸多其他的去噪方法中。然而，当噪声污染率大于30％时，这种技术的漏检率迅速攀升，对后续去噪方法产生了负面影响。

现有的CN201310097363.7号专利申请公开了一种应用于数字图像的自适应多级加权中值滤波方法，该方法根据噪声值的特点来判断图像中的噪声点，并将噪声点标记出来，再对标记出来的噪声点使用自适应多级加权中值滤波方法进行滤波处理，并且滤波实现过程中已经检测出的噪声点以及处理过的噪声点均不参与计算。本发明的自适应多级加权中值滤波方法具有噪声检测正确率高、处理后的像素点与原图像信号点相似性高、保留图像细节能力好。其根据图像受到污染后像素值的特点，找出噪声点和像素点的区别，通过判断待测点的像素值与噪声参考值之间差值来检测噪声点，但同样地，上述的方法还是只适用于固定值冲击噪声，而不适用于随机值冲击噪声，因为随机值冲击噪声值均匀分布在图像的灰度范围中，无法直接根据图像受到污染后像素值的特点来找出随机值冲击噪声。因此，还是存在当噪声污染率大于30％时漏检率迅速攀升的问题无法解决。

发明内容

针对上述的自适应中心加权中值滤波存在当噪声污染率大于30％时，漏检严重的技术问题，本发明提出了一种基于分层的随机值冲击噪声去除方法和系统。

本发明的目的通过下述技术方案来实现：

本发明公开了一种基于分层的随机值冲击噪声去除方法，其具体包括以下的步骤：从高到低逐级设置多层噪声值判决门限；用最高噪声值判决门限筛选出需要去噪图像中的噪声点，并对噪声点进行中值滤波，得到第一中间去噪图像；用次高噪声值判决门限筛选出第一中间去噪图像中的噪声点，并采用同样的方法去噪得到第二中间去噪图像，依次类推，逐层完成噪声点筛选和去噪，直到完成所有层的噪声判决和去噪，获得最终的去噪图像。

更进一步地，上述每一层中的噪声值判决门限为一簇T_ks，T_k＝c·MAD+δ_k,k＝0,1,...,L-1，其中T_ks是T_k的复数表达，表示一簇多个，c∈[0,0.6]，MAD是指邻域像素偏离邻域中值的偏移中值量，δ_k是指第k个门限与基准门限值之间的偏差量，L＝2l×(l+1)，l是局部邻域大小。

更进一步地，上述邻域的基准设置为3×3窗口。

更进一步地，当噪声比率大于30％小于50％时，邻域在3×3窗口的基础上增加四个邻近像素点，当噪声比率大于50％时，邻域在3×3窗口的基础上增加八个或十六个邻近像素点。

更进一步地，上述中值滤波为自适应中心加权中值滤波。

更进一步地，第t层的噪声值判决门限为 $T_k^t=c\·\mathrm{MAD}+{\mathrm{\δ}}_k+\mathrm{step}\·(t\max -t),k=\mathrm{0,1},...,L-1,$ 其中c·MAD+δ_k为自适应中心加权中值滤波的判决门限，tmax表示最大分层，t为当前执行的层数，L＝2l×(l+1)，l表示局部邻域大小，step表示层与层像素值之间的灰度差值。

更进一步地，上述方法还包括输出信赖度矩阵和噪声空间，信赖度矩阵判断噪声的信赖度，噪声空间指出检测出的噪声的位置信息。

更进一步地，上述tmax＝4，step＝20。

本发明还公开了一种基于分层的随机值冲击噪声去除系统，其具体包括：多层噪声值判决门限设置模块、中值滤波模块、中间图像存储模块，所述多层噪声值判决门限设置模块用于从高到低逐级设置多层噪声值判决门限；所述中值滤波模块用于对噪声点进行中值滤波；所述中间图像存储模块用于存储中间去噪图像；从高到低逐层用噪声值判决门限筛选出图像中的噪声点并用中值滤波模块对噪声点进行中值滤波，下一层噪声值判决门限判决的对象是上一层中值滤波完成之后的中间图像。

更进一步地，上述系统还包括噪声比率判断模块，当噪声比率判断模块判断噪声比率大于30％小于50％时，邻域在3×3窗口的基础上增加四个邻近像素点，当噪声比率大于50％时，邻域在3×3窗口的基础上增加八个或十六个邻近像素点。

通过采用以上的技术方案，本发明具有以下的有益效果：本发明的方法无论在低噪声比率还是高噪声比率的情况下均能有效地检测出图像中的随机值冲击噪声，同时获得很好的图像去噪效果。本发明的方法作为一种基于决策的中值滤波方法，可以很好地完成随机值冲击噪声去除任务。

附图说明

图1为本发明的具体实现流程图。

具体实施方式

下面结合说明书附图，详细说明本发明的具体实施方式。为了便于描述，以下的实施例以自适应中心加权中值滤波技术为基础进行说明，但本发明的方法并不仅限于自适应中心加权中值滤波技术。只要是采用分层方式从高到低设置噪声判决门限，并判断出噪声点进行处理的得到中间图像，再针对中间图像逐层进行噪声判决都属于本发明思想所要保护的范围。

u(i,j)为一幅大小为M′N的理想数字图像u在像素点(i,j)上的灰度值，其中(i,j)∈Ω≡{1,...,M}×{1,...,N}，Ω为u的空间范围。若u是一幅8位灰度图像，则图中像素点值的灰度动态范围为u(i,j)∈[s_min,s_max]＝[0,255]。当u遭受某种噪声污染后则形成了与之不同的另一幅图像u⁰，图像去噪的任务则是从u⁰出发恢复出尽可能接近u的估计图像在冲击噪声污染图像的情况下，如下所示：

$u^0(i,j)=\left\{\begin{array}{c}s,\mathrm{with\; the\; probability\; p}\\ u(i,j),\mathrm{with\; the\; probability}1-p\end{array}\right.$

其中，p代表冲击噪声点的个数占图像全空间的比率，称作噪声比率(noise ratio)。随机值冲击噪声环境下，s是均匀分布在灰度动态范围[s_min,s_max]中；而固定值冲击噪声值仅取s_min或s_max。换句话说，u⁰中有一部分像素值与本真值完全相等，另一部分则偏离了本真值，偏离度有大有小，偏离得越多的像素点越不可信。显然，若在图像恢复之前做出噪声点位置的检测，则只需对噪声点进行去噪操作即可，也就是现有技术中的基于决策的去噪方法。

如图1所示的本发明的具体实现流程图，本发明公开了一种基于分层的随机值冲击噪声去除方法，其具体包括以下的步骤：从高到低逐级设置多层噪声值判决门限；用最高噪声值判决门限筛选出需要去噪图像中的噪声点，并对噪声点进行中值滤波，得到第一中间去噪图像；用次高噪声值判决门限筛选出第一中间去噪图像中的噪声点，并采用同样的方法去噪得到第二中间去噪图像，依次类推，逐层完成噪声点筛选和去噪，直到完成所有层的噪声判决和去噪，获得最终的去噪图像。本发明通过设置多层的噪声值判决门限，逐层进行噪声点的判决和去除，逐级恢复图像最终获得鲁棒的去噪图像，有效地抑制了可能残留在图像中的噪声，无论冲击噪声的污染比率如何，都可以获得较好地图像恢复效果。

更进一步地，上述中值滤波为自适应中心加权中值滤波。自适应中心加权中值滤波是一种广泛应用于随机值冲击噪声检测和去除的经典方法，经实践表明，在噪声比率不高的情况下，它可以很好地完成噪声检测与图像恢复任务。中心加权中值滤波式子如下：

y^2k(i,j)＝median{u⁰(i-m,j-n),(2k)◇u⁰(i,j)|-l≤m,n≤l}

其中l局部邻域大小，m,n为偏离中心像素的位移量，(2k)◇u₀(i,j)表示将中心像素u⁰(i,j)重复2k次，median{×}表示取集合的中值。令L＝2l×(l+1)，取k＝0,1,...,L-1，并设d_k＝|y^2k(i,j)-u⁰(i,j)|。显然：当k＝0时，y⁰(i,j)即为传统中值滤波值；当k≥L时，y^2k(i,j)＝u⁰(i,j)，此时d_k为0。

Tao Chen等人设置了一簇有效的判决门限值(是T_k的复数表达，表示一簇多个门限)

T_k＝c·MAD+δ_k,k＝0,1,...,L-1

MAD＝median{|u⁰(i-m,j-n)-y⁰(i,j)|:-l≤m,n≤l}

MAD是指邻域像素偏离邻域中值的偏移中值量，δ_k是指第k个门限与基准门限值之间的偏差量。

当局部邻域方形窗大小为3×3时，k＝0,1,2,3，取[d₀,d₁,d₂,d₃]＝[40,25,10,5]，c用于缩放MAD的比重，通常取c∈[0,0.6]。对于u⁰(i,j)，若d_k>T_k(k∈[0,1,...,L-1])，则判断u⁰(i,j)是噪声点，并用y⁰(i,j)来估计本真值。

更进一步地，第t层的噪声值判决门限为(是的复数表达，表示每一层是一簇门限)。

$T_k^t=c\·\mathrm{MAD}+{\mathrm{\δ}}_k+\mathrm{step}\·(t\max -t),k=\mathrm{0,1},...,L-1,$ 其中c·MAD+δ_k为经典自适应中心加权中值滤波技术中的经验门限值，tmax表示最大分层，t为当前执行的层数，L＝2l×(l+1)，l表示邻域大小，step表示层与层之间的像素灰度差值。很显然，当tmax为1时，即为Tao Chen等人提出的经典的自适应中心加权中值滤波技术，其判决门限只有一簇此时基于分层的随机值冲击噪声去除方法就类似于现有技术中经典的自适应中心加权中值滤波。自适应中心加权中值滤波是应用于随机值冲击噪声检测和去除的经典方法，其具体的实现过程在此不详细进行赘述。

本发明的方法中高门限所检测出的噪声点应该具有低的信赖度，而低门限所检测出的噪声点应该具有高的信赖度，未被检测为噪声的像素点具有绝对信赖度。令r表示u⁰的信赖度矩阵，则r(i,j)表示每个u⁰(i,j)点的信赖度，0≤r(i,j)≤1，并初始化r(i,j)＝1。设t为当前执行的层数，t从1到tmax递增，令u¹＝u⁰，第t层的门限如下式所示

$T_k^t=c\·\mathrm{MAD}+{\mathrm{\δ}}_k+\mathrm{step}\·(t\max -t),k=\mathrm{0,1},...,L-1$

对于每一层，都进行如下判决：

遍历u^t(i,j)：

k＝0:L-1

then r(i,j)＝(t-1)/tmax，u^t(i,j)＝y⁰(i,j).

然后递增层级：t＝t+1，并令u^t＝u^t-1继续进上式的判决，直至t＝tmax为止。先用高门限T_ks检测出的噪声点，并用邻域内的中值替换噪声点值，然后逐级得到层层筛选的噪声点以及中间去噪图u^t。

本发明的方法中

输入：一幅受随机值冲击噪声污染后的含噪图像u⁰及噪声污染率nr。

输出：信赖度矩阵r、噪声空间Ω_I以及去噪图像

<1>初始化设置：t＝1；tmax＝4；step＝20；u¹＝u⁰；确定局部邻域大小l，则L＝2l×(l+1)，取k＝0,1,...,L-1；置r(i,j)＝1,(i,j)∈Ω。

<2>分层筛选噪声：

第一步：遍历u^t(i,j)，(i,j)∈Ω：

k＝0:L-1，计算y^2k(i,j)＝median{u⁰(i-m,j-n),(2k)◇u⁰(i,j)|-l≤m,n≤l}，d_k＝|y^2k(i,j)-u^t(i,j)|，

设置门限 $T_k^t=c\&CenterDot;\mathrm{MAD}+{\mathrm{\&delta;}}_k+\mathrm{step}\&CenterDot;(t\max -t),$ MAD＝median{|u^t(i-m,j-n)-y⁰(i,j)|:-l≤m,n≤l}，[d₀,d₁,d₂,d₃]＝[40,25,10,5]。

判断大小，若则r(i,j)＝(t-1)/tmax，u^t(i,j)＝y⁰(i,j)。

令t＝t+1，并令u^t＝u^t-1，进入第二步。

第二步：若t≤tmax，返回第一步，否则分层计算结束，输出信赖度矩阵r、噪声空间Ω_I＝{(i,j)|r(i,j)≠1,(i,j)∈Ω}、最终去噪图像本发明的方法还可以输出信赖度矩阵和噪声空间，一般可以把去噪后的图像放在第一，噪声空间指出检测出的噪声的位置信息，信赖度矩阵则是判断噪声有多大的信赖度。

为保证在较高噪声比率的情况下有足够多的有用信息进行噪声判决，我们在局部邻域大小上做了适当的调整：当噪声比率大于30％小于50％时，邻域在3×3窗口的基础上再多增加四个邻近像素点；当噪声比率大于50％时，邻域在3×3窗口的基础上再多增加八个或十六个邻近像素点。这样能保证更加准确的噪声检测度。

更进一步地，上述tmax＝4；step＝20。

为了验证本发明方法的性能，选取了六幅典型灰度图像来进行仿真测试实验。为模拟不同比率的冲击噪声对图像的干扰，将10％至60％的随机值冲击噪声点加入到测试图像中，形成了不同噪声比率的带噪图像。同时，选择了三种有代表性的、并与本发明相关的冲击噪声去噪方法进行横向对比，它们分别是：中值滤波(Median Filter，MF)、现有的自适应中心加权中值滤波(Adaptive Center Weighted MedianFilter ACWMF)、方向加权中值滤波(Directional Weighted MedianFilter，DWMF)。

在定量评估图像质量时，选用峰值信噪比PSNR(PeakSignal-to-Noise Ratio)和结构相似性指数(Structure SimilarityIndex Measure，SSIM)来对去噪后的图像进行质量评估。PSNR主要利用了像素点间的平均灰度差异来衡量与u的相似度：

$\mathrm{PSNR}=10{\log }_{10}\frac{{255}^2}{(1/M\&CenterDot;N){\mathrm{\&Sigma;}}_{(i,j)\&Element;\mathrm{\&Omega;}}{(\hat{u}(i,j)-u(i,j))}^2}$

越是接近于本真图像u，PSNR值越高。SSIM则从结构视觉的角度来进行衡量，主要考虑了邻域窗内结构的吻合程度，它更加符合人的视觉在评价图像质量时的习惯。采用不同的方法对不同污染度的图像做去噪，定量评估结果如下表1-表3所示，表中粗体数值表示去噪性能最好的结果。由表可以看出：在低噪声比率(10％)下，本发明的方法就超过了ACWMF和DWMF这两种具有代表性的基于决策的改进中值滤波方法；在中噪声比率下(30％)，本发明的方法在PSNR上超过ACWMF平均约2.5dB，并且能与DWMF的去噪性能相媲美；在高噪声比率下(60％)，本发明的方法在PSNR上超过ACWMF平均约5dB，并且绝大多数情况也不输给DWMF。

表1 10％污染图像的量化恢复结果PSNRs(MSSIMs)

表2 30％污染图像的量化恢复结果PSNRs(MSSIMs)

表3 60％污染图像的量化恢复结果PSNRs(MSSIMs)

本发明的方法一大优点是在较高噪声比率的情况下较好地检测出冲击噪声，通过对比几种冲击噪声检测方法的误检(本来是非噪声却被判为噪声)和漏检(本来是噪声却被判为非噪声)像素数目来验证本发明方法所具有的这一优势。表4所示为ACWMF、DWMF和本发明方法三种方法对含有40％-60％随机值冲击噪声的“Lena”图像进行噪声检测的结果。可见：在较高噪声比率的情况下(>30％)，本发明的方法检测噪声的总错误数(漏检数与误检数之和)最小；原始的ACWMF方法的漏检数量非常高，是该方法的致命缺陷；DWMF在检测效果上逊色于本发明的方法。这一结果充分说明了分层筛选噪声的思路是正确的，通过设置由高到低的噪声判决门限，具有不同灰度偏移量的噪声逐步被甄选出来。

表4对不同噪声比率的“Lena”图进行随机值冲击噪声检测的性能比较

上述的实施例中所给出的系数和参数，是提供给本领域的技术人员来实现或使用本发明的，本发明并不限定仅取前述公开的数值，在不脱离本发明的发明思想的情况下，本领域的技术人员可以对上述实施例作出种种修改或调整，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (10)

1.一种基于分层的随机值冲击噪声去除方法，其具体包括以下的步骤：从高到低逐级设置多层噪声值判决门限；用最高噪声值判决门限筛选出需要去噪图像中的噪声点，并对噪声点进行中值滤波，得到第一中间去噪图像；用次高噪声值判决门限筛选出第一中间去噪图像中的噪声点，并采用同样的方法去噪得到第二中间去噪图像，依次类推，逐层完成噪声点筛选和去噪，直到完成所有层的噪声判决和去噪，获得最终的去噪图像。

2.如权利要求1所述的基于分层的随机值冲击噪声去除方法，其特征在于所述每一层中的噪声值判决门限为一簇                                                ，，其中是的复数表达，表示一簇多个，，是指邻域像素偏离邻域中值的偏移中值量，是指第k个门限与基准门限值之间的偏差量，，是局部邻域大小。

3.如权利要求2所述的基于分层的随机值冲击噪声去除方法，其特征在于所述邻域的基准设置为3×3窗口。

4.如权利要求3所述的基于分层的随机值冲击噪声去除方法，其特征在于当噪声比率大于30%小于50%时，邻域在3×3窗口的基础上增加四个邻近像素点，当噪声比率大于50%时，邻域在3×3窗口的基础上增加八个或十六个邻近像素点。

5.如权利要求1或者4所述的基于分层的随机值冲击噪声去除方法，其特征在于所述中值滤波为自适应中心加权中值滤波。

6.如权利要求5所述的基于分层的随机值冲击噪声去除方法，其特征在于第层的噪声值判决门限为，，其中为自适应中心加权中值滤波的判决门限，表示最大分层，为当前执行的层数，，表示局部邻域大小，表示层与层像素值之间的灰度差值。

7.如权利要求5所述的基于分层的随机值冲击噪声去除方法，其特征在于方法还包括输出信赖度矩阵和噪声空间，信赖度矩阵判断噪声的信赖度，噪声空间指出检测出的噪声的位置信息。

8.如权利要求7所述的基于分层的随机值冲击噪声去除方法，其特征在于所述，。

9.一种基于分层的随机值冲击噪声去除系统，其特征在于具体包括：多层噪声值判决门限设置模块、中值滤波模块、中间图像存储模块，所述多层噪声值判决门限设置模块用于从高到低逐级设置多层噪声值判决门限；所述中值滤波模块用于对噪声点进行中值滤波；所述中间图像存储模块用于存储中间去噪图像；从高到低逐层用噪声值判决门限筛选出图像中的噪声点并用中值滤波模块对噪声点进行中值滤波，下一层噪声值判决门限判决的对象是上一层中值滤波完成之后的中间图像。

10.如权利要求9所述的基于分层的随机值冲击噪声去除系统，其特征在于所述系统还包括噪声比率判断模块，当噪声比率判断模块判断噪声比率大于30%小于50%时，邻域在3×3窗口的基础上增加四个邻近像素点，当噪声比率大于50%时，邻域在3×3窗口的基础上增加八个或十六个邻近像素点。