CN105913396A - 一种噪声估计的图像边缘保持混合去噪方法 - Google Patents

Abstract

本发明提供一种基于噪声估计的图像边缘保持混合去噪方法，包括：对原始图像进行噪声估计并计算出噪声标准差；根据噪声标准差，采用邻域均值差检测原始图像的图像边缘并消除平滑区域及孤立点，得到图像的边缘信息；根据检测的图像边缘信息获取的梯度方向并生成边缘加权因子，根据噪声标准差生成灰度相似因子，结合灰度相似因子、边缘加权因子和空间临近因子生成双边滤波器，采用双边滤波器对原始含噪图像中单一通道进行双边滤波处理；以双边滤波处理后的图像作为引导图像进行引导滤波去噪处理。采用本发明提供的图像边缘保持混合去噪方法，减少了双边滤波的计算量，然后由该通道引导图像进行引导滤波，取得更好的边缘保持效果。

Description

一种噪声估计的图像边缘保持混合去噪方法

技术领域

本发明实施例涉及计算机视觉技术领域，尤其涉及一种基于噪声估计的图像边缘保持混合去噪方法。

背景技术

图像在采集、传输和显示的过程中不可避免地产生不同类型的噪声，这些噪声主要来源于成像、信道的传输和系统的硬件电路。这些噪声的存在不仅会影响图像的质量，而且对后续处理工作带来很大的不便，严重影响了图像的存储、编解码、传输、目标识别与跟踪。

目前经常采用的图像去噪方法有线性滤波和非线性滤波。线性滤波主要有均值滤波、倒数梯度加权滤波和线性加权滤波。非线性滤波主要是中值滤波。其中均值滤波能很好地去除高斯噪声，但会损坏图像的边缘信息，使图像变得模糊。中值滤波对去除脉冲噪声非常有效，但是对高斯噪声的滤波能力较差。双边滤波是一种非线性的滤波方法，最早分别由Aurich等、Smith等和Tomasi等独立提出。Tomasi等提出的双边滤波是一种简单、非迭代、局部的非线性图像滤波算法，它有效地结合了与图像中像素灰度密切相关的两个重要方面：像素之间的灰度相似度和空间邻近度，能够在保持图像细节特征的前提下较好地滤除图像中的噪声。

但是双边滤波还是存在着一些缺陷，首先相似度函数在噪声较强的情形下不能很好地表达像素之间的实际相似性。同时，现有方法中经常采用的固定灰度相似度参数，对于不同图像和不同方差的噪声通用性较差，该参数过 大或者过小都会对最终处理结果产生影响。

发明内容

为解决上述现有技术中提到的缺点和不足，本发明提供一种基于噪声估计的图像边缘保持混合去噪方法，包括：

对原始图像进行噪声估计并计算出噪声标准差；

根据所述噪声标准差，采用邻域均值差检测所述原始图像的图像边缘并消除平滑区域及孤立点，得到图像的边缘信息；

根据检测的图像边缘信息获取的梯度方向并生成边缘加权因子，根据所述噪声标准差生成灰度相似因子，结合所述灰度相似因子、边缘加权因子和空间临近因子生成双边滤波器，采用所述双边滤波器对原始含噪图像中单一通道进行双边滤波处理；

以双边滤波处理后的图像作为引导图像进行引导滤波去噪处理。

进一步地，对原始图像进行噪声估计并计算出噪声标准差，包括：

对原始图像进行均值滤波处理，获取图原始图像的近似高斯噪声，并计算出其噪声标准差；

若噪声标准差大于预设的第一噪声标准差阈值，则采用分块法对所述原始图像进行二次噪声估计并重新计算出噪声标准差。

进一步地，采用邻域均值差检测所述原始图像的图像边缘时，采用检测中心点的四个邻域的均值差代替Prewitt算子中上下、左右相邻两列的差进行图像边缘检测。

进一步地，采用邻域均值差检测所述原始图像的图像边缘之后，预设第二噪声标准差阈值，将边缘检测结果中小于所述第二噪声标准差阈值的点消除，得到图像边缘检测结果。

进一步地，根据检测的图像边缘信息获取的梯度方向生成边缘加权因子 时的规则为垂直于梯度方向的像素权重大于与梯度方向一致的像素权重，边缘加权因子W_a(i,j)为sin函数形式：

W_a(i，j)＝sin|θ_(i，j)-θ_(x，y)|，(i，j)∈M_x，y

式中M_x,y代表中心像素点邻域，θ_(x,y)为点(x,y)的梯度方向，θ_(i,j)为邻域点相对于中心点的角度。

进一步地，根据所述噪声标准差生成灰度相似因子时，将像素p和q各自的最近一环邻域像素灰度g_p,1，g_p,2…g_p,n和g_q,1，g_q,2…g_q,n近似看作像素p和q的n次观测值，将这些值由小到大排序：

ξ(p)＝(g_p,(1),g_p,(2)…g_p,(n))∈I_p；

ξ(q)＝(g_q,(1),g_q,(2)…g_q,(n))∈I_q；

下式中ξ(i,j)和ξ(x,y)分别为邻域像素的次序统计量和中心点像素的次序统计量，M_x,y代表中心像素点邻域，则生成的灰度相似因子为：

$W_r(i,j)=\exp (-\frac{{|\mathrm{\ξ}(i,j)-\mathrm{\ξ}(x,y)|}^2}{2*n*{{\mathrm{\σ}}_r}^2}),(i,j)\∈M_{x,y}$

进一步地，对原始含噪图像中单一通道进行双边滤波处理时，若图像为Bayer图像，则选择的单一通道为G通道。

本发明提供的基于噪声估计的图像边缘保持混合去噪方法，通过对双边滤波器进行改进，利用改进过的双边滤波器对RGB图像中的其中一通道进行双边滤波，减少了双边滤波的计算量，然后由该通道引导图像进行引导滤波，取得更好的边缘保持效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。

图1是本发明实施例提供的基于噪声估计的图像边缘保持混合去噪方法的流程图；

图2是边缘检测算子的空间排列示意图；

图3为本发明实施例测试采用的原始图像；

图4A为原图经过Imatest软件测试的边缘宽度；

图4B为均值滤波后经过Imatest软件测试的边缘宽度；

图4C为双边滤波后经过Imatest软件测试的边缘宽度；

图4D为本发明提供的方法处理后经过Imatest软件测试的边缘宽度；

图5是图像的部分像素在Matlab中的显示图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例提供的基于噪声估计的图像边缘保持混合去噪方法的流程图，如图1所示，本实施例提供的图像边缘保持混合去噪方法包括：

步骤S110、对原始图像进行噪声估计并计算出噪声标准差；

步骤S120、根据所述噪声标准差，采用邻域均值差检测所述原始图像的图像边缘并消除平滑区域及孤立点；

步骤S130、根据检测的图像边缘信息获取的梯度方向并生成边缘加权因 子，根据所述噪声标准差生成灰度相似因子，结合所述灰度相似因子、边缘加权因子和空间临近因子生成双边滤波器，采用所述双边滤波器对原始含噪图像中单一通道进行双边滤波处理；

步骤S140、以双边滤波处理后的图像作为引导图像进行引导滤波去噪处理。

本发明提供的基于噪声估计的图像边缘保持混合去噪方法，通过对双边滤波器进行改进，利用改进过的双边滤波器对RGB图像中的其中一通道进行双边滤波，减少了双边滤波的计算量，然后由该通道引导图像进行引导滤波，取得更好的边缘保持效果。

上述步骤具体实施时，在步骤S110中，可以利用均值滤波器对原始图像进行滤波处理；

$I(x,y)=\frac{1}{mn}{\Σ}_{(s,t)\∈S_{xy}}{I}_n(s,t)$

其中I_n为含噪图像，I为均值滤波结果，近似看作是不含噪的原始图像。

获取图原始图像的近似高斯噪声为：

n(x,y)＝I_n(x,y)-I(x,y)

计算噪声的方差σ²，即高斯噪声的标准差σ：

$\stackrel{\‾}{z}={\Σ}_{i=0}^{L-1}{z}_i{p}_s\left(z_i\right)$

${\mathrm{\σ}}^2={\Σ}_{i=0}^{L-1}{(z_i-\stackrel{\‾}{z})}^2{p}_s\left(z_i\right)$

其中L是整个噪声中可能的灰度级数，z代表噪声灰度级的灰度值，p_s(z_i)表示噪声中灰度像素的概率估计。

若噪声标准差大于预设的第一噪声标准差阈值T1，则采用分块法对所述原始图像进行二次噪声估计并重新计算出噪声标准差。

第一噪声标准差阈值阈值T1的选择为：根据高斯噪声分布特点，有大约70％的噪声落在范围内，有大约95％的噪声落在范围 内，有大约97％的噪声落在范围内。对于灰度范围为L的图像而言，(3σ,L-3σ)范围内的灰度值是可靠的，设至少有2/3的灰度范围可用来计算噪声参数，即：

$(L-3\mathrm{\&sigma;})-3\mathrm{\&sigma;}>\frac{2L}{3}->\mathrm{\&sigma;}<\frac{L}{18}$

比如对于8位RGB图像，其灰度范围L＝256，其噪声标准差σ的阈值约为14，若采用高斯噪声模型估计的噪声标准差大于该阈值则认为产生了过估计，图像中包含较多的纹理信息，有可能是噪声造成的伪边缘，采用分块法对图像噪声进行二次估计。

所谓分块法对噪声进行估计，即：将图像分为M*N(选择M*N的值在500-1000)个大小相同互不重叠的子块，对每个子块求方差，然后按从小到大顺序排列这些标准差，通常认为平滑区域的标准差小，取一个小的百分比β(如1％)，选择所有子块的第β*M*N个子块的标准差或者前β*M*N个子块标准差的均值作为最终的噪声估计值。

进一步地，在步骤S120中，采用邻域均值差检测所述原始图像的图像边缘时，用中心点的四个邻域的均值差代替Prewitt算子中上下、左右相邻两列的差进行图像边缘检测。

如图2所示，图中黑色圆点为含噪图像中的像素点点，用该点四个邻域的均值差代替Prewitt算子中中心像素上下、左右相邻两列的差，可以有效减小噪声对边缘检测的影响。

$e_G(x,y)=\sqrt[2]{{\left(\underset{n=-1.1}{\&Sigma;}F\right(x+1,y+n)-\underset{n=-1.1}{\&Sigma;}F(x-1,y+n\left)\right)}^2+{\left(\underset{n=-1.1}{\&Sigma;}F\right(x+n,y+1)-\underset{n=-1.1}{\&Sigma;}F(x+n,y-1\left)\right)}^2}$

其中F(x,y)是中心像素(x,y)3×3邻域内的均值。

采用邻域均值差检测所述原始图像的图像边缘之后，预设第二噪声标准差阈值，将小于所述第二噪声标准差阈值的中心像素点消除。其中第二噪声标准差阈值T2的选择为：假设平滑区域被噪声污染，其边缘的最大 值近似为(3σ-(-3σ))×2＝12σ(σ为步骤S110中估计的噪声标准差)，为了避免σ过大，噪声所有点都被去除，经实验，对于8bits的图像第二噪声标准差阈值T2＝min(30,12σ)。边缘检测结果大于该阈值认为该点为边缘点，反之为平滑区域或噪声点。再对边缘进行处理，删除孤立的边缘点。表1为图像处理过程中的图像中边缘像素点个数的变化。

表1表示图像中边缘像素点个数

图像大小	处理前	设置阈值后	删除孤立点后
				230*640	143736	47867	43540

进一步地，在步骤S130中，根据检测的图像边缘信息获取的梯度方向生成边缘加权因子时的规则为垂直于梯度方向的像素权重大于与梯度方向一致的像素权重，边缘加权因子W_a(i,j)为sin函数形式：

W_a(i,j)＝sin|θ_(i,j)-θ_(x,y)|，(i,j)∈M_x,y

式中M_x,y代表中心像素点邻域，θ_(x,y)为点(x,y)的梯度方向，θ_(i,j)为邻域点相对于中心点的角度。

此外，现有的双边滤波器中的灰度相似因子计算公式为：

$W_r(i,j)=\exp (-\frac{|I(i,j)-I(x,y)|}{2{{\mathrm{\&sigma;}}_r}^2}),(i,j)\&Element;M_{x,y}$

其中滤波参数σ_r越小，边缘保持效果越好，滤波作用越不明显，而且图像中容易出现孤立亮点；σ_r越大滤波作用越明显，图像边缘过渡区域越宽，边缘越模糊，双边滤波转换为普通高斯滤波。

本发明对滤波参数进行了自适应设置，用步骤110中噪声估计的标准差σ代替固定值。

同时用周边像素按次序的欧氏距离平均值代替中心像素与邻域像素灰度差，减小噪声对灰度相似权重的影响。将像素p和q各自的最近一邻 域像素灰度g_p,1，g_p,2…g_p,n和g_q,1，g_q,2…g_q,n近似看作像素p和q的n次观测值，将这些值由小到大排序：

ξ(p)＝(g_p,(1),g_p,(2)…g_p,(n))∈I_p

ξ(q)＝(g_q,(1),g_q,(2)…g_q,(n))∈I_q

下式中ξ(i,j)和ξ(x,y)分别为邻域像素的次序统计量和中心点像素的次序统计量，M_x,y代表中心像素点邻域。

则生成新的灰度相似因子：

$W_r(i,j)=\exp (-\frac{{|\mathrm{\&xi;}(i,j)-\mathrm{\&xi;}(x,y)|}^2}{2*n*{{\mathrm{\&sigma;}}_r}^2}),(i,j)\&Element;M_{x,y}$

空间临近因子不变：

$W_d(i,j)=\exp (-\frac{{\left|i-x\right|}^2+{\left|j-y\right|}^2}{2{{\mathrm{\&sigma;}}_d}^2}),(i,j)\&Element;M_{x,y}$

根据上述计算的边缘加权因子、灰度相似因子和空间临近因子，生成最终的双边滤波器如下：

$\hat{I}(x,y)=\frac{{\&Sigma;}_{(i,j)\&Element;M_{x,y}}{W}_r(i,j)W_d(i,j)W_a(i,j)I(i,j)}{{\&Sigma;}_{(i,j)\&Element;M_{x,y}}{W}_r(i,j)W_d(i,j)W_a(i,j)}$

用改进后的双边滤波器对图像进行处理(以图像为Bayer图像，则选择的单一通道为G通道为例)，

$\hat{G}(x,y)=\frac{{\&Sigma;}_{(i,j)\&Element;M_{x,y}}{W}_r(i,j)W_d(i,j)W_a(i,j)G(i,j)}{{\&Sigma;}_{(i,j)\&Element;M_{x,y}}{W}_r(i,j)W_d(i,j)W_a(i,j)}$

得到图像

其中，Bayer图像中，G分量的信噪比最高，在由Bayer图处理得到的RGB图像中G通道的信噪比也要高于R和B通道，所以优先处理G通道的图像。

在步骤S140中，以双边滤波后的图像作为引导图像进行导向滤波,得到去噪后的彩色图像。其中，导向滤波可以采用现有的任意引导滤波的方式处理。

表2表示不同方法去噪后以图3所示的原始图像为参考计算的峰值信噪比，对比表2中的数据，本方法的信噪比要高于其他去噪方法，且噪声标准差不大的情况下，效果尤为突出。图4A～图4C是用各种图像处理处理方法后采用Imatest软件测试的图像边缘宽度，对比可以看出本方法处理的图片，边缘宽度最小，边缘保持的效果最好。

图5是图像的部分像素在Matlab中的显示图，可以看出本方法处理的图片更光滑，去噪效果更好。

表2表示不同方法去噪后图像的峰值信噪比

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于噪声估计的图像边缘保持混合去噪方法，其特征在于，包括：

对原始图像进行噪声估计并计算出噪声标准差；

根据所述噪声标准差，采用邻域均值差检测所述原始图像的图像边缘并消除平滑区域及孤立点，得到图像的边缘信息；

根据检测的图像边缘信息获取的梯度方向生成边缘加权因子，根据所述噪声标准差生成灰度相似因子，结合所述灰度相似因子、边缘加权因子和空间临近因子生成双边滤波器，采用所述双边滤波器对原始含噪图像中单一通道进行双边滤波处理；

以双边滤波处理后的图像作为引导图像进行引导滤波去噪处理。

2.根据权利要求1所述的基于噪声估计的图像边缘保持混合去噪方法，其特征在于，对原始图像进行噪声估计并计算出噪声标准差，包括：

对原始图像进行均值滤波处理，获取图原始图像的近似高斯噪声，并计算出其噪声标准差；

若噪声标准差大于预设的第一噪声标准差阈值，则采用分块法对所述原始图像进行二次噪声估计并重新计算出噪声标准差。

3.根据权利要求1所述的基于噪声估计的图像边缘保持混合去噪方法，其特征在于，采用邻域均值差检测所述原始图像的图像边缘时，采用检测中心点的四个邻域的均值差代替Prewitt算子中上下、左右相邻两列的差进行图像边缘检测。

4.根据权利要求3所述的基于噪声估计的图像边缘保持混合去噪方法，其特征在于，采用邻域均值差检测所述原始图像的图像边缘之后，预设第二噪声标准差阈值，将边缘检测结果中小于所述第二噪声标准差阈值的点消除，得到图像边缘检测结果。

5.根据权利要求1所述的基于噪声估计的图像边缘保持混合去噪方法，其特征在于，根据检测的图像边缘信息获取的梯度方向生成边缘加权因子时的规则为垂直于梯度方向的像素权重大于与梯度方向一致的像素权重，边缘加权因子W_a(i，j)为sin函数形式：

W_a(i，j)＝sin|θ_(i,j)-θ_(x,y)|，(i，j)∈M_x,y

式中M_x,y代表中心像素点邻域，θ_(x,y)为点(x,y)的梯度方向，θ_(i,j)为邻域点相对于中心点的角度。

6.根据权利要求1所述的基于噪声估计的图像边缘保持混合去噪方法，其特征在于，根据所述噪声标准差生成灰度相似因子时，将像素p和q各自的最近一环邻域像素灰度g_p,1，g_p,2…g_p,n和g_q,1，g_q,2…g_q,n近似看作像素p和q的n次观测值，将这些值由小到大排序：

ξ(p)＝(g_p,(1),g_p,(2)…g_p,(n))∈I_p；

ξ(q)＝(g_q,(1),g_q,(2)…g_q,(n))∈I_q；

下式中ξ(i，j)和ξ(x，y)分别为邻域像素的次序统计量和中心点像素的次序统计量，M_x,y代表中心像素点邻域，则生成的灰度相似因子为：

$W_r(i,j)=\exp (-\frac{|\mathrm{\&xi;}(i,j)-\mathrm{\&xi;}(x,y){|}^2}{2*n*{{\mathrm{\&sigma;}}_r}^2}),(i,j)\&Element;M_{x,y}.$

根据权利要求1～6任一项所述的基于噪声估计的图像边缘保持混合去噪方法，其特征在于，对原始含噪图像中单一通道进行双边滤波处理时，若图像为Bayer图像，则选择的单一通道为G通道。