CN104835127A - 一种自适应平滑滤波方法 - Google Patents

Abstract

本发明公开了一种自适应平滑滤波方法，该方法包括如下步骤，获取待去噪图像的像素点，判断像素点是否为明显噪声点；如果是明显噪声点，则获取明显噪声点的相似点集合，然后估计明显噪声点的像素值；如果不是明显噪声点，则调整像素点的像素值。本发明的自适应平滑滤波的方法，从图像纹理存在自相似性的角度出发，对无规则的非奇异点进行滤波运算，能够使得图像在边缘和细节点的损失尽可能地减少的情况下进行区域平滑。

Description

一种自适应平滑滤波方法

技术领域

本发明涉及图像处理技术领域，更为具体来说，是一种自适应平滑滤波方法。

背景技术

图像信号在产生、传输、处理过程中都会受到噪声影响，常见噪声包括由阻性元器件内部产生的高斯噪声、由图像切割引起的黑图像上的椒盐噪声以及光电转换过程中产生的泊松噪声等。

传统的图像去噪或滤波方法可以分为三种：

a、基于空间域的滤波方法，为了达到抑制噪声或消除噪声的目的，通过平滑模板对图像进行处理，如中值滤波、均值滤波、维纳滤波等。

中值滤波算法有如下的缺点：第一，去噪效果的好坏受制于滤波窗口的大小；第二，对所有的像素点均无差别处理，因此在改变噪声点的值的同时，改变了信号点的值；第三，受中值算法本身特性的影响，噪声会在噪声点的邻域内进行传播；第四，对一些细节较多的图像，特别是点、线、尖顶等细节较多的图像，中值滤波算法的滤波效果差。

均值滤波算法有如下的缺点：第一，使用均值滤波算法在降低噪声的同时，会造成图像的模糊，这一点在图像的边缘和细节处尤为明显；第二，随着噪声点的消除，剩下的噪声点的邻域变大了，图像模糊的程度会变得更加严重。

维纳滤波算法有如下的缺点：第一，维纳滤波的算法往往非常复杂，计算量非常大，处理效率低；第二，维纳滤波会造成图像边缘模糊，而且，随着模板的增加，图像边缘模糊情况越严重。

b、基于变换域的滤波方法，需要对图像进行某种变换，再选用合适的滤波器对图像进行滤波处理。这类方法中，比较典型的是小波阈值法。

但是，小波阈值法对图像边缘与平滑区域不加区分地应用阈值去噪，因此难以对边缘起到很好的保护作用，导致应用小波阈值法去噪后的图像边缘过度平滑。

c、基于分形理论的滤波方法，包括分形编码去噪等方法。

分形编码去噪方法无法将噪声完全消除，而且传统编码过程通常需要进行全局搜索，耗费时间长，计算效率低。

因此，传统的滤波方法虽然能在一定程度上达到去噪的效果，但是对相似性较差的图像边缘恢复较差，不能将噪声完全消除，去噪不精确，滤波后的图像上仍然能显示出噪声点的痕迹，而且计算效率较低、耗费的时间长。

综上所述，获得一种能够完全去除噪声而且效率高的滤波方法成为了本领域技术人员研究的重点。

发明内容

为解决现有滤波技术去噪效果差等缺陷，本发明提供了一种自适应平滑滤波方法，能够在图像的边缘点和细节点损失较小的情况下进行区域平滑滤波。

为实现上述技术目的，本发明公开了一种自适应平滑滤波方法，该方法包括如下步骤：

S1：针对待去噪图像的像素点，判断像素点是否为明显噪声点；

S2：如果是明显噪声点，则获取明显噪声点的相似点集合，然后估计明显噪声点的像素值；

S3：如果不是明显噪声点，则调整像素点的像素值。

本发明创新地将像素点中的明显噪声点划分出来，并通过相似点对其像素值进行估计，在待去噪的图像上合理地滤掉了明显噪声点；对于明显噪声点以外的像素点，实现对其像素值进行合理地调整，实现平滑滤波，对图像的细节处理较好。本发明的主要优点在于将像素点进行分类，采用不同的去噪方法进行滤波，从而实现图像自适应滤波。

进一步地，步骤S1中，通过奇异值比较方法确定像素点是否为明显噪声点，具体方法如下：计算待去噪图像的奇异矩阵，通过该奇异矩阵计算出待判断像素点的奇异值，如果该奇异值小于1.8或大于2.5，则该像素点是明显噪声点；反之则不是。

奇异值反映了像素点与周围像素点的差异度，很容易根据奇异值判断噪声点是否与周围像素点有明显差异，从而确定是否为明显噪声点。

进一步地，步骤S2中获取明显噪声点的相似点的方法包括如下步骤，

S20：确定搜索尺度；

S21：计算待去噪图像的多重分形谱矩阵，读取搜索尺度范围内的一个像素点，计算该像素点的多重分形谱值与上述明显噪声点多重分形谱值的差值，如果该差值小于0.07，则该像素点是明显噪声点的相似点。

根据多重分形理论计算图像的多重分形谱，能够忽略噪声干扰，从而能够更准确的计算出带噪像素点的相似点集合。

进一步地，步骤S20中，搜索尺度为以待去噪点为中心的7×7至10×10的像素矩阵。

像素矩阵尺度选择过小，会导致明显噪声点的可能相似点丢失；像素矩阵尺度选择过大，会引起不必要的计算消耗。发明人经过大量的实验可知，7×7、8×8、9×9、10×10的像素矩阵是较为理想的搜素尺度。

进一步地，步骤S2中，使用相似点集合内的像素点，通过均值或者中值算法估计所述明显噪声点的像素值。

在均值或者中值算法下使用相似点集合估计明显噪声点的像素值，具有简单、计算效率高等优点。

进一步地，步骤S3中，调整后的像素点的像素值为该像素点的原像素值与该像素点的奇异度的乘积，像素点的奇异度为像素点奇异值与待去噪图像奇异矩阵均值的商。

非明显噪声点的噪声影响较小，而根据奇异度调整像素点的像素值，可以在较小范围内调整像素点的像素值，不会引起较大的偏差。

本发明的有益效果为：本发明的自适应平滑滤波的方法，实现了对图像像素点的分类处理，对于明显噪声点根据图像纹理存在自相似性，计算明显噪声点的相似点集合，通过集合对明显噪声点的像素值进行估计；对于非明显噪声点，则通过像素点的奇异度进行调整。通过分类滤波，能够使得图像在边缘和细节点的损失尽可能地减少的情况下进行区域平滑。利用本发明的自适应平滑滤波方法进行滤波，滤波后的图像没有噪声点的痕迹；对于图像边缘点和细节点的损失较少，对图像的细节处理较好；而且本发明的自适应平滑滤波方法的去噪效率较高。

附图说明

图1为自适应平滑滤波方法的流程图。

具体实施方式

下面结合说明书附图对本发明提出的自适应平滑滤波方法进行详细的解释和说明。

对于自然界中的物体，单一的分形维数描述往往不能完全地刻画其特征，因为绝大多数的物体具有多个分形维数。本发明从图像纹理存在自相似性的角度出发，对无规则的非奇异点进行滤波运算，在保证图像的边缘点和细节点的损失尽可能地少的情况下，对图像进行自适应区域平滑滤波。

本发明的基本思路是根据图像的奇异矩阵，判断待去噪图像的像素点是否为明显噪声点。如果是明显噪声点，则利用多重分形谱矩阵等求该像素点的相似点集合，然后基于上述的相似点集合，通过均值算法或者中值算法对明显噪声点进行估值；如果不是明显噪声点，则通过该像素点的奇异度与像素点的像素值的乘积替换原来的像素值。

需要说明的是，像素点的奇异值是从待去噪图像的奇异矩阵中得到的；像素点的奇异度为像素点奇异值与待去噪图像奇异矩阵均值的商，即像素点的奇异度＝像素点奇异值/待去噪图像奇异矩阵均值，一般来说，奇异度是1左右的一个数值；本发明基于多重分形理论，基于MATLAB设计的相关的算法，计算待去噪图像的奇异矩阵和多重分形谱矩阵，为滤波提供相应的输入参数。

具体而言，如图1所示的自适应平滑滤波方法，包括如下步骤：

(1)向计算机输入待去噪图像，待去噪图像为带有噪声的图像，本实施例中选用的待去噪图像是加入高斯噪声的lena图像，带有高斯噪声的图像的像素分布符合高斯分布，而且图像的大部分像素值都有变化。

读取待去噪图像的所有像素点，获取待去噪图像的所有像素点，根据每个像素点的奇异值大小判断该点是否为明显噪声点。

如果是明显噪声点，则直接转到步骤(3)进行处理；否则，可以确定该像素点是非明显噪声点，那么转到步骤(2)对像素点进行概率调整，即调整部分的像素点。

像素点的奇异值有一个范围，如果像素点的奇异值超出该范围，则该像素点为明显噪声点；如果像素点的奇异值落在该范围内，则该像素点不是明显像素点。针对不同的图像，奇异值的范围有所不同，该范围的具体数值是本领域技术人员在具体实验时容易获得的。一般来说，图像像素点的奇异值是2左右的数值，超过2则表明该像素值变小了，需要调大；小于2则表明该像素值变大了，需要调小。本发明判断像素点是否为明显噪声点的奇异值范围是1.8至2.5，根据不同带噪图像，该范围需要调整，如果像素点的奇异值大小不在此范围内，则该点是明显噪声点，否则，该点不是明显噪声点。

(2)利用待去噪图像的奇异矩阵，计算像素点的奇异度，利用像素点的奇异度，对像素点像素值进行调整，调整后的像素点的像素值为该像素点的原像素值与该像素点的奇异度的乘积，转到步骤(10)。

(3)获取明显噪声点的相似点集合。该步骤需要确定相似点搜索尺度，本实施例的搜索尺度定义为[k1,k2]，k1、k2分别为平面图像上横向和纵向的像素点个数。

优选地，搜索尺度是以待去噪点为中心的7×7至10×10的像素矩阵，本发明在7×7、8×8、9×9、10×10的尺度下搜索，滤波后的图像平滑效果最好。

(4)判断明显噪声点的相似点的方法如下：计算待去噪图像的多重分形谱矩阵，读取搜索范围内的一个像素点，计算该像素点的多重分形谱值与明显噪声点的多重分形谱值的差值；如果该差值小于阈值，则该像素点是明显噪声点的相似点，转到步骤(5)，否则转到步骤(7)；

需要说明的是，上述的阈值是本领域技术人员在实验中容易获得的。一般来说，阈值的范围大于0.05小于0.1，本实施例选用的阈值为0.07，本实施例在该阈值下去噪效果最好。

(5)根据相似点的奇异值判断该点是否为明显噪声点，如果是明显噪声点，则该点不能作为明显噪声点的相似点，转向步骤(8)，否则转向步骤(6)；

(6)将加入到明显噪声点的相似点集合，判断搜索尺度内是否还有待求证相似点，如果有，则转向步骤(4)；如果搜索尺度内所有像素点均已判断，则转向步骤(9)；

(7)该像素点不是明显噪声点的相似点，停止对该像素点的计算，转向步骤(4)；

(8)该像素点是明显噪声点，停止计算，转向步骤(4)；

(9)如果相似点集合不为空，则使用相似点集合中的所有像素点，通过中值算法或者均值算法，对明显噪声点的像素值进行估计；否则转到步骤(2)；

(10)如果待去噪图像的所有像素点均已调整完，则去噪结束；否则转向步骤(1)。

另外，本发明采用峰值信噪比的方法对去噪的效果进行评价。

具体实验时，在MATLAB的平台下，本实施例中设计了自适应平滑滤波函数multifractal_filter，其输入参数包括待去噪图像矩阵I、待去噪图像的奇异矩阵a，待去噪图像的多重分形谱矩阵fa，输出参数为滤波后的图像矩阵O。

在MATLAB的平台下，本发明的自适应平滑滤波方法与以下几种常用的滤波方法进行了对比，这几种方法包括：

a、采用medfilt2中值滤波函数对待去噪图像进行滤波；

b、选择一个3×3的模板，采用filter2均值滤波函数对待去噪图像进行滤波；

c、建立一个3×3模板的高斯滤波器，采用imfilter函数对待去噪图像进行滤波；

d、选用sym5小波，对待去噪图像进行硬阈值滤波；

e、选用sym5小波，对待去噪图像进行软阈值滤波。

本发明的自适应平滑滤波方法与上述五种方法对比后发现：上述五种算法均能在一定程度上消除图像噪声。

但是，上述的去噪算法滤波后，图像上仍然能显示出噪声点的痕迹，而本发明的方法几乎看不出噪声点的痕迹。

因此，在图像细节方面，本发明的自适应平滑滤波方法的图像边缘点和细节点损失少，对图像细节处理的更好，去噪效率更高。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种自适应平滑滤波方法，其特征在于：该方法包括如下步骤：

S1：针对待去噪图像的像素点，判断像素点是否为明显噪声点；

S2：如果是明显噪声点，则获取明显噪声点的相似点集合，然后估计明显噪声点的像素值；

S3：如果不是明显噪声点，则调整像素点的像素值。

2.根据权利要求1所述的自适应平滑滤波方法，其特征在于：步骤S1中，通过奇异值比较方法确定像素点是否为明显噪声点，具体方法如下：计算待去噪图像的奇异矩阵，通过该奇异矩阵计算出待判断像素点的奇异值，如果该奇异值小于1.8或大于2.5，则该像素点是明显噪声点；反之则不是。

3.根据权利要求1或2所述的自适应平滑滤波方法，其特征在于：步骤S2中获取明显噪声点的相似点的方法包括如下步骤，

S20：确定搜索尺度；

S21：计算待去噪图像的多重分形谱矩阵，读取搜索尺度范围内的一个像素点，计算该像素点的多重分形谱值与上述明显噪声点多重分形谱值的差值，如果该差值小于0.07，则该像素点是明显噪声点的相似点。

4.根据权利要求3所述的自适应平滑滤波方法，其特征在于：步骤S20中，搜索尺度为以待去噪点为中心的7×7至10×10的像素矩阵。

5.根据权利要求1或2所述的自适应平滑滤波方法，其特征在于：步骤S2中，使用相似点集合内的像素点，通过均值或者中值算法估计所述明显噪声点的像素值。

6.根据权利要求1或2所述的自适应平滑滤波方法，其特征在于：步骤S3中，调整后的像素点的像素值为该像素点的原像素值与该像素点的奇异度的乘积，像素点的奇异度为像素点奇异值与待去噪图像奇异矩阵均值的商。