CN104751426A - 基于三维块匹配变换去除高密度脉冲噪声的方法 - Google Patents

Abstract

本发明公开一种基于三维块匹配变换去除高密度脉冲噪声的方法，主要解决现有方法在高密度噪声下无法恢复清晰图像，且不能保留图像细节和结构信息的问题。其实现步骤是：1.对待处理的噪声图像进行噪声检测，并分别标记噪声图像中噪声像素点的位置与清晰像素点的位置；2.估计噪声图像中的噪声像素点，得到预滤波图像；3.对预滤波图像进行三维块匹配变换估计，得到初始清晰图像；4.用噪声图像中没有受噪声污染的像素点替代初始清晰图像中相应位置的像素点，得到最终的清晰图像。仿真实验表明，在受不同程度脉冲噪声的情况下，本发明不论是在主观视觉效果上还是在客观评价结果上均优于现有算法，可用于去除高密度脉冲噪声，恢复清晰图像。

Description

基于三维块匹配变换去除高密度脉冲噪声的方法

技术领域

本发明属于数字图像处理技术领域，具体涉及去除图像脉冲噪声方法，可用于实现从高密度脉冲噪声污染的图像中恢复出清晰图像。

背景技术

作为信息传递的媒介，图像在传输和存储的过程中，会产生各种各样的噪声，影响人类对图像中有效信息的读取，因此图像去噪一直受到广泛的关注。图像噪声按概率密度函数分主要有以下几类:高斯噪声,瑞利噪声，伽马噪声，均匀分布噪声，指数分布噪声，脉冲噪声。脉冲噪声是非连续的，其由持续时间短和幅度大的不规则脉冲或噪声尖峰组成。产生脉冲噪声的原因多种多样，其中包括电磁干扰以及通信系统的故障和缺陷，也可能在通信系统的电气开关和继电器改变状态时产生。脉冲噪声主要来源于数字图像获取和传输过程，是一类非常普遍的噪声，对于受脉冲噪声污染的图像而言，一般具有两个特点：首先，噪声图像中只有一部分像素点被噪声污染，还有一部分像素点是清晰的；其次，噪声图像中受脉冲噪声污染的像素点灰度值通常处于图像像素点灰度值动态范围的两端。脉冲噪声使图像出现随机分布的黑白相间的噪声点，很大程度上降低了图像质量，脉冲噪声的存在，对图像后续处理工作，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，比如在医学应用中获取了人体的医学扫描图像，若所获取的图像上存在脉冲噪声，由于这种噪声的存在很有可能产生误诊现象。近年来，随着科学技术的发展，高质量和高清晰度的图像在国家安全、科学研究和人民生活等方面有越来越大的需求，因此，如何从被高密度脉冲噪声污染的图像中恢复出清晰图像一直是图像处理领域的一个挑战。

在过去几十年涌现出了大量的图像脉冲噪声去除方法，每一种方法都有着各自的特点与侧重点。中值滤波是一类很经典的滤波算法，也常被应用于图像脉冲噪声的去除过程中，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，对非噪声点进行中值滤波后反而会导致该点的模糊，破坏了图像自身包含的细节信息，极大的影响了图像的质量。针对中值滤波的这一缺点随后出现了中值滤波算法的一些改进方法，如开关中值滤波SMF,加权中值滤波方法WM和中心加权滤波方法CWM等，些方法改进的目的就是要对不同的点进行不同的操作，而不是对所有点都进行相同的处理，即只对图像噪声点进行处理。在实际应用中，对高密度噪声来说，这些方法在很大程度上降低了恢复图像的精确度和准确度，并且在图像的视觉效果上，会产生一些不好的视觉效应，在计算机的处理上，同样无法满足要求。

发明内容

本发明的目的在于针对现有技术的缺点，充分利用高斯噪声特点，将去除高斯噪声的算法应用到抑制高密度脉冲噪声上，提出一种基于三维块匹配变换去除高密度脉冲噪声的方法，以保持恢复图像的结构和细节信息，提高图像恢复的精度和准确度。

实现本发明的技术方案是，对待处理的脉冲噪声图像进行噪声点检测,将噪声图像中受噪声污染的像素点进行预滤波操作,预滤波后的每一幅图像的噪声直方图近似服从高斯分布，从而可以将去除高斯噪声的三维块匹配算法用于抑制高密度脉冲噪声上，通过对预滤波图像进行三维块匹配变换估计以恢复出有效抑制脉冲噪声的清晰图像，具体步骤包括如下：

(1)对待处理的噪声图像N进行噪声检测，并分别标记噪声图像中噪声像素点的位置与清晰像素点的位置；

(2)对噪声图像中的噪声像素点进行值估计，得到预滤波图像P：

(2a)以噪声图像N中受噪声污染的像素点为中心，对噪声图像N加大小为7×7的窗W,如果窗中没有清晰像素点，则扩大窗直到窗中有清晰像素点为止；

(2b)统计窗W内清晰像素点的个数，利用窗中清晰像素点进行中值滤波，得到预滤波图像P像素点的灰度值P(i,j)：

$P(i,j)=\left\{\begin{array}{cc}\underset{\mathrm{map}(k,l)\≠1}{\mathrm{median}\left(N(k,l)\right)}& N(i,j)=1\\ N(i,j)& N(i,j)=0\end{array}\right.$

其中，k∈(i-3,i+3),l∈(j-3,j+3),(i,j)为噪声图像N像素点的坐标，P(i,j)为滤波图像P位于坐标(i,j)处像素点的灰度值,N(i,j)为噪声图像N位于坐标(i,j)处像素点的灰度值；

(2c)根据预滤波图像P像素点的灰度值P(i,j)，得到预滤波图像P＝{P(i,j)}；

(3)对预滤波图像P进行三维块匹配变换估计，得到初始清晰图像R₀；

(4)用噪声图像N中没有受噪声污染的像素点替代初始清晰图像R₀中相应位置的像素点，得到最终的清晰图像R。

本发明与现有技术相比较具有如下优点：

第一，本发明由于加入脉冲噪声后的每一幅图像经预滤波后的噪声直方图近似服从高斯分布,可以将去除高斯噪声的三维块匹配算法用于抑制高密度脉冲噪声上,能有效去除高密度脉冲噪声。

第二，本发明利用三维块匹配算法去除脉冲噪声，不仅提高了去噪图像的信噪比，从而使得恢复图像越逼近清晰图像，提高了恢复质量,而且恢复图像的结构相似度更逼近清晰图像的结构相似度，保留了图像的细节信息，提高了恢复图像的精度和准确度。

实验仿真结果表明，在脉冲噪声密度为10％～90％的范围内均能恢复出符合人眼视觉和计算机处理要求的清晰图像，能够在有效去除脉冲噪声的同时保留图像的结构和细节信息。

附图说明

图1是本发明的实现流程图；

图2是噪声图像Baboon和Lena经预滤波后，所得到预滤波图像的噪声直方图；

图3是本发明与现有技术对脉冲噪声强度70％的Lena噪声图像去噪结果；

图4是本发明与现有技术对脉冲噪声强度为10％～90％的四幅噪声图像Lena，Boat，Monarch和Baboon去噪结果的平均折线图；

具体实施方式

下面结合附图对本发明的实施方式做进一步详细说明。

参照图1，本发明的实现步骤如下：

步骤1，对待处理的噪声图像N进行噪声检测，并分别标记噪声图像中噪声像素点的位置与清晰像素点的位置。

(1a)统计噪声图像N的各个灰度值对应像素点的数目，根据统计出的数目画出脉冲噪声图像N的直方图H；

(1b)将直方图H的包络函数两端的极值点作为最小阈值T_min和最大阈值T_max；

(1c)将最小阈值T_min，最大阈值T_max与噪声图像中N像素点的灰度值N(i,j)相比较：若噪声图像N中像素点的灰度值N(i,j)≥T_min+b₁或者N(i,j)≤T_max-b₂，则认为此像素点是受噪声污染的像素点,且将噪声像素点的灰度值置1，否则认为是清晰像素点且将其灰度值置0，其中：

其中，b₁＝b₂＝5,i＝1,2,3…M,j＝1,2,3…N，M是图像的行数,N是图像的列数。

步骤2，对噪声图像中的噪声像素点进行值估计，得到预滤波图像P。

(2a)以噪声图像N中受噪声污染的像素点为中心，对噪声图像N加大小为7×7的窗W,如果窗中没有清晰像素点，则扩大窗直到窗中有清晰像素点为止；

(2b)统计窗W内清晰像素点的个数，利用窗中清晰像素点进行中值滤波，得到预滤波图像P像素点的灰度值P(i,j)：

$P(i,j)=\left\{\begin{array}{cc}\underset{\mathrm{map}(k,l)\≠1}{\mathrm{median}\left(N(k,l)\right)}& N(i,j)=1\\ N(i,j)& N(i,j)=0\end{array}\right.$

其中，k∈(i-3,i+3),l∈(j-3,j+3),(i,j)为噪声图像N像素点的坐标，P(i,j)为滤波图像P位于坐标(i,j)处像素点的灰度值,N(i,j)为噪声图像N位于坐标(i,j)处像素点的灰度值；

(2c)根据预滤波图像P像素点的灰度值P(i,j),得到预滤波图像P＝{P(i,j)}。

步骤3，对预滤波图像P进行三维块匹配变换估计，得到初始清晰图像R₀。

(3a)根据三维块匹配算法，在预滤波图像P中，以噪声像素点(i,j)为图像块的中心，分别设置搜寻窗S(i,j)和参考块P_C(i,j)：

S(i,j)＝{P(i+a,j+b)|-n₀≤a,b≤n₀}

P_C(i,j)＝{P(i+a,j+b)|-n₁≤a,b≤n₁}

其中,n₀＝10,n₁＝3，i＝1,2,3…M,j＝1,2,3…N，M是图像的行数,N是图像的列数，P(i+a,j+b)为预滤波图像P在坐标(i+a,j+b)处像素点的灰度值，搜寻窗S的大小为(2n₀+1)×(2n₀+1)，参考块P_C的大小为(2n₁+1)×(2n₁+1)；

(3b)在预滤波图像P中，连续的取出若干个参考块，并给出其中一个参考块，在搜寻窗S(i,j)中利用滑窗搜索方法在图像的不同位置逐一的比较候选块与参考块之间的相似性，找到参考块的相似块，并将其聚集到一个三维数组P(S_r)；

图像块之间的相似性可以通过候选块与参考块的差的平方和SSD来度量，SSD比给定的阈值小的图像块被认为是相似块而归入对应组中，形成一个三维阵列。

参考块P_C与候选块P_Cr之间的距离可以表述如下：

$d(P_{\mathrm{Cr}},P_C)=\frac{{\left|\right|P_{\mathrm{Cr}}-P_C\left|\right|}_2^2}{N_1^2}$

其中,N₁＝(2n₁+1)利用上式公式搜索到相似块结果，组成一个块相似集S_r，则有

S_r＝{P_C∈P|d(P_Cr,P_C)＜τ_d}，

其中，τ_d是两个图像块被认为是相似的最大距离，只有小于该阈值的搜索块才能属于集合S_r，由于d(P_C,P_C)＝0＜τ_d，所以集合S_r至少包含一个相似块，即|S_r|≥1，|S_r|表示集合S_r中子集的个数；

三维数组P(S_r)＝{S_r}，其大小为N₁×N₁×|S_r|；

(3c)对形成的三维数组P(S_r)进行三维线性变换后，再进行逆变换得到所有图像块的估计值Y_ht：

$Y_{\mathrm{ht}}=T_{3D}^{-1}({\mathrm{\γ}}_{\mathrm{ht}}\left(T_{3D}\left(P\left(S_r\right)\right)\right)$

其中，T_3D表示三维线性变换，表示三维线性逆变换，γ_ht表示硬阈值算子，其取值与噪声强度有关；

(3d)将所有图像块估计值Y_ht返回到它们的原始位置,并对其进行聚集，得到真实图像的基础估计R'₀：

R'₀＝φ_BM3D(Y_ht)

其中，φ_BM3D表示聚集算子，计算R'₀时通过对预滤波图像P中的所有图像块估计值Y_ht加权平均进行聚集，权重取决于硬阈值和标准差δ的值；

(3e)对基础估计R'₀进行块匹配，找到参考块的相似块在基础估计R'₀中的位置，通过这些位置得到预滤波图像P形成的一个三维数组P(S_r)和基础估计R'₀形成的一个三维数组R'₀(S_r)；

(3f)对形成的两个三维数组P(S_r)和R'₀(S_r)均进行三维线性变换，再进行逆变换得到所有图像块的估计值Y_wie：

$Y_{\mathrm{wie}}=T_{3D}^{-1}({\mathrm{\γ}}_{\mathrm{wie}}\left(T_{3D}\left(P\left(S_r\right)\right)\right)$

其中，表示维纳收缩系数，T_3D表示三维线性变换，表示三维线性逆变换,δ为标准方差；

(3g)将所有图像块估计值Y_wie返回到它们的原始位置,并对其进行聚集，得到真实图像的最终估计R₀：

R₀＝φ_BM3D(Y_wie)，

其中，φ_BM3D表示聚集算子，计算R₀时通过对基础估计R'₀中的所有图像块估计值Y_wie加权平均进行聚集，权重取决于维纳收缩系数和标准差δ的值。

步骤4，用噪声图像N中没有受噪声污染的像素点替代图像R中相应位置的像素点，得到最终的清晰图像R。

(4a)用噪声图像N中没有受噪声污染的像素点替代图像R中相应位置的像素点，得到最终的清晰图像R像素点的灰度值R(i,j)；

$R(i,j)=\left\{\begin{array}{cc}R(i,j)& N(i,j)=1\\ N(i,j)& N(i,j)=0\end{array}\right.$

(4b)根据最终的清晰图像R像素点的灰度值R(i,j)，得到最终的清晰图R＝{R(i,j)}。

本发明的效果可通过以下仿真实验进一步说明：

(1)实验条件：

本实验以Lena图像，Boat图像，Monarch图像和Baboon图像为测试图像，说明本发明利用三维块匹配算法去除脉冲噪声的仿真结果，测试图像大小均为512×512，灰度范围为0～255的灰度图像。

(2)实验内容：

实验1，以图像Baboon和Lena为例，画出每一幅预滤波图像的噪声直方图，如图2所示，其中图2(a)是+噪声图像Baboon经预滤波后，所得到的预滤波图像的噪声直方图，如图2(a)中pre曲线所示，2(b)是噪声图像Lena经预滤波后，所得到的预滤波图像的噪声直方图，如图2(b)中pre曲线所示。由图2可知，经预滤波后的两个噪声直方图近似服从高斯分布，高斯分布如图2(a)和2(b)中的gauss曲线所示。

实验2，用本发明对测试图像Lena添加脉冲噪声强度70％后进行去噪处理，并采用边界检测方法BDND，基于边缘检测算法改进方法MBDND，自适应开关加权均值滤波算法SAWM，基于噪声空间特性的去噪方法SDTF，基于排序的决策中值滤波器方法SSMF，云模型滤波算法CM对得到的噪声图像进行去噪处理，得到各种方法的去噪结果，结果如图3。其中：

图3(a)是Lena原始图像；

图3(b)是添加噪声密度70％后的脉冲噪声图像；

图3(c)是采用边界检测方法BDND对图3(b)去噪后的结果；

图3(d)是基于边缘检测算法改进方法MBDND对图3(b)去噪后的结果；

图3(e)是自适应开关加权均值滤波算法SAWM对图3(b)去噪后的结果；

图3(f)是基于噪声空间特性的去噪方法SDTF对图3(b)去噪后的结果；

图3(g)是基于排序的决策中值滤波器方法SSMF对图3(b)去噪后的结果；

图3(h)是云模型滤波算法CM对图3(b)去噪后的结果；

图3(i)是本发明对3(b)去噪后的结果；

由图3的实验结果可以看出，在脉冲噪声密度达到70％时，本发明能够恢复出满足人眼视觉要求的清晰图像，并且保留了图像的结构与细节信息。

实验3，用本发明对测试图像Lena，Boat，Monarch和Baboon，添加噪声强度为70％后进行去噪处理，并采用边界检测方法BDND，基于边缘检测算法改进方法MBDND，自适应开关加权均值滤波算法SAWM，基于噪声空间特性的去噪方法SDTF，基于排序的决策中值滤波器方法SSMF，云模型滤波算法CM对到的噪声图像进行去噪处理，得到各种方法的去噪结果峰值信噪比PSNR和结构相似度SSIM，分别如表1和表2所示。

表1不同方法对上面所提到测试图像去噪结果的PSNR比较(dB)

表2不同方法对上面所提到测试图像去噪结果的SSIM比较

由表1和表2可知，对测试图像添加噪声强度为70％的脉冲噪声后，现有的方法获得的PSNR和SSIM普遍小于本发明去噪后所得的PSNR值和SSIM值。

实验4，为了进一步验证本发明在去除脉冲噪声上的可行性，用本发明对四幅测试图像分别添加噪声强度为10％～90％范围内的脉冲噪声，对所得到的噪声图像进行去噪处理，并采用边界检测方法BDND，基于边缘检测算法改进方法MBDND，自适应开关加权均值滤波算法SAWM，基于噪声空间特性的去噪方法SDTF，基于排序的决策中值滤波器方法SSMF，云模型滤波算法CM对噪声图像进行去噪处理，得到各种方法的去噪结果平均峰值信噪比PSNR，如图4所示。

由图4可知，随着脉冲噪声密度的增加，现有方法的去噪结果的峰值性噪比PSNR迅速下降，而本发明对受不同程度脉冲噪声污染的噪声图像恢复时，均能获得高于现有方法的PSNR。

综上，在对噪声强度为70％的噪声图像进行恢复时，本发明在有效抑制脉冲噪声的同时，能保留图像原有的结构和细节信息，准确恢复出满足人眼视觉和计算机处理要求的清晰图像。无论是主观视觉效果还是客观评价结果，本发明在去除脉冲噪声上均有一个较好的效果。

Claims (2)

1.一种基于三维块匹配变换去除高密度脉冲噪声的方法，包括如下步骤：

(1)对待处理的噪声图像N进行噪声检测，并分别标记噪声图像中噪声像素点的位置与清晰像素点的位置；

(2)对噪声图像中的噪声像素点进行值估计，得到预滤波图像P：

(2a)以噪声图像N中受噪声污染的像素点为中心，对噪声图像N加大小为7×7的窗W,如果窗中没有清晰像素点，则扩大窗直到窗中有清晰像素点为止；

(2b)统计窗W内清晰像素点的个数，利用窗中清晰像素点进行中值滤波，得到预滤波图像P像素点的灰度值P(i,j)：

$P(i,j)=\left\{\begin{array}{cc}\underset{\mathrm{map}(k,l)\≠1}{\mathrm{median}\left(N(k,l)\right)}& N(i,j)=1\\ N(i,j)& N(i,j)=0\end{array}\right.$

其中，k∈(i-3,i+3),l∈(j-3,j+3),(i,j)为噪声图像N像素点的坐标，P(i,j)为滤波图像P位于坐标(i,j)处像素点的灰度值,N(i,j)为噪声图像N位于坐标(i,j)处像素点的灰度值；

(2c)根据预滤波图像P像素点的灰度值P(i,j)，得到预滤波图像P＝{P(i,j)}；

(3)对预滤波图像P进行三维块匹配变换估计，得到初始清晰图像R₀；

(4)用噪声图像N中没有受噪声污染的像素点替代初始清晰图像R₀中相应位置的像素点，得到最终的清晰图像R。

2.根据权利要求1所述的图像去噪方法，其中步骤(3)所述的对预滤波图像P进行三维块匹配变换估计，按照如下步骤进行：

(3a)根据三维块匹配算法，在预滤波图像P中，以噪声像素点(i,j)为图像块的中心，分别设置搜寻窗S(i,j)和参考块P_C(i,j)：

S(i,j)＝{P(i+a,j+b)|-n₀≤a,b≤n₀}

P_C(i,j)＝{P(i+a,j+b)|-n₁≤a,b≤n₁}

其中n₀＝10,n₁＝3，i＝1,2,3…M,j＝1,2,3…N，M是图像的行数,N是图像的列数，P(i+a,j+b)为预滤波图像P在坐标(i+a,j+b)处像素点的灰度值，搜寻窗S的大小为(2n₀+1)×(2n₀+1)，参考块P_C的大小为(2n₁+1)×(2n₁+1)；

(3b)在预滤波图像P中，连续的取出若干个参考块，并给出其中一个参考块，在搜寻窗S(i,j)中利用滑窗搜索方法在图像的不同位置逐一的比较候选块与参考块之间的相似性，找到参考块的相似块，并将其聚集到一个三维数组P(S_r)；

(3c)对形成的三维数组P(S_r)进行三维线性变换后，再进行逆变换得到所有图像块的估计值Y_ht：

$Y_{\mathrm{ht}}=T_{3D}^{-1}\left({\mathrm{\γ}}_{3D}\left(P\left(S_r\right)\right)\right)$

其中，T_3D表示三维线性变换，表示三维线性逆变换，γ_ht表示硬阈值算子；

(3d)将所有图像块估计值Y_ht返回到它们的原始位置,并对其进行聚集，得到真实图像的基础估计R₀'：

R₀'＝φ_BM3D(Y_ht)

其中，φ_BM3D表示聚集算子；

(3e)对基础估计R₀'进行块匹配，找到参考块的相似块在基础估计R₀'中的位置，通过这些位置得到预滤波图像P形成的一个三维数组P(S_r)和基础估计R₀'形成的一个三维数组R₀'(S_r)；

(3f)对形成的两个三维数组P(S_r)和R₀'(S_r)均进行三维线性变换，再进行逆变换得到所有图像块的估计值Y_wie：

$Y_{\mathrm{wie}}=T_{3D}^{-1}\left({\mathrm{\γ}}_{\mathrm{wie}}\left(T_{3D}\left(P\left(S_r\right)\right)\right)\right)$

其中，表示维纳收缩系数，T_3D表示三维线性变换，表示三维线性逆变换,δ为标准方差；

(3g)将所有图像块估计值Y_wie返回到它们的原始位置,并对其进行聚集，得到真实图像的最终估计R₀：

R₀＝φ_BM3D(Y_wie)

其中，φ_BM3D表示聚集算子。