CN105654442A - 一种冲击噪声图像去噪方法 - Google Patents
一种冲击噪声图像去噪方法 Download PDFInfo
- Publication number
- CN105654442A CN105654442A CN201511030363.0A CN201511030363A CN105654442A CN 105654442 A CN105654442 A CN 105654442A CN 201511030363 A CN201511030363 A CN 201511030363A CN 105654442 A CN105654442 A CN 105654442A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- noise
- matrix
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008030 elimination Effects 0.000 title abstract description 4
- 238000003379 elimination reaction Methods 0.000 title abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000011109 contamination Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 24
- 239000006002 Pepper Substances 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 12
- 230000035939 shock Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 26
- 238000002474 experimental method Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 10
- 230000008439 repair process Effects 0.000 description 7
- 230000000903 blocking effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种冲击噪声图像去噪方法,具有如下步骤:建立噪声污染图像I的标记矩阵F,根据所述的冲击噪声污染密度ρ将所述的图像I和标记矩阵F分别划分成M*N个网格;分别提取图像I和矩阵F中第(m,n)个网格内的像素构成的图像块Tm,n和标记块Lm,n;通过遍历所述的标记块Lm,n内的元素,建立图像块Tm,n中污染像素集合E和非污染像素集合P;得到线性预测系统参数Ψ;根据所述的线性预测系统参数Ψ和欧式距离矩阵De计算得出污染像素值对该污染像素值进行矩阵转置操作,得到去除噪声像素值E;得到去噪后的图像块Tm,n;将图像块Tm,n写回图像,代替第(m,n)个网格内图像像素;遍历图像I中的所有网格。
Description
技术领域
本发明涉及一种去除图像中去除冲击噪声的方法。涉及专利分类号G06计算;推算;计数G06T一般的图像数据处理或产生G06T5/00图像的增强或复原,如从位像到位像地建立一个类似的图形。
背景技术
数字成像传感器CCD或CMOS等被广泛应用于工业、娱乐、民用等领域,在实际使用过程中,受制造缺陷、器件老化、传输错误等因素影响,在获得的成像图像中存在着冲击噪声污染,冲击噪声包括:椒盐噪声和随机冲击噪声两类。其中,椒盐噪声常表现为恒定的极亮或极暗像素,以取值范围为0-255的灰度图像为例,椒盐噪声像素的取值通常为255或0。如图1所示,a是原始图像,b是30%椒盐噪声污染图像。椒盐噪声对图像质量影响最大,一些非线性滤波方法被用于椒盐噪声图像去噪。中值滤波最早被用于椒盐噪声图像去噪,它以像素邻域内中值代替当前像素,进行图像滤波,图1.c是b的中值滤波结果。由于中值滤波会将未污染像素错误地用邻域内像素中值取代,而使滤波后图像产生失真。为此,Sun等([Sun,T,Neuvo,Y.,1994.Detail-preservingmedianbasedfiltersinimageprocessing.PatternRecognitionLett.15(4),341–347.)首次提出选择中值滤波(SwitchingMedianFilter,SMF)。SMF的基本思想是:先在受污染图像中标记出污染像素(比如像素值为255或0的像素即为污染像素)和未污染像素(像素值介于0-255之间的像素);在图像修复过程中,只对污染像素进行处理,未污染像素保持不变。这样就可保证未污染像素不被邻域内像素中值替代,而具有更高保真度。图1中d是b的选择中值滤波结果,可以看出,选择中值滤波结果明显优于传统中值滤波方法。但是,当冲击噪声污染密度较大时,比如80%以上,如图1中e所示,中值滤波和选择中值滤波都难以得到较理想的修复图像,图1中f是图1中e的中值滤波结果,图1中g是图1中e的选择中值滤波结果。
高密度(冲击噪声污染比率在50%以上)冲击噪声污染图像去噪问题受到了国内外学者广泛关注。比如,Esakkirajan(2011)等(EsakkirajanS,VeerakumarT,SubramanyamAN,PremChandCH.Removalofhighdensitysaltandpeppernoisethroughmodifieddecisionbasedunsymmetrictrimmedmedianfilter.IEEESignalProcessLett2011;18(5):287–90.)提出非对称三态滤波用于修复高度密度椒盐噪声污染图像。Lu(2012)等(LuC.-T,ChouT.-C.Denoisingofsalt-and-peppernoisecorruptedimageusingmodifieddirectional-weighted-medianfilter,PatternRecognitionLetters,vol.33,no.10,pp.1287–1295,2012.)提出改进的方向加权中值滤波算法,可用于修复80%冲击噪声污染图像。Mu(2013)等(MuHH,FanCC,etal.Fastandefficientmedianfilterforremoving1-99%levelsofsalt-and-peppernoiseinimages.EngineeringApplicationsofArtificialIntelligence.26(2013)1333-1338)根据不同的噪声密度等级,改进SMF算法搜索窗口大小和方向,提出了一种快速、高密度冲击噪声消除算法,可实现99%椒盐噪声污染图像修复。Vijaykumar(2014)等(V.R.Vijaykumar,G.Santhana,etal.Fastswitchingbasedmedian-meanfilterforhighdensitysaltandpeppernoiseremoval.InternationalJournalofElectronicsandCommunications.p:1145–1155,2014)提出了一种选择均值中值滤波算法,通过加大搜索窗口的尺寸,可实现90%椒盐噪声污染图像修复。Zhang(2014)等(ZhangC,WangK.etal.Removalofhigh-densityimpulsenoisebasedonswitchingmorphology-meanfilter.InternationalJournalofElectronicsandCommunications.2014)将形态学与选择滤波融合,提出选择形态学滤波,通过2层选择开、闭形态学滤波,可实现90%椒盐噪声污染图像修复。但是,这类基于局部窗口内中值、均值、极值(最大值或最小值)的选择滤波方法,在进行高密度椒盐噪声图像修复时,较大的滤波窗口容易使图像产生模糊,进而降低修复后图像信噪比。
发明内容
本发明针对以上问题的提出,而研制的一种冲击噪声图像去噪方法,具有如下步骤:
—建立噪声污染图像I的标记矩阵F,该矩阵F的元素与图像I中的像素对应,矩阵中元素为0表示图像I中对应位置的像素为非污染像素,元素为1表示对象I中对应位置的像素为污染像素;统计当前图像的冲击噪声污染密度ρ;
—根据所述的冲击噪声污染密度ρ将所述的图像I和标记矩阵F分别划分成M*N个网格;分别提取图像I和矩阵F中第(m,n)个网格内的像素构成的图像块Tm,n和标记块Lm,n;
—通过遍历所述的标记块Lm,n内的元素,根据标记块Lm,n元素和图像块Tm,n像素的对应关系,建立图像块Tm,n中污染像素集合E和非污染像素集合P;
—计算非污染像素集合P中非污染像素之间的图像坐标欧式距离矩阵Dp,得到线性预测系统参数Ψ;计算污染像素集合E中所有像素与所述的非污染像素集合P之间的图像坐标欧式距离矩阵De;
—根据所述的线性预测系统参数Ψ和欧式距离矩阵De计算得出污染像素值对该污染像素值进行矩阵转置操作,得到去除噪声像素值E;
—根据像素值E在图像块Tm,n中的坐标,替换Tm,n中污染像素,得到去噪后的图像块Tm,n;
—将图像块Tm,n写回图像,代替第(m,n)个网格内图像像素;遍历图像I中的所有网格,对所有网格内的污染像素进行修复,得到去除冲击噪声后的图像。
所述的标记矩阵F的建立过程如下:
—当冲击噪声为椒盐噪声时,遍历图像I中所有像素q,当像素q(i,j)取值为0或2z-1时为椒盐噪声,使F中(i,j)位置处元素为1,即F(i,j)=1,其中i,j分别是纵、横坐标;
—当冲击噪声为随机噪声时,采用随机冲击噪声检测方法进行冲击噪声检测,并使F中随机冲击噪声像素位置处元素为1。
所述的冲击噪声污染密度w、h分别为图像I的宽度和高度尺寸。
所述的网格的单元尺寸为s*s:
当冲击噪声污染密度ρ≤0.5,s取值为2~6个像素;
当冲击噪声污染密度0.5<ρ≤0.8,s取值为4~16个像素;
当冲击噪声污染密度0.8<ρ≤0.9,s取值为12~100个像素;
当冲击噪声污染密度0.9<ρ≤0.95,s取值为90~200个像素;
当冲击噪声污染密度ρ>0.95,s取值大于180个像素;
以大小为s*s矩形块为单位,将图像I和标记矩阵F划分为M*N个网格,其中M=Θ(w/s+0.5),N=Θ(h/s+0.5)表示取整数操作。
所述的污染像素集合E和非污染像素集合P建立过程如下:
—遍历标记块Lm,n中所有元素L(k,l),k、l是块内横、纵坐标,k、l的取值范围为1~s,s为单元尺寸;
—当L(k,l)为0时,从图像块Tm,n中取出像素q(k,l),此时q(k,l)是非污染像素p;
—构成图像块Tm,n中非污染像素p的集合P=[q1,...,qg],P中元素个数为g,q的值为像素值;
—当L(k,l)为1时,从图像块Tm,n中取出像素q(k,l),此时q(k,l)是污染像素e,构成图像块Tm,n中污染像素e的集合E=[q1,...,qr],E中元素个数为r,q的值为像素值。
所述的步骤“—根据所述的线性预测系统参数Ψ和欧式距离矩阵De计算得出污染像素值对该污染像素值进行矩阵转置操作,得到去除噪声像素值E”具体为:
—计算P中非污染像素[q1,...,qg]之间的图像坐标欧式距离矩阵Dp,
其中 其中 是像素pu与像素pv之间的图像坐标欧式距离;
—计算Ψ=(Dp(Dp)T)-1(Dp)TP,其中(·)T是矩阵转置操作,(·)-1是矩阵取逆操作;
—计算污染像素E中所有像素与非污染像素P间的图像坐标欧式距离矩阵De,
其中
计算使其中表示对进行矩阵转置操作。
本发明提供的一种冲击噪声图像去噪方法,可实现污染密度达99%的图像修复,修复图像质量优于现有非线性滤波算法。优点可表现为以下几点:
(1)可显著提高修复图像信噪比,增强修复图像的视觉可视信息,本发明算法修复结果保留了更多图像细节,修复效果明显优于AMF、BDND、DBA、SAMF、MMF、SMMF等算法;
(2)通过网格化处理,可显著提高去噪速度,相比未进行网格化处理,直接对整幅图像进行选择最小二乘滤波,计算速度可以提高10倍以上;
(3)通过扩展训练图像块尺寸,可有效消除网格化处理产生的块效应。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1冲击噪声图像污染及现有方法去噪结果
图中,a是原始图像,b是30%冲击噪声污染图像,c是b的中值滤波结果,d是b的选择中值滤波结果,e是80%冲击噪声污染图像,f是e的中值滤波结果,g是e的选择中值滤波结果。
图2噪声密度为90%时,本发明算法与现有算法图像修复效果对比
图3实验1的结果示意图
图4实验2的结果示意图
图5实验3的结果示意图
图6实验4的结果示意图
图7实验5的结果示意图
图8实验6的结果示意图
图9实验7的结果示意图
图10实验8的结果示意图
图11为本发明的流程图
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
如图11所示:
首先进行图像冲击噪声检测:
给定一幅尺寸为w*h、位宽为z个比特的冲击噪声(冲击噪声呈突发状,常由外界因素引起;其噪声幅度可能相当大,无法靠提高信噪比来避免,是传输中的主要差错)污染图像,图像宽度w取值范围为1~100000000,图像高度h取值范围为1~100000000,图像位宽z取值范围为1~100,w、h的单位为像素,进行图像中冲击噪声检测。
设定一个w*h的标记矩阵F,使F中每一个元素为0;在F中,取值为1的元素所对应的图像像素为污染像素e,取值为0的元素所对应的图像像素为非污染像素p。
当冲击噪声为椒盐噪声时,遍历图像I中所有像素q,当像素q(i,j)取值为0或2z-1时为椒盐噪声,使F中(i,j)位置处元素为1,即F(i,j)=1,其中i,j分别是纵、横坐标;
当冲击噪声为随机噪声时,采用随机冲击噪声检测方法进行冲击噪声检测,并使F中随机冲击噪声像素位置处元素为1;
计算冲击噪声污染密度
∑是求和操作,/是除法操作,*是乘法操作。
然后对图像I、标记矩阵进行网格化处理,作为优选的实施方式,根据冲击噪声污染密度,设定网格单元尺寸s*s。
当冲击噪声污染密度ρ≤0.5,s取值为2~6个像素;
当冲击噪声污染密度0.5<ρ≤0.8,s取值为4~16个像素;
当冲击噪声污染密度0.8<ρ≤0.9,s取值为12~100个像素;
当冲击噪声污染密度0.9<ρ≤0.95,s取值为90~200个像素;
当冲击噪声污染密度ρ>0.95,s取值大于180个像素。
以大小为s*s矩形块为单位,将图像和标记矩阵F划分为M*N个网格,其中M=Θ(w/s+0.5),N=Θ(h/s+0.5),表示取整数操作。
最小二乘滤波算法(SwitchLeastSquareFilter,SLSF)用于估计污染像素值的基本原理是:图像可以看着一个线性系统,图像中某一像素的取值可以看着该线性系统的一个输出,那么给定一个冲击噪声污染图像块,其中的染像素的取值就可通过该线性系统进行预测。通过观察可以发现,图像中某一个像素的像素值与其周围像素的像素值紧密相关。
故作为优选的实施方式,对网格内像素进行选择最小二乘滤波,修复网格内污染像素。
以之前建立的网格为单位,从图像I中取出第(m,n)个网格内像素构成的图像块Tm,n。
从标记矩阵F中取出标记块Lm,n,其中m、n分别是网格的横、纵坐标,m取值范围为1~M,n取值范围为1~N。
遍历标记块Lm,n中所有元素L(k,l),k、l是块内横、纵坐标,k、l的取值范围为1~s。
当L(k,l)为0时,从图像块Tm,n中取出像素q(k,l),此时q(k,l)是非污染像素p,
构成图像块Tm,n中非污染像素p的集合P=[q1,...,qg],P中元素个数为g,q的值为像素值。
当L(k,l)为1时,从图像块Tm,n中取出像素q(k,l),此时q(k,l)是污染像素e,构成图像块Tm,n中污染像素e的集合E=[q1,...,qr],E中元素个数为r,q的值为像素值。
—计算P中非污染像素[q1,...,qg]之间的图像坐标欧式距离矩阵Dp,
其中 其中 是像素pu与像素pv之间的图像坐标欧式距离。
计算Ψ=(Dp(Dp)T)-1(Dp)TP,其中(·)T是矩阵转置操作,(·)-1是矩阵取逆操作。
计算污染像素E中所有像素与非污染像素P间的图像坐标欧式距离矩阵De,
其中
计算使其中表示对进行矩阵转置操作;并根据E中元素在图像块Tm,n中的坐标,替换Tm,n中污染像素得到去噪后图像块
最后,将写回图像中,代替第(m,n)个网格内图像像素;重复上述步骤,依次遍历图像中所有网格,对所有网格内污染像素进行修复,得到去噪图像。
下面以尺寸为512*512、位宽为8bits的lena灰度图像为测试对象,以CPU为IntelI73.7GHz、RAM=6GB、64bitsWin7操作系统的PC作为硬件评估平台,以Matlab2014a为软件环境,采用matlab中imnoise函数,模拟生成椒盐噪声污染图像I用于测试,去噪效果采用PSNR(峰值信噪比)进行定量对比。
实施例1:
本实施例用于对比说明本发明所采用的图像网格处理的作用。为此,设置两个对比实验:实验1不进行网格化处理、实验2进行网格化处理,实验中图像噪声密度设为99%。
1)在实验1中,设置网格尺寸s=512,a=0,等价于未进行网格化处理,实验结果如图3所示。从实验结果可以看出,选择最小二乘滤波SLSF有效地修复了椒盐噪声污染像素,但是处理时间较长为220秒。
2)在实验2中,设置网格尺寸s=256,a=0,实验结果如图4所示,处理时间缩短为40秒,从图4结果可以看出,相比图3中实验1的结果,不存在明显的差异,但是存在网格化引起的块效应。
从实验1和实验2的对比结果,可以看出对图像进行网格化处理,可以显著提高去噪速度。
实施例2:
本实施例用于说明本发明中针对不同噪声污染密度采用,取不同网格尺寸s的作用。进行4个实验,分别为实验3~6。
实验3:噪声污染密度为99%,图像块尺寸大小为16*16的倍数,最小图像块为16*16,最大为512*512。图像网格化尺寸s与去噪图像质量PSNR的关系如图5所示,其中纵坐标为PSNR,横坐标为图像网格化尺寸s。实验结果表明,在噪声密度为99%情况下,当图像网格尺寸为32时,PSNR达到一个较高的值,在图像块为176之前,图像PSNR的变化明显,超过176以后,变化较为缓慢。
实验4:噪声污染密度为95%,图像块尺寸大小为8*8的倍数,最小图像块为8*8,最大为232*232。图像网格化尺寸s与去噪图像质量PSNR的关系如图6所示,其中纵坐标为PSNR,横坐标为图像网格化尺寸s。实验结果表明,在噪声密度为95%情况下,当图像网格尺寸为16时,PSNR达到一个较高的值,在图像块为88之前,PSNR的变化明显,超过88以后,变化较为缓慢。
实验5:噪声污染密度为90%,图像块尺寸大小为4*4的倍数,最小图像块为4*4,最大为124*124。图像网格化尺寸s与去噪图像质量PSNR的关系如图7所示,其中纵坐标为PSNR,横坐标为图像网格化尺寸s。实验结果表明,在噪声密度为90%情况下,当图像网格尺寸为8时,PSNR达到一个较高的值,在图像块为36之前,PSNR的变化明显,超过36以后,变化较为缓慢。
实验6:噪声污染密度为80%,图像块尺寸大小为4*4的倍数,最小图像块为4*4,最大为60*60。图像网格化尺寸s与去噪图像质量PSNR的关系如图8所示,其中纵坐标为PSNR,横坐标为图像网格化尺寸s。实验结果表明,在噪声密度为80%情况下,图像网格尺寸为8*8时,PSNR达到一个较高的值,在图像块为32之前,PSNR的变化明显,超过32以后,变化较为缓慢。
从实验3-6可以看出,去噪效果与图像块尺寸紧密相关,但是,并不是对于任意噪声密度,选择越大的图像网格就越好,而是需要综合考虑计算时间,根据不同的噪声密度水平,选择合适的图像网格尺寸。
实施例3:
本实施例,用于说明采用扩展图像块进行去噪图像块效应消除的作用。
实验7:噪声密度为90%,图像网格化尺寸s=40,a=0,实验结果如图9所示,可以看出去噪结果存在明显的块效应。
实验8:噪声密度为90%,图像网格化尺寸s=40,a=2,实验结果如图10所示,可以看出图9中的块效应现象得到了较好抑制。
实验9:
以Lena图像为例进行了仿真测试,与现有椒盐噪声去噪算法进行比较分析结果如图2所示。在图2中,给出了90%椒盐噪声污染情况下现有的算法和本发明算法降噪的效果示意图
图2a为原始的未受噪声干扰的图像
图2b为90%椒盐噪声污染
图2c为采用中值滤波算法处理后的效果图。
图2d加权中值滤波算法处理后的效果图(WMF,YinL,RuikangYang,MoncefGabbouj,YrjoNeuvo.Weightedmedianfilters:tutorial.IEEETransCircuitsSystII1996;43(3):157–92.)、
图2e中心加权中值滤波算法处理后的效果图(CWMF,KoS-J,LeeYH.Centerweightedmedianfiltersandtheirapplicationstoimageenhancement.IEEETransCircuitsSyst1991.38(9):984–93.)、
图2f自适应中心加权中值滤波算法处理后的效果图(ACWMF,ChenT,WuHR.Adaptiveimpulsedetectionusingcenter-weightedmedianfilters.IEEESignalProcessLett2001;8(1):1–3.)、
图2g为改进选择中值滤波算法处理后的效果图(PSMF,WangZ,ZhangD.Progressiveswitchingmedianfilterfortheremovalofimpulsenoisefromhighlycorruptedimages.IEEETransCircuitsSystII1999;46(1):78–80.)、
图2h为自适应中值滤波算法处理后的效果图(AMF,HwangH,HaddadRA.Adaptivemedianfilters:newalgorithmsandresults.IEEETransImageProcess1995;4(4):499–502.)、
图2i为边界判别噪声检测算法处理后的效果图(BDND,NgP-E,MaK-K.Aswitchingmedianfilterwithboundarydiscriminativenoisedetectionforextremelycorruptedimages.IEEETransImageProcess2006;15(6):1506–16.)、
图2g为基于决策算法处理后的效果示意图(DBA,SrinivasanKS,EbenezerD.Anewfastandefficientdecision-basedalgorithmforremovalofhigh-densityimpulsenoises.IEEESignalProcessLett.2007;14(3):189–92.)、
图2k为简单自适应中值滤波处理后的效果示意图(SAMF,HaidiI,NicholasSPK,TheamFN.Simpleadaptivemedianfilterforremovalofimpulsenoisefromhighlycorruptedimages.IEEETransConsumElectron2008;54(4).)、
图2l为改进基于决策的非对称三态中值滤波算法处理后的效果图(DBUTMF,EsakkirajanS,VeerakumarT,SubramanyamAN,PremChandCH.Removalofhighdensitysaltandpeppernoisethroughmodifieddecisionbasedunsymmetrictrimmedmedianfilter.IEEESignalProcessLett2011;18(5):287–90.)、
图2m为均值中值滤波算法处理后的效果图(SMMF,V.R.Vijaykumar,G.Santhana,etal.Fastswitchingbasedmedian-meanfilterforhighdensitysaltandpeppernoiseremoval.InternationalJournalofElectronicsandCommunications[J].(2014)1145–1155),以及
图2n为本发明算法进行图像修复的效果图。从图2可以明显发现,本发明算法修复结果保留了更多图像细节,修复效果明显优于AMF、BDND、DBA、SAMF、MMF、SMMF等算法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种冲击噪声图像去噪方法,其特征在于具有如下步骤:
—建立噪声污染图像I的标记矩阵F,该矩阵F的元素与图像I中的像素对应,矩阵中元素为0表示图像I中对应位置的像素为非污染像素,元素为1表示对象I中对应位置的像素为污染像素;统计当前图像的冲击噪声污染密度ρ;
—根据所述的冲击噪声污染密度ρ将所述的图像I和标记矩阵F分别划分成M*N个网格;分别提取图像I和矩阵F中第(m,n)个网格内的像素构成的图像块Tm,n和标记块Lm,n;
—通过遍历所述的标记块Lm,n内的元素,根据标记块Lm,n元素和图像块Tm,n像素的对应关系,建立图像块Tm,n中污染像素集合E和非污染像素集合P;
—计算非污染像素集合P中非污染像素之间的图像坐标欧式距离矩阵Dp,得到线性预测系统参数Ψ;计算污染像素集合E中所有像素与所述的非污染像素集合P之间的图像坐标欧式距离矩阵De;
—根据所述的线性预测系统参数Ψ和欧式距离矩阵De计算得出污染像素值对该污染像素值进行矩阵转置操作,得到去除噪声像素值E;
—根据像素值E在图像块Tm,n中的坐标,替换Tm,n中污染像素,得到去噪后的图像块Tm,n;
—将图像块Tm,n写回图像,代替第(m,n)个网格内图像像素;遍历图像I中的所有网格,对所有网格内的污染像素进行修复,得到去除冲击噪声后的图像。
2.根据权利要求1所述的一种冲击噪声图像去噪方法,其特征还在于所述的标记矩阵F的建立过程如下:
—当冲击噪声为椒盐噪声时,遍历图像I中所有像素q,当像素q(i,j)取值为0或2z-1时为椒盐噪声,使F中(i,j)位置处元素为1,即F(i,j)=1,其中i,j分别是纵、横坐标;
—当冲击噪声为随机噪声时,采用随机冲击噪声检测方法进行冲击噪声检测,并使F中随机冲击噪声像素位置处元素为1。
3.根据权利要求2所述的一种冲击噪声图像去噪方法,其特征还在于所述的冲击噪声污染密度w、h分别为图像I的宽度和高度尺寸。
4.根据权利要求3所述的一种冲击噪声图像去噪方法,其特征还在于:所述的网格的单元尺寸为s*s:
当冲击噪声污染密度ρ≤0.5,s取值为2~6个像素;
当冲击噪声污染密度0.5<ρ≤0.8,s取值为4~16个像素;
当冲击噪声污染密度0.8<ρ≤0.9,s取值为12~100个像素;
当冲击噪声污染密度0.9<ρ≤0.95,s取值为90~200个像素;
当冲击噪声污染密度ρ>0.95,s取值大于180个像素;
以大小为s*s矩形块为单位,将图像I和标记矩阵F划分为M*N个网格,其中M=Θ(w/s+0.5),N=Θ(h/s+0.5)表示取整数操作。
5.根据权利要求1所述的一种冲击噪声图像去噪方法,其特征还在于所述的污染像素集合E和非污染像素集合P建立过程如下:
—遍历标记块Lm,n中所有元素L(k,l),k、l是块内横、纵坐标,k、l的取值范围为1~s,s为单元尺寸;
—当L(k,l)为0时,从图像块Tm,n中取出像素q(k,l),此时q(k,l)是非污染像素p;
—构成图像块Tm,n中非污染像素p的集合P=[q1,...,qg],P中元素个数为g,q的值为像素值;
—当L(k,l)为1时,从图像块Tm,n中取出像素q(k,l),此时q(k,l)是污染像素e,构成图像块Tm,n中污染像素e的集合E=[q1,...,qr],E中元素个数为r,q的值为像素值。
6.根据权利要求1所述的一种冲击噪声图像去噪方法,其特征还在于所述的步骤“—根据所述的线性预测系统参数Ψ和欧式距离矩阵De计算得出污染像素值对该污染像素值进行矩阵转置操作,得到去除噪声像素值E”具体为:
—计算P中非污染像素[q1,...,qg]之间的图像坐标欧式距离矩阵Dp,
其中 其中 是像素pu与像素pv之间的图像坐标欧式距离;
—计算Ψ=(Dp(Dp)T)-1(Dp)TP,其中(·)T是矩阵转置操作,(·)-1是矩阵取逆操作;
—计算污染像素E中所有像素与非污染像素P间的图像坐标欧式距离矩阵De,
其中
计算使其中表示对进行矩阵转置操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511030363.0A CN105654442B (zh) | 2015-12-31 | 2015-12-31 | 一种冲击噪声图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511030363.0A CN105654442B (zh) | 2015-12-31 | 2015-12-31 | 一种冲击噪声图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654442A true CN105654442A (zh) | 2016-06-08 |
CN105654442B CN105654442B (zh) | 2019-01-15 |
Family
ID=56491306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511030363.0A Active CN105654442B (zh) | 2015-12-31 | 2015-12-31 | 一种冲击噪声图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654442B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851322A (zh) * | 2017-01-15 | 2017-06-13 | 四川精目科技有限公司 | 一种分块最小二乘回归高速相机压缩图像重建方法 |
CN107067376A (zh) * | 2017-01-15 | 2017-08-18 | 四川精目科技有限公司 | 一种rbf插值椒盐噪声图像修复方法 |
CN107316304A (zh) * | 2017-01-15 | 2017-11-03 | 四川精目科技有限公司 | 一种分块rbf插值冲击噪声图像修复方法 |
CN107563974A (zh) * | 2017-08-15 | 2018-01-09 | 深圳云天励飞技术有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
CN108320269A (zh) * | 2017-01-18 | 2018-07-24 | 重庆邮电大学 | 一种高效消除高密度椒盐噪声的方法 |
CN113192078A (zh) * | 2021-04-19 | 2021-07-30 | 清华大学 | 一种基于密度的快速海面sar图像超像素分割方法 |
CN113536214A (zh) * | 2020-04-14 | 2021-10-22 | 浙江大华技术股份有限公司 | 一种图像降噪的方法、装置及存储装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011138044A1 (en) * | 2010-05-07 | 2011-11-10 | Ibbt Vzw | A method and device for estimating noise in a reconstructed image |
CN103400357A (zh) * | 2013-08-23 | 2013-11-20 | 闽江学院 | 一种去除图像椒盐噪声的方法 |
CN103679732A (zh) * | 2013-12-12 | 2014-03-26 | 西安建筑科技大学 | 基于噪声检测的高密度脉冲噪声自适应滤波算法 |
-
2015
- 2015-12-31 CN CN201511030363.0A patent/CN105654442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011138044A1 (en) * | 2010-05-07 | 2011-11-10 | Ibbt Vzw | A method and device for estimating noise in a reconstructed image |
CN103400357A (zh) * | 2013-08-23 | 2013-11-20 | 闽江学院 | 一种去除图像椒盐噪声的方法 |
CN103679732A (zh) * | 2013-12-12 | 2014-03-26 | 西安建筑科技大学 | 基于噪声检测的高密度脉冲噪声自适应滤波算法 |
Non-Patent Citations (2)
Title |
---|
刘培 等: "利用线性预测去除图像椒盐噪声", 《铁道学报》 * |
武英: "一种图像椒盐噪声自适应滤除方法", 《微电子学与计算机》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106851322A (zh) * | 2017-01-15 | 2017-06-13 | 四川精目科技有限公司 | 一种分块最小二乘回归高速相机压缩图像重建方法 |
CN107067376A (zh) * | 2017-01-15 | 2017-08-18 | 四川精目科技有限公司 | 一种rbf插值椒盐噪声图像修复方法 |
CN107316304A (zh) * | 2017-01-15 | 2017-11-03 | 四川精目科技有限公司 | 一种分块rbf插值冲击噪声图像修复方法 |
CN108320269A (zh) * | 2017-01-18 | 2018-07-24 | 重庆邮电大学 | 一种高效消除高密度椒盐噪声的方法 |
CN107563974A (zh) * | 2017-08-15 | 2018-01-09 | 深圳云天励飞技术有限公司 | 图像去噪方法、装置、电子设备及存储介质 |
CN113536214A (zh) * | 2020-04-14 | 2021-10-22 | 浙江大华技术股份有限公司 | 一种图像降噪的方法、装置及存储装置 |
CN113192078A (zh) * | 2021-04-19 | 2021-07-30 | 清华大学 | 一种基于密度的快速海面sar图像超像素分割方法 |
CN113192078B (zh) * | 2021-04-19 | 2022-12-02 | 清华大学 | 一种基于密度的快速海面sar图像超像素分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105654442B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654442A (zh) | 一种冲击噪声图像去噪方法 | |
CN108921799B (zh) | 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法 | |
CN106600560B (zh) | 一种适用于行车记录仪的图像去雾方法 | |
CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN104599280B (zh) | 一种道路裂缝交叉点提取方法及系统 | |
CN104915938B (zh) | 一种高密度椒盐噪声污染图像修复方法 | |
CN105069778B (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN107798670A (zh) | 一种利用图像引导滤波器的暗原色先验图像去雾方法 | |
CN107742291A (zh) | 一种光伏玻璃的缺陷检测方法及装置 | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN104899842B (zh) | 用于远距离线结构光图像的排序自适应极值中值滤波方法 | |
CN103927723A (zh) | 基于神经模糊系统和边缘检测的图像滤波方法 | |
CN103679732A (zh) | 基于噪声检测的高密度脉冲噪声自适应滤波算法 | |
CN111091548A (zh) | 基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统 | |
CN105184761A (zh) | 一种基于小波分析的图像去雨方法及系统 | |
CN105069755A (zh) | 多路雾霾图像增强处理装置及方法 | |
CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
Haoran et al. | Egg crack detection based on support vector machine | |
CN102968763A (zh) | 一种基于自适应神经模糊推理系统的图像滤波方法 | |
CN112132757B (zh) | 一种基于神经网络的通用图像复原方法 | |
CN111311508B (zh) | 一种带噪路面裂缝图像的降噪方法 | |
CN116958073A (zh) | 基于注意力特征金字塔机制的小样本钢材缺陷检测方法 | |
CN109447887B (zh) | 一种基于凸壳和分组插补的隐藏图像修复方法 |
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 |