CN105528768A - 一种图像去噪方法 - Google Patents

Abstract

本发明公开了一种图像去噪方法，对于同时含有脉冲噪声和高斯噪声的图像，通过检测分离出脉冲噪声点，在空间域对被脉冲噪声污染的像素点进行中值滤波处理，然后将处理后的图像变换到小波域，采用小波去噪法去除图像中的高斯噪声，使用该方法能够有效去除图像中的脉冲噪声和高斯噪声，保证图像传输的真实性，提高了信噪比，突出了图像的期望特征。

Description

一种图像去噪方法

技术领域

本发明涉及图像信息处理技术领域，尤其涉及一种图像去噪方法。

背景技术

随着信息高速公路、数字地球概念的提出以及Internet的广泛应用，信息传输中的非话业务也急剧增长。其中，图像信息以其信息量大、传输速度快、作用距离远等一系列优点成为人类获取信息的主要来源及利用信息的重要手段。但数字图像在采集和传输过程中经常受到设备、环境等因素的影响，使图像质量变差，含有各种随机噪声。噪声的污染使图像偏离了真实景况，极大地影响了人们从图像中提取信息的准确性，故有必要在利用图像之前消除噪声。

图像噪声种类有很多，最常见的为脉冲噪声和高斯噪声。对于脉冲噪声采用中值滤波可以取得理想的效果，同样对于高斯噪声采用小波去噪也具有很好的作用。但中值滤波对高斯噪声的滤波效果不好，而小波图像去噪法也不能有效的去除脉冲噪声，而在很多情况下，脉冲噪声与高斯噪声在图像中是同时出现的。

发明内容

针对上述技术问题，本发明的目的在于提供一种图像去噪方法，能够有效滤除图像中的脉冲噪声和高斯噪声，保证图像传输过程中的真实性。

为达此目的，本发明采用以下技术方案：

一种图像去噪方法，其特征在于包括如下步骤：

A、检测图像的脉冲噪声点；

B、采用自适应中值滤波算法在空间域对脉冲噪声点进行中值滤波处理，滤除图像中的脉冲噪声；

C、将滤除脉冲噪声的图像变换到小波域，采用基于高斯混合模型的小波去噪法滤除图像中的高斯噪声。

特别地，所述步骤A包括：

A1、比较图像像素灰度值与其邻域点的灰度值的大小，判断该像素是否为准脉冲噪声点；

A2、利用像素邻域的结构信息，检测出图像的脉冲噪声点。

特别地，所述步骤B包括：

B1、根据检测出的图像噪声点估计图像不同区域受污染的程度；

B2、根据受污染程度采用相应大小的窗口对脉冲噪声点进行中值滤波处理。

特别地，所述步骤C包括：

C1、建立高斯混合模型作为图像小波系数的模型；

C2、获得随像素自适应调整的模型参数；

C3、将处理后的小波系数利用小波逆变换进行重构，得到去噪后的有效图像信号。

本发明提出的一种图像去噪方法，对于同时含有脉冲噪声和高斯噪声的图像，通过检测分离出脉冲噪声点，在空间域对被脉冲噪声污染的像素点进行中值滤波处理，然后将处理后的图像变换到小波域，采用小波去噪法去除图像中的高斯噪声，使用该方法能够有效去除图像中的脉冲噪声和高斯噪声，保证图像传输的真实性，提高了信噪比，突出了图像的期望特征。

附图说明

图1是本发明实施例提供的图像去噪方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例一

请参照图1所示，图1为本发明实施例提供的图像去噪方法流程图。

本实施例中，图像去噪方法具体包括如下步骤：

S101、比较图像像素灰度值与其邻域点的灰度值的大小，判断该像素是否为准脉冲噪声点。

脉冲噪声是由于某些原因在图像中产生的一些灰度值很小或很大的污染点，这些点在灰度特征上与其它像素点有较明显的区别，一般是其邻域中的灰度极值点。故比较图像像素灰度值与其邻域点的灰度值的大小，能够判断该像素是否为脉冲噪声点。但不含噪声点的图像灰度平滑区域或有强边界的区域中同样有极值点，故并不是所有的极值点都是脉冲噪声点，从而通过比较灰度值判断的脉冲噪声点只能作为准脉冲噪声点，最终的结果还需要经过S102做进一步判断。

S102、利用像素邻域的结构信息，检测出图像的脉冲噪声点。

当判断像素点（i,j)为准噪声点时，利用（i,j)的邻域结构信息做进一步判断。在以（i,j)为中心的窗口中（中心点除外），可分为4个一维子窗口，分别为水平、竖直、主对角线、辅对角线方向。在每个子窗口内，求（i,j)与其它像素的灰度差值，并将差值求和，记为d1、d2、d3、d4。令m为d1、d2、d3、d4绝对值的最小值，根据m的值判断像素点（i,j)是否为脉冲噪声点。具体判断原则为：（1）若当前像素点为孤立的脉冲噪声点，则该点与所有相邻点灰度差值较大，则m将取较大的值。（2）若当前像素点为不受噪声污染的灰度平坦区域点，则4个方向的灰度差值都接近于0，m将取较小的值。（3）若当前像素点为边缘点，则4个方向的灰度差值至少会有一个取较小的值，m必将取较小的值。有上述可知，若当前像素被脉冲噪声污染，则m值较大，否则m值较小，故设定合适的阈值T1，若m>T1，则判断当前点为脉冲噪声点。

S103、根据检测出的图像噪声点估计图像不同区域受污染的程度。

对检测出的图像噪声点（i,j)，设滤波窗口A的初始大小为n×n（n为奇数），窗口内的噪声点的个数为p，则滤波窗口内受污染的程度。

S104、根据受污染程度采用相应大小的窗口对脉冲噪声点进行中值滤波处理。

设定合适的阈值T2，与滤波窗口内受污染的程度r进行比较。若r<T2，或者滤波窗口为最大窗口，则采用该窗口对噪声点（i,j)进行中值滤波；若否，则将滤波窗口扩大为（n+2）×（n+2），之后再比较r与T2，直至采用合适大小的窗口对噪声点（i,j)进行中值滤波。

S105、将滤除脉冲噪声的图像变换到小波域，采用基于高斯混合模型的小波去噪法滤除图像中的高斯噪声。

将滤除脉冲噪声的图像变换到小波域，采用基于高斯混合模型的小波去噪法滤除图像中的高斯噪声具体包括：

（1）对滤除脉冲噪声的图像做小波变换。

（2）除近似系数子带外，对每一个高频细节子带作如下计算：

Ⅰ、通过中值估算法，利用最小尺度子带的小波系数估计噪声标准方差；通过子带内小波系数的局部相关性，利用邻域窗口内的小波系数估计每个小波系数的标准方差，获得有空间自适应性的局部BayesShrink阈值；

Ⅱ、通过有空间自适应性的局部BayesShrink阈值获得子带二值掩膜，对小波系数进行分类；

Ⅲ、根据小波系数的分类，对小波系数模型参数进行估计；

Ⅳ、通过加权维纳滤波器对真实图像小波系数进行估计；

（3）将估算的小波系数利用小波逆变换进行重构，得到去噪后的有效图像信号。

本发明的技术方案能够有效去除图像中的脉冲噪声和高斯噪声，保证图像传输的真实性，提高了信噪比，突出了图像的期望特征。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (4)

1.一种图像去噪方法，其特征在于包括如下步骤：

A、检测图像的脉冲噪声点；

B、采用自适应中值滤波算法在空间域对脉冲噪声点进行中值滤波处理，滤除图像中的脉冲噪声；

C、将滤除脉冲噪声的图像变换到小波域，采用基于高斯混合模型的小波去噪法滤除图像中的高斯噪声。

2.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤A包括：

A1、比较图像像素灰度值与其邻域点的灰度值的大小，判断该像素是否为准脉冲噪声点；

A2、利用像素邻域的结构信息，检测出图像的脉冲噪声点。

3.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤B包括：

B1、根据检测出的图像噪声点估计图像不同区域受污染的程度；

B2、根据受污染程度采用相应大小的窗口对脉冲噪声点进行中值滤波处理。

4.根据权利要求1所述的图像去噪方法，其特征在于，所述步骤C包括:

C1、建立高斯混合模型作为图像小波系数的模型；

C2、获得随像素自适应调整的模型参数；

C3、将处理后的小波系数利用小波逆变换进行重构，得到去噪后的有效图像信号。