CN105243649A - 基于二次噪点检测的图像降噪方法 - Google Patents

Abstract

本发明涉及图象处理领域，为提供新的基于方向信息的自适应二次噪声点检测方法，该方法可以有效地降低了非噪声点的误判概率，并且能够更有效地去除图像中的椒盐噪声，对不同强度噪声去噪的鲁棒性较强。为此，本发明采取的技术方案是，基于二次噪点检测的图像降噪方法，首先确定椒盐噪声密度情况，对图像中所有灰度值进行统计，计算灰度值为0和255的像素点个数，并与总像素点个数相除，得到近似的噪声概率密度pa，当pa≥S时对所有灰度值为0或255的点进行滤波，当pa<S时，对这些点进行二次噪声点检测，检测原理主要根据图像中边缘信息具有的方向特征；然后进行自适应滤波。本发明主要应用于图象处理场合。

Description

基于二次噪点检测的图像降噪方法

技术领域

本发明涉及图象处理领域，尤其涉及在对图像进行椒盐噪声去除处理时，对于噪声点的区分判定以及滤除问题。具体讲涉及基于二次噪点检测的图像降噪方法。

技术背景

在进行图像目标识别与跟踪时，摄像机所采集的图像，在成像、数字化以及传输过程中，难免会受到各种各样噪声的干扰，图像的质量往往会出现不尽人意的退化，影响了图像的视觉效果。通常这些噪声干扰使得图像退化，表现为图像模糊，特征淹没，这会对图像分析产生不利，使所获得的图像质量较低。对这样的图像直接进行目标的识别与跟踪是比较困难的。抑制使图像退化的各种干扰信号、增强图像中的有用信号，以及将观测到的不同图像在同一约束条件下进行校正处理就显得非常重要。所以可以通过平滑、滤波等一系列方式对图像中的噪声进行处理可以改善图像质量。椒盐噪声的滤除是图像预处理过程中的重要步骤，通常的降噪算法在滤除椒盐噪声的同时，容易造成图像细节模糊，这使得如何在降噪的同时实现对图像细节的保护成为一个难题。

非线性滤波算法是一类有效地去除椒盐噪声的滤波算法，其中标准中值滤波(SMF)算法是一种典型的非线性滤波方法。它采用周围邻域像素的中间值来代替噪声像素，能够对椒盐噪声起到良好的平滑效果，同时还对图像中的一些细节起到保护作用，得到了较为广泛的应用。然而，SMF算法对图像中所有像素点采取统一的处理方式，对噪声点起到平滑作用的同时，也改变了非噪声点的原像素值，使边缘和细节信息弱化或丢失。

针对标准中值滤波算法的局限性，一些改进的算法纷纷被提出，如自适应滤波算法(AMF)、开关中值滤波算法、Minmax滤波算法、改进的极值中值滤波算法、递进开关中值滤波算法、方向加权中值滤波算法、灰色关联度的中值滤波算法、模糊中值滤波算法等。这些算法在去噪的过程中较好地保持了图像的边缘和细节，但也相应地存在着不足，如计算量大、高密度噪声去噪效果差、通用性差等。

所以对于噪声点和边缘点的判别并对其进行不同处理时图象去噪一个关键步骤。

发明内容

为克服现有技术的不足，提供一种新的基于方向信息的自适应二次噪声点检测方法，该方法可以有效地降低了非噪声点的误判概率，并且能够更有效地去除图像中的椒盐噪声，对不同强度噪声去噪的鲁棒性较强。为此，本发明采取的技术方案是，基于二次噪点检测的图像降噪方法，首先确定椒盐噪声密度情况，对图像中所有灰度值进行统计，计算灰度值为0和255的像素点个数，并与总像素点个数相除，得到近似的噪声概率密度pa，当pa≥S时对所有灰度值为0或255的点进行滤波，当pa<S时，对这些点进行二次噪声点检测，检测原理主要根据图像中边缘信息具有的方向特征；

然后进行自适应滤波，自适应滤波分为方法自适应和窗口自适应：所述窗口自适应指的是：在噪声滤除过程中，如果3×3窗口内噪声像素点数量较少时，采用窗口内信号点来计算被污染点的像素值，如果窗口内噪声点的数量较多时，则扩大窗口的尺寸增加可用信号点的数量，以便更好地平滑噪声点；当可用信号点数小于某一自定义阈值B时，扩大窗口尺寸，当达到最大尺寸时，窗口中可用信号点仍然小于B，则对该窗口进行中值滤波输出；当信号点足够大时，进行采用自适应滤波。

根据图像中边缘信息的方向性特征，检测原理具体为：设每行5个像素点，共5行，分别取四个方向中去除中心点13的12或14个点，即方向1上的点4，5，8，9，10，12，14，16，17，18，21，22；方向2上的点1，2，6，7，8，12，14，18，19，20，24，25；方向3上的点2，3，4，7，8，9，12，14，17，18，19，22，23，24；方向4上的点6，7，8，9，10，11，12，14，15，16，17，18，19，20。选择其中灰度值不为255和0的点，根据下式进行计算，中心点判断为噪声点有一下几种情况：(1)当中心点灰度值为255且满足时该点为噪声点；(2)当中心点灰度值为0且满足时该点为噪声点；(3)当邻域均为疑似噪声像素点时，判断该点为噪声点，其中J为需进行计算的边缘信息参数，T₁，T₂为自定义阈值。

当中心点灰度为255时，该点周围的像素越偏离255，J越大，该点为噪声点的概率越大，同理，当中心点灰度为0时，改点周围像素越偏离0，J越大，该点为噪声点的概率越大，根据边缘的方向性，取四个方向上的与T₁或T₂进行判断。

自适应滤波具体实现方法：当窗口中可用信号数大于等于某一值B时，对该窗口中灰度值非0和255的信号点进行统计，当信号点密度大于等于某个阈值A时，此时窗口大小一定为3×3，采用加权均值滤波，系数由使用者自行确定，计算过程需要进行归一化处理；当确定信号点密度小于某个阈值A时，对可用信号点个数进行判断，当其为奇数时，采用中值滤波，为偶数时，采用均值滤波。

本发明的技术特点及效果：

本方法通过预判断椒盐噪声密度，自适应的选择是否进行二次噪点检测，二次噪点检测时，分别取四个方向中去除中心点的12或14个点，选择其中灰度值不为255和0的点，计算其与255以及0点的接近程度，判断该点是否为噪点，降低了只用某个邻域内几个点将边缘点误判为噪声点的概率，使对噪声点的判断更为准确。

本发明采用的自适应滤波方法能够根据邻域内非噪声点数目自适应的调整窗口大小，并根据非噪声点密度选取不同的滤波方式，提高滤波速度和效果。

附图说明：

图1降噪流程图。

图2二次检测中的方向选择示意图。

具体实施方式

本发明采用的技术方案：如图1降噪流程图所示，本发明首先确定大概的椒盐噪声密度情况，对图像中所有灰度值进行统计，计算灰度值为0和255的像素点个数，并与总像素点个数相除，得到近似的噪声概率密度pa，当pa≥S时对所有灰度值为0或255的点进行滤波，当pa<S时，对这些点进行二次噪声点检测，检测原理根据边缘信息的方向性。

如图2所示，分别取四个方向中去除中心点13的12或14个点，即方向1上的点4，5，8，9，10，12，14，16，17，18，21，22；方向2上的点1，2，6，7，8，12，14，18，19，20，24，25；方向3上的点2，3，4，7，8，9，12，14，17，18，19，22，23，24；方向4上的点6，7，8，9，10，11，12，14，15，16，17，18，19，20。选择其中灰度值不为255和0的点，根据下式进行计算，中心点判断为噪声点有一下几种情况：(1)当中心点灰度值为255且满足时该点为噪声点；(2)当中心点灰度值为0且满足时该点为噪声点；(3)当邻域均为疑似噪声像素点时，判断该点为噪声点。

当中心点灰度为255时，该点周围的像素越偏离255，J越大，该点为噪声点的概率越大，同理，当中心点灰度为0时，改点周围像素越偏离0，J越大，该点为噪声点的概率越大，根据边缘的方向性，取四个方向上的与T₁或T₂进行判断。

如图1所示降噪流程图中，当对噪声点的判断完成后，需要对其进行滤波。本文提出的自适应滤波分为方法自适应和窗口自适应。所谓窗口自适应指的是：在噪声滤除过程中，如果3×3窗口内噪声像素点数量较少时，采用窗口内信号点来计算被污染点的像素值，如果窗口内噪声点的数量较多时，则扩大窗口的尺寸增加可用信号点的数量，以便更好地平滑噪声点。本文中当可用信号点数小于某一自定义阈值B时，扩大窗口尺寸。当达到最大尺寸时，窗口中可用信号点仍然小于B，则对该窗口进行中值滤波输出。当信号点足够大时，进行采用概率及奇偶自适应滤波方法，具体实现方法如下:

当窗口中可用信号数大于等于某一值B时，对该窗口中灰度值非0和255的信号点进行统计，当信号点密度大于等于某个阈值A时，此时窗口大小一定为3×3，采用加权均值滤波，系数可由使用者自行确定，计算过程需要进行归一化处理，采用加权均值滤波主要是因为对于小密度椒盐噪声均值滤波的效果要优于中值滤波，并且对于小窗口尺寸对于图像细节也能更好的保留。

当确定信号点密度小于某个阈值A时，对可用信号点个数进行判断，当其为奇数时，采用中值滤波，为偶数时，采用均值滤波。

如图2所示，给出的是一个5×5邻域为示例，在不同的情况下，使用者可以根据实际需要进行噪声点检测的图像的尺寸以及对比度的不同选取不同大小的邻域，图像尺寸越大为了节约噪声点判断时间可以选择类似较小邻域，而为了判断的准确性，又可以适量的增大邻域尺寸，同样的对于几组局部数据的选择也可以根据不同的图像特征进行自定义选取以适应不同图像环境需求，达到较准确的判断。

本发明进行二次噪声点检测的椒盐噪声密度阈值为60％，当检测到的噪声密度大于60％时，不对其进行二次噪点检测以提高效率并避免将噪声点漏掉，当检测到的噪声密度小于60％时对其进行二次噪声点检测，采用的是对比度为255的灰度图，图像尺寸为256×256，邻域大小选取为5×5，分别取四个方向中去除中心点的12或14个点，选择其中灰度值不为255和0的点，当中心点灰度为255时，该点周围的像素越偏离255，J越大，该点为噪声点的概率越大，同理，当中心点灰度为0时，改点周围像素越偏离0，J越大，该点为噪声点的概率越大，根据边缘的方向性，取四个方向上的与T₁或T₂进行判断，取

在进行噪声点去除时，先采用3×3的滤波窗口，确定其中信号点数目，当信号点数目大于等于2时，进行概率及奇偶自适应滤波，即当窗口中可用信号数大于等于2时，对该窗口中灰度值非0和255的信号点进行统计，当信号点密度大于等于70％时，此时窗口大小一定为3×3，采用加权均值滤波，系数如下式所示，计算过程需要进行归一化处理。

$\left[\begin{array}{ccc}1& 2& 1\\ 2& 0& 2\\ 1& 2& 1\end{array}\right]$

当确定信号点密度小于70％时，对可用信号点个数进行判断，当其为奇数时，采用中值滤波，为偶数时，采用均值滤波。当信号点数目小于2时，扩大滤波窗口至5×5，若信号点数目大于等于2时，进行滤波，当信号点数目小于2时，扩大滤波窗口至7×7，此时不论信号点数目为何值都不再扩大滤波窗口，直接进行中值滤波处理。

Claims (3)

1.一种基于二次噪点检测的图像降噪方法，其特征是，首先确定椒盐噪声密度情况，对图像中所有灰度值进行统计，计算灰度值为0和255的像素点个数，并与总像素点个数相除，得到近似的噪声概率密度pa，当pa≥S时对所有灰度值为0或255的点进行滤波，当pa<S时，对这些点进行二次噪声点检测，检测原理主要根据图像中边缘信息具有的方向特征；

然后进行自适应滤波，自适应滤波分为方法自适应和窗口自适应：所述窗口自适应指的是：在噪声滤除过程中，如果3×3窗口内噪声像素点数量较少时，采用窗口内信号点来计算被污染点的像素值，如果窗口内噪声点的数量较多时，则扩大窗口的尺寸增加可用信号点的数量，以便更好地平滑噪声点；当可用信号点数小于某一自定义阈值B时，扩大窗口尺寸，当达到最大尺寸时，窗口中可用信号点仍然小于B，则对该窗口进行中值滤波输出；当信号点足够大时，进行采用自适应滤波。

2.如权利要求1所述的基于二次噪点检测的图像降噪方法，其特征是，

根据图像中边缘信息的方向性特征，检测原理具体为：设每行5个像素点，共5行，分别取四个方向中去除中心点13的12或14个点，即方向1上的点4，5，8，9，10，12，14，16，17，18，21，22；方向2上的点1，2，6，7，8，12，14，18，19，20，24，25；方向3上的点2，3，4，7，8，9，12，14，17，18，19，22，23，24；方向4上的点6，7，8，9，10，11，12，14，15，16，17，18，19，20。选择其中灰度值不为255和0的点，根据下式进行计算，中心点判断为噪声点有一下几种情况：(1)当中心点灰度值为255且满足时该点为噪声点；(2)当中心点灰度值为0且满足时该点为噪声点；(3)当邻域均为疑似噪声像素点时，判断该点为噪声点，其中J为需进行计算的边缘信息参数，T₁，T₂为自定义阈值；

当中心点灰度为255时，该点周围的像素越偏离255，J越大，该点为噪声点的概率越大，同理，当中心点灰度为0时，改点周围像素越偏离0，J越大，该点为噪声点的概率越大，根据边缘的方向性，取四个方向上的与T₁或T₂进行判断。

3.如权利要求1所述的基于二次噪点检测的图像降噪方法，其特征是，自适应滤波具体实现方法：当窗口中可用信号数大于等于某一值B时，对该窗口中灰度值非0和255的信号点进行统计，当信号点密度大于等于某个阈值A时，此时窗口大小一定为3×3，采用加权均值滤波，系数由使用者自行确定，计算过程需要进行归一化处理；当确定信号点密度小于某个阈值A时，对可用信号点个数进行判断，当其为奇数时，采用中值滤波，为偶数时，采用均值滤波。