CN105279742A - 一种快速的基于分块噪声能量估计的图像去噪方法 - Google Patents

Abstract

本发明涉及电子信号处理领域，具体涉及一种快速的基于分块噪声能量估计的图像去噪方法。主要步骤包括：(1)将待估计噪声的目标图像进行噪声水平估计；得到噪声水平方差估计δ_n；(2)对每一个8×8DCT块的64个系数c₁,c₂,c₃,…,c₆₄的绝对值按从小到大排序；(3)设置阈值c_t＝|c_m|，对于对应的8×8DCT块的系数按以下规则计算得到新的DCT系数；(5)对得到的新的8×8DCT块进行DCT反变换，得到对应空间域的8×8像素块；(6)对每一个8×8图像块进行所述步骤(2)-(5)操作后，所有步骤(5)中像素块组成新的图像，即完成对图像的去噪处理。本发明具有的效果是能够快速估计合适的DCT阈值，基于估计的阈值能有效去除图像噪声。

Description

一种快速的基于分块噪声能量估计的图像去噪方法

技术领域

本发明涉及电子信号处理领域，特别涉及一种快速的基于分块噪声能量估计的图像去噪方法。

背景技术

图像是人类获取信息最重要的方式，据统计人类获取信息的80％来源于图像。图像或视频设备在成像过程中会产生多种噪声，使得图像会或多或少带有噪声。以CCD像机成像过程为例，光子对图像传感器进行感光，进行光电转换，通过一系列的处理最后形成像素比特值，在这个过程中存在的主要噪声源有：BayerPattern插值噪声(fixedpaterrnnoise)、暗噪声(darkcurrentnoise)、瞬击噪声(shotnoise)、放大噪声(amplifiernoise)和截断噪声(quantizationnoise)。这些噪声的存在会使得图像质量降低，并会使得后续对图像进行处理和分析带来影响。图像去噪能够提高图像质量，也是进一步进行图像处理和分析的基础。图像去噪是许多图像处理和计算机视觉算法获得有效效果的前提，是图像处理领域重要的传统问题之一。

目前图像去噪的方法有很多。一般的，图像去噪的目的有两个，一是保持图像中蕴含信息丰富的边缘；二是去除信息稀少的主要由图像噪声覆盖的图像内容；在众多的图像去噪方法中，有一类方法是基于频域阈值方法，它的基本思想是，在频率域中，图像噪声会对频域系数值产生影响，尤其会使得许多高频分量系数值不再为0而是随着噪声的增大而增大。为了去除图像噪声，就需要寻找到合适的阈值，对低于这个阈值的系数认为其值都是由噪声引起的，进而设置其值为0，对新得到的频域图像向空间域变换，从而得到去噪后的图像。这类方法的典型例子有基于小波变换的方法，其阈值选择为其中δ_n为估计的噪声水平，N_p为信号长度(对于二维图像矩阵，N_p为像素的个数)；还有采用贝叶斯估计的方法对阈值进行估计，其取值其中为原始信号的方差。除了小波变换的方法之外，也有多种基于离散余弦变换(DCT)的阈值去噪方法。

发明内容

本发明的目的是提出一种基于阈值估计的DCT框架内的去噪方法，其具有的效果是能够快速估计合适的DCT阈值，基于估计的阈值能有效去除图像噪声。

本发明的技术方案是：一种快速的基于分块噪声能量估计的图像去噪方法，包括以下步骤：

(1)将待估计噪声的目标图像进行噪声水平估计；具体过程为，

(11)将待估计噪声的目标图像划分为M×N个8×8图像块，M表示图像每行划分的块数，N表示每列划分的块数，M，N为整数，并将每个8×8图像块进行DCT变换，每个8×8图像块经DCT变换后得到一个包含64个DCT系数的8×8DCT系数二维矩阵；此矩阵的矩阵元素位置(k,l)对应的是第k行、第l列位置，其对应的元素值，即DCT系数值，标记为F(k,l)，k＝0,1,…,7；l＝0,1,…,7；

(12)测量每个局部8×8图像块的边缘度e_i，对每个8×8DCT系数矩阵进行以下计算：

$e_i=\frac{\underset{k=0}{\overset{7}{\Σ}}\underset{l=0}{\overset{7}{\Σ}}\left|F(k,l)\right|-\left|F(0,0)\right|}{\left|F(0,0)\right|}$

其中i表示按由左至右、由上往下排列的第i个8×8图像块；从而得到包含M×N个边缘度元素值的集合S＝{e_i|i＝1,2,…,M×N}；

(13)对所获得的边缘度元素值的集合S＝{e_i|i＝1,2,…,M×N}中的元素值按照从小到大的顺序排序，选出其中占集合元素个数10％的最小元素值，即选出元素集合其中i指表示按由左至右、由上往下排列的任意第i个8×8图像块，j表示按从小到大排列后e_i对应的新的序列号，且满足表示取小于或等于x的最大整数；选出元素集合中的每一个边缘度值e_i对应一个8×8图像块，由此选出边缘度最小的块集合B，此块集合对应的图像块是j＝1,2,…,J；

(14)从块集合B中找到最小边缘度的L个块作为参考块，对每一个参考块找到其对应的相似块，从而得到L个相似块组；对每一个参考块，其相似块均在集合B中寻找；假定某参考块为i_a，按以下规则判定块i_b为其相似块：

$\left\{\begin{array}{c}\frac{|e_a-e_b|}{\left|e_a\right|}<{\mathrm{\&tau;}}_1\\ \frac{|u_a-u_b|}{\left|u_a\right|}<{\mathrm{\&tau;}}_2\end{array}\right.$

其中τ₁和τ₂为定义的常量阈值，e_a、e_b分别参考块为i_a、判定块i_b对应的边缘度；u_a、u_b分别为参考块为i_a、判定块i_b对应的平均像素值；

(15)第s个相似块组中的第r个8×8图像块，其中s＝1,…,L，r表示该相似块组中的任意一个图像块，进行以下计算：

L_rv＝median(C_rv)；L_rd＝median(C_rd)；L_rh＝median(C_rh)；

其中C_rh＝{F(k,l)|k＝2,3；l＝6,7；}，C_rv＝{F(k,l)|k＝6,7；l＝2,3；}，

C_rd＝{F(k,l)|k＝6,7；l＝6,7；}，median(C)表示对集合C进行中值滤波；然后对获得的数据集合{C_rh,C_rv,C_rd|r＝1,2,…,J_s}，J_s表示第s个相似块组中图像块总数；进行以下求解：

Q_s＝median({C_rh,C_rv,C_rd|r＝1,2,…,J_s})；

对s分别取值为1,…,L，得到元素个数为L个的Q值集合{Q_s|s＝1,…,L}；

(16)计算噪声的粗糙估计值Q^*：

Q^*＝median({Q_s|s＝1,…,L})；

(17)对所有8×8图像块进行以下操作并计算图像结构修正因子η；对第i个8×8图像块i＝1,2,…,M×N，选出系数绝对值|F(1,1)|；对所有选出的系数|F(1,1)|集合按相应块的位置放置组合得到大小为M×N的边缘结构图；对此边缘结构图，统计满足以下条件的元素个数：

a＞a_thr

其中a为边缘结构图的任意元素值，a_thr为指定的阈值；假设满足上述的元素个数为P个，则结构修正因子η计算为：

$\mathrm{\&eta;}=\frac{P}{M\&times;N}$

(18)对获得Q^*值进行修正，得到修正值Q′：Q′＝Q^*/η；

(19)进行噪声水平方差估计δ_n：

δ_n＝α×Q′^β+γ

其中α,β,γ为进行非线性映射的参数。

(2)对每一个8×8DCT块的64个系数c₁,c₂,c₃,…,c₆₄的绝对值按从小到大排序，得到集合W：

W＝{|c₁|,|c₂|,|c₃|,…,|c₆₄|}

其中|c₁|≤|c₂|≤|c₃|…≤|c₆₄|

(3)计算能量值其中κ为常量系数，求解出满足的最小m值；

(4)设置阈值c_t＝|c_m|，对于对应的8×8DCT块的系数按以下规则计算得到新的DCT系数，

其中sign(x)表示x的符号，即按以下取值：

$sign\left(x\right)=\left\{\begin{array}{ccc}1& if& x>0\\ 0& if& x=0\\ -1& if& x<0\end{array}\right.$

从而得到一个新的8×8DCT块；

(5)对得到的新的8×8DCT块进行DCT反变换，得到对应空间域的8×8像素块；

(6)对每一个8×8图像块进行所述步骤(2)-(5)操作后，所有步骤(5)中像素块组成新的图像，即完成对图像的去噪处理；

进一步地，在所述步骤(11)之后，所述步骤(12)之前，进行去除过曝的图像块处理，具体过程是：

计算平均像素值u：

$u=\frac{\left|F(0,0)\right|}{8}$

定义平均像素值不在(16，235)之间的图像块为过曝图像块；若被检测为过曝的图像块，则将该图像块去除，即该图像块不参与后续步骤中的噪声估计计算。

进一步地，所述参数α,β,γ的取值为α＝1.015，β＝1.148，γ＝0.932。

进一步地，所述步骤(3)中κ按以下方法取值：

κ＝φexp(-e_i/ρ)

其中φ＝8.0，ρ＝2.5，e_i为对应第i图像块的边缘度。

本发明的图像去噪方法适应于基于DCT编码的图像或视频数据的实时噪声去除，具有计算量小，噪声去除能力强的特点。

附图说明

图1本发明去噪方法流程图；

图2为噪声水平估计流程图；

图3为对目标图像进行块划分示意图；

图4为8*8DCT块系数矩阵示意图；

图5为进行边缘度计算结果示意图；

图6为进行边缘结构图提取结果示意图；

图7给出了用本发明的去噪方法去噪效果对比图。

具体实施方式

以下结合附图对本发明的具体实施例进行详细描述，但不构成对本发明的限制。

如图1所示，为本发明的去噪方法流程图。

一种快速的基于分块噪声能量估计的图像去噪方法，包括以下步骤：

(1)将待估计噪声的目标图像进行噪声水平估计；如图2所示，为噪声水平估计流程图，具体过程为，

(11)将待估计噪声的目标图像划分为M×N个8×8图像块，如图3所示，M表示图像每行划分的块数，N表示每列划分的块数，M，N为整数，原始图像宽度和高度分别为W、H；并将每个8×8图像块进行DCT变换，每个8×8图像块经DCT变换后得到一个包含64个DCT系数的8×8DCT系数二维矩阵；此矩阵的矩阵元素位置(k,l)对应的是第k行、第l列位置，其对应的元素值，即DCT系数值，标记为F(k,l)，k＝0,1,…,7；l＝0,1,…,7；如图4所示，为8×8DCT系数矩阵示意图，图中用F₀₀,F₀₁,…,F₇₇，表示与F(k,l)一一对应；

(12)测量每个局部8×8图像块的边缘度e_i，对每个8×8DCT系数矩阵进行以下计算：

$e_i=\frac{\underset{k=0}{\overset{7}{\&Sigma;}}\underset{l=0}{\overset{7}{\&Sigma;}}\left|F(k,l)\right|-\left|F(0,0)\right|}{\left|F(0,0)\right|}$

其中i表示按由左至右、由上往下排列的第i个8×8图像块；从而得到包含M×N个边缘度元素值的集合S＝{e_i|i＝1,2,…,M×N}；如图5所示，为实施例过程中，为进行边缘度计算结果示意图，其中图(a)为原图，图(b)为结果图；

(13)对所获得的边缘度元素值的集合S＝{e_i|i＝1,2,…,M×N}中的元素值按照从小到大的顺序排序，选出其中占集合元素个数10％的最小元素值，即选出元素集合其中i指表示按由左至右、由上往下排列的任意第i个8×8图像块，j表示按从小到大排列后e_i对应的新的序列号，且满足表示取小于或等于x的最大整数；选出元素集合中的每一个边缘度值e_i对应一个8×8图像块，由此选出边缘度最小的块集合B，此块集合对应的图像块是j＝1,2,…,J；

(14)从块集合B中找到最小边缘度的L个块作为参考块，对每一个参考块找到其对应的相似块，从而得到L个相似块组；对每一个参考块，其相似块均在集合B中寻找；假定某参考块为i_a，按以下规则判定块i_b为其相似块：

$\left\{\begin{array}{c}\frac{|e_a-e_b|}{\left|e_a\right|}<{\mathrm{\&tau;}}_1\\ \frac{|u_a-u_b|}{\left|u_a\right|}<{\mathrm{\&tau;}}_2\end{array}\right.$

其中τ₁和τ₂为定义的常量阈值，e_a、e_b分别参考块为i_a、判定块i_b对应的边缘度；u_a、u_b分别为参考块为i_a、判定块i_b对应的平均像素值；

(15)第s个相似块组中的第r个8×8图像块，其中s＝1,…,L，r表示该相似块组中的任意一个图像块，进行以下计算：

L_rv＝median(C_rv)；L_rd＝median(C_rd)；L_rh＝median(C_rh)；

其中C_rh＝{F(k,l)|k＝2,3；l＝6,7；}，C_rv＝{F(k,l)|k＝6,7；l＝2,3；}，

C_rd＝{F(k,l)|k＝6,7；l＝6,7；}，median(C)表示对集合C进行中值滤波；然后对获得的数据集合{C_rh,C_rv,C_rd|r＝1,2,…,J_s}，J_s表示第s个相似块组中图像块总数；进行以下求解：

Q_s＝median({C_rh,C_rv,C_rd|r＝1,2,…,J_s})；

对s分别取值为1,…,L，得到元素个数为L个的Q值集合{Q_s|s＝1,…,L}；

(16)计算噪声的粗糙估计值Q^*：

Q^*＝median({Q_s|s＝1,…,L})；

(17)对所有8×8图像块进行以下操作并计算图像结构修正因子η；对第i个8×8图像块i＝1,2,…,M×N，选出系数绝对值|F(1,1)|；对所有选出的系数|F(1,1)|集合按相应块的位置放置组合得到大小为M×N的边缘结构图；如图6所示为实施例中进行边缘结构图提取结果示意图，其中图(a)为原图，图(b)为结果图；对此边缘结构图，统计满足以下条件的元素个数：

a＞a_thr

其中a为边缘结构图的任意元素值，a_thr为指定的阈值；假设满足上述的元素个数为P个，则结构修正因子η计算为：

$\mathrm{\&eta;}=\frac{P}{M\&times;N}$

(18)对获得Q^*值进行修正，得到修正值Q′：Q′＝Q^*/η；

(19)进行噪声水平方差估计δ_n：

δ_n＝α×Q′^β+γ

其中α,β,γ为进行非线性映射的参数。

在实施中，在所述步骤(11)之后，所述步骤(12)之前，进行去除过曝的图像块处理，具体过程是：

计算平均像素值u：

$u=\frac{\left|F(0,0)\right|}{8}$

定义平均像素值不在(16，235)之间的图像块为过曝图像块；若被检测为过曝的图像块，则将该图像块去除，即该图像块不参与后续步骤中的噪声估计计算。

所述参数α,β,γ的取值设为α＝1.015，β＝1.148，γ＝0.932。

(2)在获得噪声水平估记之后，对每一个8×8DCT块的64个系数c₁,c₂,c₃,…,c₆₄的绝对值按从小到大排序，得到集合W：

W＝{|c₁|,|c₂|,|c₃|,…,|c₆₄|}

其中|c₁|≤|c₂|≤|c₃|…≤|c₆₄|

(3)计算能量值其中κ为常量系数，求解出满足的最小m值；

(4)设置阈值c_t＝|c_m|，对于对应的8×8DCT块的系数按以下规则计算得到新的DCT系数，

其中sign(x)表示x的符号，即按以下取值：

$sign\left(x\right)=\left\{\begin{array}{ccc}1& if& x>0\\ 0& if& x=0\\ -1& if& x<0\end{array}\right.$

从而得到一个新的8×8DCT块；

(5)对得到的新的8×8DCT块进行DCT反变换，得到对应位置的8×8像素块；

(6)对每一个8×8图像块进行所述步骤(2)-(5)操作后，所有步骤(5)中像素块组成新的图像，即完成对图像的去噪处理。

所述步骤(3)中κ按以下方法取值：

κ＝φexp(-e_i/ρ)

其中φ＝8.0，ρ＝2.5，e_i为对应第i图像块的边缘度。

如图7中给出了用本发明的去噪方法去噪效果的实例，其中图(a)为噪声图像，其模拟高斯白噪声标准差为15，图(b)为本发明方法去噪的效果。

尽管上面是对本发明具体实施方案的完整描述，但是可以采取各种修改、变体和替换方案。这些等同方案和替换方案被包括在本发明的范围内。因此，本发明的范围不应该被限于所描述的实施方案，而是应该由所附权利要求书限定。

Claims (4)

1.一种快速的基于分块噪声能量估计的图像去噪方法，其特征在于：包括以下步骤：

(1)将待估计噪声的目标图像进行噪声水平估计；具体过程为，

(11)将待估计噪声的目标图像划分为M×N个8×8图像块，M表示图像每行划分的块数，N表示每列划分的块数，M，N为整数，并将每个8×8图像块进行DCT变换，每个8×8图像块经DCT变换后得到一个包含64个DCT系数的8×8DCT系数二维矩阵；此矩阵的矩阵元素位置(k,l)对应的是第k行、第l列位置，其对应的元素值，即DCT系数值，标记为F(k,l)，k＝0,1,…,7；l＝0,1,…,7；

(12)测量每个局部8×8图像块的边缘度e_i，对每个8×8DCT系数矩阵进行以下计算：

$e_i=\frac{\underset{k=0}{\overset{7}{\&Sigma;}}\underset{l=0}{\overset{7}{\&Sigma;}}\left|F(k,l)\right|-\left|F(0,0)\right|}{\left|F(0,0)\right|}$

其中i表示按由左至右、由上往下排列的第i个8×8图像块；从而得到包含M×N个边缘度元素值的集合S＝{e_i|i＝1,2,…,M×N}；

(13)对所获得的边缘度元素值的集合S＝{e_i|i＝1,2,…,M×N}中的元素值按照从小到大的顺序排序，选出其中占集合元素个数10％的最小元素值，即选出元素集合其中i指表示按由左至右、由上往下排列的任意第i个8×8图像块，j表示按从小到大排列后e_i对应的新的序列号，且满足 表示取小于或等于x的最大整数；选出元素集合中的每一个边缘度值e_i对应一个8×8图像块，由此选出边缘度最小的块集合B，此块集合对应的图像块是j＝1,2,…,J；

(14)从块集合B中找到最小边缘度的L个块作为参考块，对每一个参考块找到其对应的相似块，从而得到L个相似块组；对每一个参考块，其相似块均在集合B中寻找；假定某参考块为i_a，按以下规则判定块i_b为其相似块：

$\left\{\begin{array}{c}\frac{|e_a-e_b|}{\left|e_a\right|}<{\mathrm{\&tau;}}_1\\ \frac{|u_a-u_b|}{\left|u_a\right|}<{\mathrm{\&tau;}}_2\end{array}\right.$

其中τ₁和τ₂为定义的常量阈值，e_a、e_b分别参考块为i_a、判定块i_b对应的边缘度；u_a、u_b分别为参考块为i_a、判定块i_b对应的平均像素值；

(15)第s个相似块组中的第r个8×8图像块，其中s＝1,…,L，r表示该相似块组中的任意一个图像块，进行以下计算：

L_rv＝median(C_rv)；L_rd＝median(C_rd)；L_rh＝median(C_rh)；

其中C_rh＝{F(k,l)|k＝2,3；l＝6,7；}，C_rv＝{F(k,l)|k＝6,7；l＝2,3；}，

C_rd＝{F(k,l)|k＝6,7；l＝6,7；}，median(C)表示对集合C进行中值滤波；然后对获得的数据集合{C_rh,C_rv,C_rd|r＝1,2,…,J_s}，J_s表示第s个相似块组中图像块总数；进行以下求解：

Q_s＝median({C_rh,C_rv,C_rd|r＝1,2,…,J_s})；

对s分别取值为1,…,L，得到元素个数为L个的Q值集合{Q_s|s＝1,…,L}；

(16)计算噪声的粗糙估计值Q^*：

Q^*＝median({Q_s|s＝1,…,L})；

(17)对所有8×8图像块进行以下操作并计算图像结构修正因子η；对第i个8×8图像块i＝1,2,…,M×N，选出系数绝对值|F(1,1)|；对所有选出的系数|F(1,1)|集合按相应块的位置放置组合得到大小为M×N的边缘结构图；对此边缘结构图，统计满足以下条件的元素个数：

a＞a_thr

其中a为边缘结构图的任意元素值，a_thr为指定的阈值；假设满足上述的元素个数为P个，则结构修正因子η计算为：

$\mathrm{\&eta;}=\frac{P}{M\&times;N}$

(18)对获得Q^*值进行修正，得到修正值Q′：Q′＝Q^*/η；

(19)进行噪声水平方差估计δ_n：

δ_n＝α×Q′^β+γ

其中α,β,γ为进行非线性映射的参数；

(2)对每一个8×8DCT块的64个系数c₁,c₂,c₃,…,c₆₄的绝对值按从小到大排序，得到集合W：

W＝{|c₁|,|c₂|,|c₃|,…,|c₆₄|}

其中|c₁|≤|c₂|≤|c₃|…≤|c₆₄|

(3)计算能量值其中κ为常量系数，求解出满足 $E=\mathrm{\&kappa;}\underset{i=1}{\overset{m}{\&Sigma;}}{\left|c_i\right|}^2>={\mathrm{\&delta;}}_n^2$ 的最小m值；

(4)设置阈值c_t＝|c_m|，对于对应的8×8DCT块的系数按以下规则计算得到新的DCT系数，

其中sign(x)表示x的符号，即按以下取值：

$sign\left(x\right)=\left\{\begin{array}{ccc}1& if& x>0\\ 0& if& x=0\\ -1& if& x<0\end{array}\right.$

从而得到一个新的8×8DCT块；

(5)对得到的新的8×8DCT块进行DCT反变换，得到对应空间域的8×8像素块；

(6)对每一个8×8图像块进行所述步骤(2)-(5)操作后，将所有步骤(5)中像素块组成新的图像，即完成对图像的去噪处理。

2.如权利要求1所述的一种快速的基于分块噪声能量估计的图像去噪方法，其特征在于：在所述步骤(11)之后，所述步骤(12)之前，进行去除过曝的图像块处理，具体过程是，

计算平均像素值u：

$u=\frac{\left|F(0,0)\right|}{8}$

定义平均像素值不在(16，235)之间的图像块为过曝图像块；若被检测为过曝的图像块，则将该图像块去除，即该图像块不参与后续步骤中的噪声估计计算。

3.如权利要求1所述的一种快速的基于分块噪声能量估计的图像去噪方法，其特征在于：所述参数α,β,γ的取值为α＝1.015，β＝1.148，γ＝0.932。

4.如权利要求1所述的一种快速的基于分块噪声能量估计的图像去噪方法，其特征在于：所述步骤(3)中κ按下方法取值：

κ＝φexp(-e_i/ρ)

其中φ＝8.0，ρ＝2.5，e_i为对应第i图像块的边缘度。