CN105787902B - 利用分块排序检测噪声的图像降噪方法 - Google Patents

Abstract

本发明涉及图象处理领域，为依据不同噪声对双边滤波算法进行改进，实现有效地降低非噪声点的误判概率，并且能够更有效地去除图像中的加性噪声和脉冲噪声，同时保留图像的边缘和细节，本发明：利用分块排序检测噪声的图像降噪方法，对图像中每一个像素点周围的像素进行处理，以被考察像素点为中心建立一个(2N+1)×(2N+1)的掩膜，从该掩模即窗口中提取出四个子窗口，子窗口分别占掩模一角，且被考察像素点占据子窗口角部位置；分别计算四个小窗口中所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄,根据这四个灰度值的数值和排序粗略地确定这个掩膜中的边缘和细节分布。本发明主要应用于图象处理。

Description

利用分块排序检测噪声的图像降噪方法

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混合高斯噪声和脉冲噪声去除处理时，对于噪声点的区分判定以及滤除问题。具体讲,涉及利用分块排序检测噪声的图像降噪方法。

背景技术

图像的噪声主要来源于图像的获取和传输过程，在进行图像处理的过程中一个重要的问题是如何有效地去除图像中存在的噪声,同时又能保留图像的细节结构,譬如边缘和纹理。然而,图像去噪是一项比较困难的任务,因为所要处理的图像中可能包含不同种类的噪声，比如加性噪声、脉冲噪声等，而图像去噪也依据不同类型的噪声采用不同的方法。滤波按处理信号的性质分为线性滤波和非线性滤波，其中线性滤波方法既有数学方面的简易性又能对加性高斯噪声的去除产生令人满意的效果，但是线性方法在去除噪声的同时模糊了图像的边缘而且对非高斯噪声的处理表现不尽人意，由于线性滤波方法有这些缺点，非线性滤波方法的使用显得很有必要。双边滤波是一种非线性的滤波方法，既考虑到了图像的空间邻近度又考虑到了像素值的相似度，具有保边去噪的效果，但是双边滤波不能有效地去除脉冲噪声，所以对于混合高斯噪声和脉冲噪声点的判别并对其进行不同处理是图象去噪的一个关键步骤。

发明内容

为克服现有技术的不足，提出一种新的高斯噪声和脉冲噪声混合噪声点检测方法，依据不同噪声对双边滤波算法进行改进，实现有效地降低非噪声点的误判概率，并且能够更有效地去除图像中的加性噪声和脉冲噪声，同时保留了图像的边缘和细节。为此，本发明采取的技术方案是，利用分块排序检测噪声的图像降噪方法，对图像中每一个像素点周围的像素进行处理，以被考察像素点为中心建立一个(2N+1)×(2N+1)的掩膜，从该掩模即窗口中提取出四个子窗口，子窗口分别占掩模一角，且被考察像素点占据子窗口角部位置；分别计算四个小窗口中所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄,根据这四个灰度值的数值和排序粗略地确定这个掩膜中的边缘和细节分布；

令ΔM_E＝m₄-m₁,ΔM_I＝m₃-m₂，ΔM_E和ΔM_I提供这四个子窗口像素灰度整体差异的度量，ΔM_E和ΔM_I的取值分为三种情况，并据此判断出这个中心像素周围边缘和细节的分布情况，其中在进行ΔM_E和ΔM_I的比较判定时分别取两个阈值T₁，T₂，当ΔM_E≤T₁时，即可判断这个窗口是平滑的，几乎没有图像边缘；当ΔM_E≥T₁，而ΔM_I≤T₂时，判断这个窗口内有部分边缘分布；当ΔM_E≥T₁，且ΔM_I≥T₂时，判断这个窗口内有较强的细节或纹理分布；

在(a)(b)两种情况下，窗口是平滑或弱边界分布，判定这个窗口内大部分像素灰度值在m₂～m₃之间，选定ref₁＝(m₂+m₃)/2作为判断像素是否为噪声点的参考中值；在(c)情况下，取四个中值的平均值mean＝(m₁+m₂+m₃+m₄)/4，并将mean与m₂,m₃的差值进行比较，选择差值较小的子窗口中值作为判断像素是否为噪声点的参考中值，即ref₂＝m₂或m₃；

其中

依据脉冲噪声和高斯噪声不同的属性进行区分检测：选定两个阈值Tk₁,Tk₂,即中心被考察像素x_i,j与相应参考值的绝对差值同某阈值进行比较，比较结果有以下几种情况：(1)|x_i,j-ref|≥Tk₁时，将x_i,j视为脉冲噪声；(2)Tk₂≤|x_i,j-ref|≤Tk₁时，将x_i,j视为高斯噪声；(3)|x_i,j-ref|≤Tk₂时将x_i,j视为非噪声点；接下来对两种不同噪声进行分别处理，对高斯噪声直接采用双边滤波进行降噪处理，而对于脉冲噪声，由于其与邻域像素灰度值差距较大，采用参考中值ref替代亮度相似度因子W_R(s,t)中x_i,j的分量进行滤波：

其中

式中，(s,t)表示中心点(i,j)的(2N+1)×(2N+1)大小邻域中像素的坐标，其加权系数由空间邻近度因子W_G(s,t)、和亮度相似度因子W_R(s,t)两部分乘积组成，前者随着像素点与中心点之间欧几里德距离的增加而减小，后者随着两像素亮度值之差的增大而减小；δ_S和δ_R分别控制着空间邻近度因子W_G(s,t)、和亮度相似度因子W_R(s,t)的衰减程度。

本发明的特点及有益效果是：

1.本发明提出了一种针对常见混合噪声进行检测并去除的改进双边滤波算法，在进行噪声检测时，首先针对不同强度的边缘或细节进行检测，进而获得用于噪声检测的参考中值，这改善了双边滤波算法中将脉冲噪声视为边缘像素带来的较差的去噪效果。

2.在处理脉冲噪声像素时，将参考中值引入双边滤波函数，并依据两种不同噪声进行滤波方法的自动切换，这种处理方法在不引入新的权重函数的基础上能够同时去除脉冲噪声和高斯噪声，展示了滤波方法的简易性和有效性。

附图说明：

图1降噪流程图。

图2边缘检测中的子窗口划分示意图。图2中，(a)5×5邻域的子窗口划分，(b)7×7邻域的子窗口划分。

图3边缘检测纹理判断示意图。(a)平滑区域(b)弱边缘(c)强边缘。

具体实施方式

本发明提出了一种新的高斯噪声和脉冲噪声混合噪声点检测方法，并依据不同噪声对双边滤波算法进行了改进，该方法可以有效地降低非噪声点的误判概率，并且能够更有效地去除图像中的加性噪声和脉冲噪声，同时保留了图像的边缘和细节。

如图1降噪流程图所示，本发明首先确定大概的图像边缘分布情况，对图像中每一个像素点周围的像素进行处理，以被考察像素点为中心建立一个(2N+1)×(2N+1)的掩膜，5×5和7×7的掩膜优选但不局限于掩膜的尺寸，从这个窗口中提取出四个子窗口，子窗口划分方法如图2中(a)、(b)所示，这些子窗口均包含被考察像素点。分别计算四个小窗口中所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄,根据这四个灰度值的数值和排序可以粗略地确定这个掩膜中的边缘和细节分布。

令ΔM_E＝m₄-m₁,ΔM_I＝m₃-m₂，ΔM_E和ΔM_I可以提供这四个子窗口像素灰度整体差异的度量，ΔM_E和ΔM_I的取值大致分为如图3三种情况，并据此判断出这个中心像素周围边缘和细节的分布情况，其中在进行ΔM_E和ΔM_I的比较判定时分别取两个阈值T₁，T₂。图中(a)情况表示当ΔM_E≤T₁时，即可判断这个窗口是平滑的，几乎没有图像边缘；图中(b)情况表示当ΔM_E≥T₁，而ΔM_I≤T₂时，可判断这个窗口内有部分边缘分布；图中(c)情况表示当ΔM_E≥T₁，且ΔM_I≥T₂时，可判断这个窗口内有较强的细节或纹理分布。

在(a)(b)两种情况下，窗口是平滑或弱边界分布，可以判定这个窗口内大部分像素灰度值在m₂～m₃之间，可以选定ref₁＝(m₂+m₃)/2作为判断像素是否为噪声点的参考中值；在(c)情况下，因为是强边缘分布，需要找到四个子窗口的中值中哪个更接近于被考察像素，取四个中值的平均值mean＝(m₁+m₂+m₃+m₄)/4，并将mean与m₂,m₃的差值进行比较，选择差值较小的子窗口中值作为判断像素是否为噪声点的参考中值，即ref₂＝m₂或m₃。

其中

依据脉冲噪声和高斯噪声不同的属性进行区分检测，由于脉冲噪声是非连续的，且由持续时间短和幅度大的不规则脉冲或噪声尖峰组成，所以脉冲噪声与选定的参考值差距较大，而高斯噪声差距较小，选定两个阈值Tk₁,Tk₂,即中心被考察像素x_i,j与相应参考值的绝对差值同某阈值进行比较，比较结果有以下几种情况：(1)|x_i,j-ref|≥Tk₁时，将x_i,j视为脉冲噪声；(2)Tk₂≤|x_i,j-ref|≤Tk₁时，将x_i,j视为高斯噪声；(3)|x_i,j-ref|≤Tk₂时将x_i,j视为非噪声点。接下来对两种不同噪声进行分别处理，对高斯噪声直接采用双边滤波进行降噪处理，而对于脉冲噪声，由于其与邻域像素灰度值差距较大，采用参考中值ref替代W_R(s,t)中x_i,j的分量进行滤波。

其中

本发明实施步骤分检测噪声和去除噪声两步进行。在对噪声检测时，首先对只加入脉冲噪声的图像进行检测，图像中的每一个像素作为中心像素通过边缘和噪声检测，采用的是对比度为255的灰度图，图像尺寸为512×512，邻域大小选取为5×5或7×7，分别计算每个像素周围的四个3×3或4×4子窗口中的像素中值并排序，在进行边缘检测时的两个阈值T₁为50、T₂为30，并针对不同强度的边缘计算用于噪声检测的参考值，当中心像素偏离参考值越多，该点为脉冲噪声的概率越大，选定阈值Tk₁为30计算图像中脉冲噪声的比例。选择加入不同比例的随机脉冲噪声图像进行噪声检测，对比检测的准确性和稳定性。

在对图像滤波时，对含有混合高斯噪声和脉冲噪声的图像进行滤波，判断每个像素是否为噪声点的检测方法和以上处理方式相同，选定阈值Tk₁为30，Tk₂为15判断噪声种类，如果中心像素被检测为噪声点，采用以上改进的双边滤波算法，算法中设定参数δ_S为3，参数δ_R为30进行滤波处理，可以同时去除高斯噪声和脉冲噪声。

Claims (1)

1.一种利用分块排序检测噪声的图像降噪方法，其特征是，对图像中每一个像素点周围的像素进行处理，以被考察像素点为中心建立一个(2N+1)×(2N+1)的掩膜，从该掩膜即窗口中提取出四个子窗口，子窗口分别占掩膜一角，且被考察像素点占据子窗口角部位置；分别计算四个小窗口中所有像素点灰度值的中值并进行排序，排序后的结果记为m₁≤m₂≤m₃≤m₄,根据这四个灰度值的数值和排序粗略地确定这个掩膜中的边缘和细节分布；

令ΔM_E＝m₄-m₁,ΔM_I＝m₃-m₂，ΔM_E和ΔM_I提供这四个子窗口像素灰度整体差异的度量，ΔM_E和ΔM_I的取值分为三种情况，并据此判断出这个中心像素周围边缘和细节的分布情况，其中在进行ΔM_E和ΔM_I的比较判定时分别取两个阈值T₁，T₂，当△M_E≤T₁时，即可判断这个窗口是平滑的，几乎没有图像边缘；当△M_E≥T₁，而△M_I≤T₂时，判断这个窗口内有部分边缘分布；当△M_E≥T₁，且△M_I≥T₂时，判断这个窗口内有较强的细节或纹理分布；

在(a)(b)两种情况下，窗口是平滑或弱边界分布，判定这个窗口内大部分像素灰度值在m₂～m₃之间，选定ref₁＝(m₂+m₃)/2作为判断像素是否为噪声点的参考中值；在(c)情况下，取四个中值的平均值mean＝(m₁+m₂+m₃+m₄)/4，并将mean与m₂,m₃的差值进行比较，选择差值较小的子窗口中值作为判断像素是否为噪声点的参考中值，即ref₂＝m₂或m₃；

其中

(a)情况表示△M_E≤T₁，(b)情况表示△M_E≥T₁，△M_I≤T₂，(c)情况表示△M_E≥T₁，且△M_I≥T₂；

依据脉冲噪声和高斯噪声不同的属性进行区分检测：选定两个阈值Tk₁,Tk₂,即中心被考察像素x_i,j与相应参考值的绝对差值同某阈值进行比较，比较结果有以下几种情况：(1)|x_i,j-ref|≥Tk₁时，将xi,j视为脉冲噪声；(2)Tk₂≤|x_i,j-ref|≤Tk₁时，将x_i,j视为高斯噪声；(3)|x_i,j-ref|≤Tk₂时将x_i,j视为非噪声点；接下来对两种不同噪声进行分别处理，对高斯噪声直接采用双边滤波进行降噪处理，而对于脉冲噪声，由于其与邻域像素灰度值差距较大，采用参考中值ref替代亮度相似度因子W_R(s,t)中x_i,j的分量进行滤波：

其中

式中，(s,t)表示中心点(i,j)的(2N+1)×(2N+1)大小邻域中像素的坐标，其加权系数由空间邻近度因子W_G(s,t)、和亮度相似度因子W_R(s,t)两部分乘积组成，前者随着像素点与中心点之间欧几里德距离的增加而减小，后者随着两像素亮度值之差的增大而减小；δ_S和δ_R分别控制着空间邻近度因子W_G(s,t)、和亮度相似度因子W_R(s,t)的衰减程度。