CN104966271A - 基于生物视觉感受野机制的图像去噪方法 - Google Patents
基于生物视觉感受野机制的图像去噪方法 Download PDFInfo
- Publication number
- CN104966271A CN104966271A CN201510283963.1A CN201510283963A CN104966271A CN 104966271 A CN104966271 A CN 104966271A CN 201510283963 A CN201510283963 A CN 201510283963A CN 104966271 A CN104966271 A CN 104966271A
- Authority
- CN
- China
- Prior art keywords
- noise
- receptive field
- image
- result
- result images
- 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.)
- Granted
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于生物视觉感受野机制的图像去噪方法,具体包括判断噪声、噪声处理和结果图亮度修正处理。本发明的方法首先将视觉机制引入到图像去噪研究领域,噪声图像经过感受野模板后可以判断出噪声的位置与大小;根据判断噪声,利用相应的感受野模型自适应抑制噪声;然后再根据噪声图像的亮度校正结果图的亮度。结果图亮度修正后的图像作为迭代处理的噪声图像,进行迭代处理,直至达到最优的去噪效果。本发明的图像去噪方法不但能够有效的去除噪声,同时图像的结构信息能够很好的得到保留,取得很高的信噪比和很好的主观效果。
Description
技术领域
本发明属于计算机视觉技术领域,特别涉及一种图像去噪方法。
背景技术
图像是人们获取信息的重要来源,然而,在获取图像时由于多种原因,图像中会混入噪声,进而导致图像质量的衰退,这就给图像的后续处理带来很大的麻烦,如会对图像的“边缘检测”、“图像分割”、“特征提取”、“模式识别”等处理产生严重的影响。因此,图像去噪是图像处理非常重要的一个环节,是后续图像处理的基础。
目前图像去噪的算法有很多,主要分为两大类:一类方法是传统的图像去噪算法,比较典型的算法为高斯滤波。但是使用这种方法进行图像去噪,会造成图像边缘信息的模糊。另一类算法是根据图像自身的信息进行去噪,如图像的结构信息。比较典型的算法为Buades等人于2005年又提出的方法,参见文献:A.Buades,B.Coll,J.-M.Morel.A non-localalgorithm for image denoising.2005Computer Vision and Pattern Recognition,2005.CVPR2005.IEEE Computer Society Conference on,Vol.2:60-65,该算法是根据图像的结构信息,利用分块匹配的思想进行图像去噪。首先在噪声图像中确定一个半径为r的图像块,然后再确定一个更大的搜索范围,在搜索范围内的每一点,计算半径为r的块与确定块之间的绝对差值,以此绝对差值计算权重进行滤波。但该算法的主要缺陷在于计算量大、计算复杂,并且也会造成图像边缘信息的模糊。
发明内容
本发明的目的是为了解决现有的图像去噪算法存在的上述缺陷,提出的一种基于生物视觉感受野机制的图像去噪方法。
为了实现上述目的,本发明的技术方案是:一种基于生物视觉感受野机制的图像去噪方法,包括如下步骤:
S1.判断噪声:将待处理噪声图像经过感受野模板,判断出噪声的位置与大小;
S2.噪声处理:根据步骤S1判断出的噪声,选择感受野模板抑制噪声,获得结果图像:
如果判断噪声值大于零,选用ON感受野模板进行抑制;如果判断噪声值小于零,选用OFF感受野模板进行抑制,并且根据判断噪声值的大小,自适应调节相应感受野模板的大小;
本步骤中,噪声处理的计算过程如下:根据判断噪声选择相应的ON和OFF型感受野模板,分别和噪声图像相卷积,这样噪声就会被抑制。
本步骤中,ON和OFF型感受野模板尺度大小参数,可以根据判断噪声绝对值大小自适应变化,使不同的噪声值被抑制的强度不同。
S3.结果图像亮度校正:对步骤S2得到的结果图像进行亮度校正处理;
S4.迭代处理:将S3处理后的结果图作为噪声图依次进行步骤S1、S2、S3处理,直至结果图像达到最优效果。
上述步骤S1所述的噪声的计算过程如下:噪声图像与感受野模板相卷积,即可得到噪声的位置与大小。
上述步骤S3所述的亮度校正的计算过程如下:
计算步骤S1噪声图的平均亮度和步骤S2获得的结果图像的平均亮度之差,然后将所述亮度之差与结果图像相加;
或者,将结果图像乘以一个系数,使结果图像的信噪比最大。
本发明的有益效果:本发明的图像去噪方法,计算简单、去噪效果很好,不但能取得良好主观效果,而且能够获得较高的信噪比以及很好地保留图像的边缘信息和结构信息。本发明的方法将视觉神经信息机制引入到图像去噪领域,主要是从模拟视觉机制这一最贴近人类视觉感知过程的角度,尝试解决目前图像去噪中高频去噪与边缘保真不能兼容的问题等。
附图说明
图1是本发明的基于视觉感受野机制的图像去噪算法流程示意图。
图2是实施例采用本发明算法对噪声图像进行去噪的结果图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
人类视觉系统处理信息的能力,远超想象,视觉系统神经元的感受野作为视觉处理信息的基本单元,具有“中心—外周”拮抗特性,而且不同尺度的感受野模板具有不同的作用,基于此提出了本发明的图像去噪方法。
本发明的方法首先将相关的视觉机制引入到图像去噪研究领域,噪声图像经过感受野模板后可以判断出噪声的位置与大小,这一步称为判断噪声处理;根据判断噪声,利用相应的感受野模型自适应抑制噪声,这一步称为噪声处理;然后再根据噪声图像的亮度校正结果图的亮度,结果图亮度修正后的图像作为迭代处理的噪声图像,进行迭代处理,直至达到最优的去噪效果。
下面通过实施例进行具体说明。
本实施例中,具体选用一幅灰度图像为例进行说明,图像中分别混入高斯加性噪声,高斯方差为0.05。
本实施例所用的感受野数学模型为简写为dog(σ1,σ2,A1,A2),其中,表示为感受野中的任意一点到感受野中心的距离,σ1σ2表示高斯核函数的尺度参数,A1,A2代表权重系数。具体的图像去噪算法的流程图如图1所示,具体过程如下:
S1.判断噪声:噪声图像经过参数为dog(0.1,0.08,1,1)感受野模板后,可以判断出噪声的位置与大小。
上述步骤S1所述的感受野模板尺度大小参数根据噪声图中噪声的情况而变化。
S2.噪声处理:根据判断噪声,选择相应的感受野模板抑制噪声。如果判断噪声值大于零,就选用ON感受野模板进行抑制。如果判断噪声值小于零,就选用OFF感受野模板进行抑制,并且根据判断噪声值的大小,自适应调节相应感受野模板的大小,使不同噪声值被抑制的强度也不同,最终使处理后的像素值接近原图像像素值。如果判断噪声为零的话,则不需要处理。
本实施例中所用的ON型感受野模板参数为dog(1,2.6,1,0.2+0.2*sin(x-0.04)),所用的OFF型感受野模板参数为dog(-(-1.2+sin(x+0.04)),1,1.8,1),其中,x为判断噪声值。
上述步骤S2所述的ON和OFF型感受野模板尺度大小参数,根据判断噪声绝对值大小自适应变化,使不同的噪声值被抑制的强度不同。
S3.结果图亮度校正:经过S1、S2步骤处理得到的结果图,和噪声图亮度相比,可能有些变化,因此根据噪声图亮度,对结果图亮度做校正处理。
结果图亮度校正的计算过程如下:计算噪声图的平均亮度和结果图的平均亮度之差,然后结果图和这个差值相加。或者,根据信噪比而调整结果图的亮度,将结果图乘以一个系数,使结果图的信噪比最大。
本实施例具体采用将结果图像乘以一个系数作为新的结果图像,使结果图像的信噪比最大,实施例中所乘的系数为1.16。这里的系数可以根据实际情况具体选取,选取若干个系数进行测试,把使得信噪比最大的系数作为最终选取的系数。
S4.迭代处理:经过S1、S2、S3处理后的结果图,有时可能不是最优结果,这时将S3处理后的结果图像作为噪声图依次进行S1、S2、S3处理,直至结果图达到最优效果。
需要说明的是,这里的最优效果可以从两方面考虑,一个是主观的观察效果,另外一个就是用信噪比评价的客观效果,对于本领域普通技术人员来说,这里的含义是清楚的。
上述步骤S4所述的迭代处理过程中,每一次迭代处理,步骤S1、S2、S3中的参数都会相应的变化,具体迭代次数依据主观效果和结果图信噪比综合而定。
本实施例迭代次数为3次。其中,第二次迭代处理时,S1步骤中的参数为dog(1,5,1,1),S2步骤中ON型感受野模板参数为dog(1,2.6,1,0.24+0.5*arctan(x-0.04)),OFF型模板参数为dog(1.4+1.5*arctan(x+0.04)),1,1.8,1),S3步骤中这一步用的是将结果图乘以一个系数,使结果图的信噪比最大,实施例中所乘的系数为1.478。
第三次迭代处理时,S1步骤中的参数为dog(1,15,1,1),S2步骤中ON型感受野模板参数为dog(1,2.6,1,0.22+0.5*arctan(x-0.04)),OFF型感受野模板参数为dog(1.4+1.5*arctan(x+0.04)),1,1.8,1),S3步骤中这一步用的是将结果图乘以一个系数,使结果图的信噪比最大,实施例中所乘的系数为1.868。
本实施例的结果如图2,其中:图2(a)为原始图像,图2(b)为噪声图像,图2(c)为第一次结果图,图2(d)为迭代第二次结果图。从主观效果来看,经本发明去噪算法去噪后,结果图的效果明显得到改善。从客观的评价指标来看,噪声图像的信噪比为19.0604,经本发明算法去噪后,第一次结果图的信噪比为27.9225,迭代第二次结果图的信噪比为27.9753,迭代第三次结果图的信噪比为26.5987,客观的评价指标也得到明显提高。从图中可以清楚看出,采用本发明算法进行图像去噪,能够有效的去除噪声,图像的结构信息能够得到很好的保留,而且能够取得很高的信噪比,其计算简单、思路新颖。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于生物视觉感受野机制的图像去噪方法,包括如下步骤:
S1.判断噪声:将待处理噪声图像经过感受野,判断出噪声的位置与大小;
S2.噪声处理:根据步骤S1判断出的噪声,选择感受野模板抑制噪声,获得结果图像:
如果判断噪声值大于零,选用ON感受野模板进行抑制;如果判断噪声值小于零,选用OFF感受野模板进行抑制,并且根据判断噪声值的大小,自适应调节相应感受野模板的大小;
S3.结果图像亮度校正:对步骤S2得到的结果图像进行亮度校正处理;
S4.迭代处理:将S3处理后的结果图作为噪声图依次进行步骤S1、S2、S3处理,直至结果图像达到最优效果。
2.根据权利要求1所述的基于生物视觉感受野机制的图像去噪方法,其特征在于,步骤S1所述的噪声的计算过程如下:噪声图像与感受野模板相卷积,即可得到噪声的位置与大小。
3.根据权利要求1所述的基于生物视觉感受野机制的图像去噪方法,其特征在于,步骤S3所述的亮度校正的计算过程如下:
计算步骤S1噪声图的平均亮度和步骤S2获得的结果图像的平均亮度之差,然后将所述亮度之差与结果图像相加;
或者,将结果图像乘以一个系数,使结果图像的信噪比最大。
4.根据权利要求1所述的基于生物视觉感受野机制的图像去噪方法,其特征在于,步骤S1所述的感受野模板的数学模型为简写为dog(σ1,σ2,A1,A2),其中,表示为感受野中的任意一点到感受野中心的距离,σ1σ2表示高斯核函数的尺度参数,A1,A2代表权重系数。
5.根据权利要求1所述的基于生物视觉感受野机制的图像去噪方法,其特征在于,步骤S1所述的ON型感受野模板参数为dog(1,2.6,1,0.2+0.2*sin(x-0.04)),所用的OFF型感受野模板参数为dog(-(-1.2+sin(x+0.04)),1,1.8,1),其中,x为判断噪声值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510283963.1A CN104966271B (zh) | 2015-05-28 | 2015-05-28 | 基于生物视觉感受野机制的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510283963.1A CN104966271B (zh) | 2015-05-28 | 2015-05-28 | 基于生物视觉感受野机制的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104966271A true CN104966271A (zh) | 2015-10-07 |
CN104966271B CN104966271B (zh) | 2017-12-01 |
Family
ID=54220302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510283963.1A Expired - Fee Related CN104966271B (zh) | 2015-05-28 | 2015-05-28 | 基于生物视觉感受野机制的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104966271B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830806A (zh) * | 2018-05-29 | 2018-11-16 | 河南科技大学 | 一种感受野模型的敏感度及模型参数动态调控方法 |
CN111161253A (zh) * | 2019-12-31 | 2020-05-15 | 柳州快速制造工程技术有限公司 | 一种基于深度信息的模具检验方法 |
CN112634159A (zh) * | 2020-12-23 | 2021-04-09 | 中国海洋大学 | 基于盲噪声估计的高光谱图像去噪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942755A (zh) * | 2013-01-23 | 2014-07-23 | 深圳市腾讯计算机系统有限公司 | 图像亮度调节方法和装置 |
CN104574495A (zh) * | 2014-12-22 | 2015-04-29 | 北京像素软件科技股份有限公司 | 一种图像渲染方法和装置 |
-
2015
- 2015-05-28 CN CN201510283963.1A patent/CN104966271B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942755A (zh) * | 2013-01-23 | 2014-07-23 | 深圳市腾讯计算机系统有限公司 | 图像亮度调节方法和装置 |
WO2014114126A1 (zh) * | 2013-01-23 | 2014-07-31 | 腾讯科技(深圳)有限公司 | 图像亮度调节方法和装置 |
CN104574495A (zh) * | 2014-12-22 | 2015-04-29 | 北京像素软件科技股份有限公司 | 一种图像渲染方法和装置 |
Non-Patent Citations (3)
Title |
---|
宋秀梅: ""基于AQIM的数字图像水印技术的研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
张振等: ""基于视觉感受野的自适应背景抑制方法"", 《仪器仪表学报》 * |
王社国等: ""基于人脸识别技术的智能化视频监控系统"", 《科技咨询》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830806A (zh) * | 2018-05-29 | 2018-11-16 | 河南科技大学 | 一种感受野模型的敏感度及模型参数动态调控方法 |
CN108830806B (zh) * | 2018-05-29 | 2020-12-18 | 河南科技大学 | 一种感受野模型的敏感度及模型参数动态调控方法 |
CN111161253A (zh) * | 2019-12-31 | 2020-05-15 | 柳州快速制造工程技术有限公司 | 一种基于深度信息的模具检验方法 |
CN112634159A (zh) * | 2020-12-23 | 2021-04-09 | 中国海洋大学 | 基于盲噪声估计的高光谱图像去噪方法 |
CN112634159B (zh) * | 2020-12-23 | 2022-07-26 | 中国海洋大学 | 基于盲噪声估计的高光谱图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104966271B (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN105913396A (zh) | 一种噪声估计的图像边缘保持混合去噪方法 | |
CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
CN109377450B (zh) | 一种边缘保护的去噪方法 | |
US20120308153A1 (en) | Device and method of removing noise in edge area | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN110232670B (zh) | 一种基于高低频分离的图像视觉效果增强的方法 | |
CN113793278B (zh) | 一种基于Laplace算子选择性增强的遥感影像去噪方法 | |
CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
CN102819827A (zh) | 一种基于灰度分割的自适应矩匹配条带噪声去除方法 | |
CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
CN116468641A (zh) | 一种红外血管图像增强处理方法 | |
CN105678245A (zh) | 一种基于哈尔特征的靶位识别方法 | |
CN113344810A (zh) | 基于动态数据分布的图像增强方法 | |
CN111179186A (zh) | 一种保护图像细节的图像去噪系统 | |
CN113808036A (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
CN104966271A (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
CN113658067B (zh) | 一种基于人工智能的气密性检测中水体图像增强方法及系统 | |
CN104616259A (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
CN105913391A (zh) | 一种基于形状可变形态学重构的去雾方法 | |
El Hassani et al. | Efficient image denoising method based on mathematical morphology reconstruction and the Non-Local Means filter for the MRI of the head | |
CN115862121B (zh) | 基于多媒体资源库的人脸快速匹配方法 | |
CN116912115A (zh) | 一种水下图像自适应增强方法、系统、设备及存储介质 | |
Malik et al. | Contrast enhancement and smoothing of CT images for diagnosis |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171201 Termination date: 20180528 |