CN105931197A - 一种基于模糊度理论的图像去噪方法 - Google Patents

Abstract

本发明公开了一种基于模糊度理论的图像去噪方法，其包括读入一帧图像步骤；判断图像中的当前像素点是否为噪声点步骤；以噪声点为中心，构造一个n×n矩形模板步骤；计算背景平均值及对象平均值步骤；计算模糊度步骤；比较判断步骤和噪声滤波步骤；其有益效果是本发明可得到更为精确的去噪效果，在处理椒盐类型全局噪声判断方面优于传统的方法。

Description

一种基于模糊度理论的图像去噪方法

技术领域

本发明属于图像处理技术领域，具体涉及一种基于模糊度理论的图像去噪方法。

背景技术

随着各种数字仪器和数码产品的普及，图像和视频已成为人类活动中最常用的信息载体，它们包含着物体的大量信息，成为人们获取外界原始信息的主要途径。然而在图像的获取、传输和存贮过程中常常会受到各种噪声的干扰和影响而使图像降质，并且图像预处理算法的好坏又直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，所以为了获取高质量数字图像，很有必要对图像进行降噪处理，尽可能的保持原始信息完整性(即主要特征)的同时，又能够去除信号中无用的信息。所以，去噪处理一直是图像处理和计算机视觉研究的热点。

图像视频去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致图像质量下降的问题。通过去噪技术可以有效地提高图像质量，增大信噪比，更好的体现原来图像所携带的信息，作为一种重要的预处理手段，人们对图像去噪算法进行了广泛的研究。在现有的去噪算法中，有的去噪算法在低维信号图像处理中取得较好的效果，却不适用于高维信号图像处理；或者去噪效果较好，却丢失部分图像边缘信息，或者致力于研究检测图像边缘信息，保留图像细节。如何在抵制噪音和保留细节上找到一个较好的平衡点，成为近年来研究的重点。

传统去噪方法中，均值滤波是典型的线性滤波，对高斯噪声具有较好的抑制效果；中值滤波是常用的非线性滤波方法，对椒盐噪声特别有效；维纳滤波对高斯噪声有明显的抑制作用；对小波系数进行阈值处理可以在小波变换域中去除低幅值的噪声和不期望的信号。均值滤波是一种典型的线性去噪方法，因为其运算简单快速，同时又能够较为有效地去除高斯噪声，因而适用面较广，至今仍是一种常用的去噪方法，许多滤除噪声方法都是在此基础上发展而来的，其缺点是严重破坏了图像的边缘，模糊了图像。中值滤波去除脉冲噪声的效果很好，然而抑制噪声和保持图像中的细节往往是一对矛盾，也是图像处理中尚未很好解决的问题。所以保护细节的中值滤波的研究成为非线性滤波器研究的一个重要方面。小波变换对突变信号和非平稳信号处理具有优异性能，能较好地模拟视觉模型，使得它在数字图像处理、计算机视觉等方面引起了广泛的关注。但是，由于小波变换缺乏方向性，仅具有水平、垂直、对角方向的信息，不能很好地捕获二维图像中的线和面奇异，不能最优地表示含线或面奇异的二维图像，从而使得传统小波变换在处理二维图像时表现出一定的局限性。维纳滤波的优点是适应面较广，无论平稳随机过程是连续的还是离散的，是标量的还是失量的，都可应用。对某些问题，还可求出滤波器传递函数的显式解，并进而采用由简单的物理元件组成的网络构成维纳滤波器。维纳滤波器的缺点是，要求得到半无限时间区间内的全部观察数据的条件很难满足，同时它也不能用于噪声为非平稳的随机过程的情况，对于向量情况应用也不方便。因此，维纳滤波在实际问题中应用不多。

发明内容

本发明所要解决的技术问题是提供一种针对椒盐噪声图像的去噪效果更为精确的基于模糊度理论的图像去噪方法。

为解决上述技术问题所采用的技术方案是：一种基于模糊度理论的图像去噪方法，其包括如下步骤：

(1)读入一帧图像，令第一个像素点为当前像素点；

(2)判断图像中的当前像素点是否为噪声点；判断图像中的当前像素点是否为噪声点的方法采用区间法，即灰度值位于(0-5)或(250-255)之间的为噪声点，否则为信号点。若当前像素点是噪声点，则按照步骤(3)进行处理；若当前像素点不是噪声点，则令下一个像素点为当前像素点，接着判断，直到遇到噪声点或算法结束；(3)以噪声点为中心，构造一个n×n矩形模板，即横轴上包含n个像素点，纵轴上包含n个像素点；如果图像边界的像素点为噪声点，则对于以该像素点为中心构造的模板中超出图像区域的部分忽略不计；(4)考虑除中心像素点外的所有像素点，其个数为n×n-1，做以下构造以及计算：

(4-1)设n×n-1个像素点的灰度值个数为L，仅当不存在相同灰度值的像素点时，L＝n×n-1；把L个灰度值按照从小到大的顺序排列，令其为序列灰度值t_i，其中i＝1,2,…,L；

(4-2)将n×n矩形模板内除去中心像素点外的所有像素点分成背景和对象两个类：

设q为像素点的灰度值；对每一个灰度值q都构造与所述n×n矩形模板上序列灰度值t_i相关的背景平均值m_B(t_i)及对象平均值m_O(t_i)：

$m_B\left(t_i\right)=\frac{\underset{q=t_1}{\overset{t_1}{\Σ}}qh\left(q\right)}{\underset{q=t_1}{\overset{t_1}{\Σ}}h\left(q\right)};$

$m_O\left(t_i\right)=\frac{\underset{q=t_{i+1}}{\overset{t_L}{\Σ}}qh\left(q\right)}{\underset{q=t_{i+1}}{\overset{t_L}{\Σ}}h\left(q\right)};.$

其中，h(q)为所述n×n矩形模板中灰度值为q的像素点个数；由于对象类至少包含一个像素点，因此t_i＝t₁，t₂，…,t_L-1；

(4-3)构造灰度值为q的像素点关于序列灰度值t_i的属于背景的可能性以及属于对象的可能性

${\mathrm{\μ}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)=\left|(1-\frac{|q-m_B\left(t_i\right)||m_B\left(t_i\right)-m_O\left(t_i\right)|}{|m_B\left(t_i\right)+m_O\left(t_i\right){|}^2})(1-\frac{|q-m_B\left(t_i\right)|}{|q-m_B\left(t_i\right)|+|q-m_O\left(t_i\right)|})\right|$

${\mathrm{\μ}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)=\left|(1-\frac{|q-m_O\left(t_i\right)||m_B\left(t_i\right)-m_O\left(t_i\right)|}{|m_B\left(t_i\right)+m_O\left(t_i\right){|}^2})(1-\frac{|q-m_O\left(t_i\right)|}{|q-m_B\left(t_i\right)|+|q-m_O\left(t_i\right)|})\right|.$

这里，t_i＝t₁，t₂，…,t_L-1；因此每组和都得到L-1次计算结果；

(4-4)根据对上述每组的L-1个计算结果，分别构造每个灰度值q关于序列灰度值t_i的背景集合以及灰度值q关于序列灰度值t_i的对象集合t_i＝t₁，t₂，…,t_L-1；

$L_{{\tilde{W}}_{{\mathrm{Bt}}_i}}=\{<q,{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)>\}$

$L_{{\tilde{W}}_{{\mathrm{Ot}}_i}}=\{<q,{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)>\}$

即：表示灰度值为q的像素点属于背景集合的可能性，表示灰度值为q的像素点属于对象集合的可能性；

(5)做以下计算：

(5-1)根据步骤(4)中的每组的L-1个计算结果，计算每个灰度值q关于每一个序列灰度值t_i的第一模糊度π_L(q)：

${\mathrm{\&pi;}}_L\left(q\right)=1-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right).$

以及第二模糊度f_L(q)：

$f_L\left(q\right)=1-|{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)|.$

因为每组和都得到L-1次计算结果，因此，这里每组π_L(q)和f_L(q)也同样都得到L-1次计算结果；

(5-2)设所述第一模糊度π_L(q)与第二模糊度f_L(q)之和为关于每一个序列灰度值t_i的模糊度π(q)；

$\mathrm{\&pi;}\left(q\right)=\underset{q=t_1}{\overset{t_{L-1}}{\&Sigma;}}{\mathrm{\&pi;}}_L\left(q\right)+\underset{q=t_1}{\overset{t_{L-1}}{\&Sigma;}}{f}_L\left(q\right)$

由此可知，根据不同的序列灰度值t_i可以得到L-1个模糊度π(q)；

(6)设T等于最小模糊度对应的序列灰度值t_i，即L-1个模糊度π(q)中最小值对应的序列灰度值t_i

$T={\min }_{t\&Element;t_i}\mathrm{\&pi;}\left(t\right);$

(7)将n×n矩形模板中每一像素点的灰度值q与T比较，当q≤T时，对该像素点做标记为背景类；当q＞T时，对该像素点做标记为对象类；经过此步，模板中除中心像素外所有的像素点都被分为了两类：背景类和对象类；

(8)噪声滤波：分别计算背景类和对象类的像素点个数，对像素点个数多的那一类计算其平均灰度值，将所述平均灰度值赋予n×n矩形模板内中心像素点；若背景类和对象类的像素点个数相同，则计算背景类像素点平均灰度值，将所述背景类像素点平均灰度值赋予n×n矩形模板内中心像素点。

(9)当屏幕上所有像素点处理完毕，程序结束。

本发明的有益效果是：本发明根据模糊度理论，构造模板内像素点的第一模糊度以及第二模糊度。将像素点分为两类，利用占绝对优势的一类像素点的平均灰度值替代噪声点位置像素灰度值，更符合图像本身的信息，从而得到更为精确的去噪效果；本发明在处理全局噪声判断方面优于传统的方法；模糊度法对去除噪声尤其是椒盐噪声具有较好的效果，模糊度法较标准中值滤波均方误差小而峰值信噪比大，尤其是均方误差在50％噪声情况下差别明显，能够达到除噪的一个较理想效果。

附图说明

图1为3×3矩形模板示意图。

图2为8个像素灰度值示意图。

图3为背景及像素区域示意图。

图4为Linda原图。

图5为加入10％椒盐噪声图像。

图6为用模糊度法对图5的去噪效果图。

图7为加入50％椒盐噪声图像。

图8为用模糊度法对图7的去噪效果图。

具体实施方式

下面结合图1-8以及实施例对本发明作进一步说明。

本发明所采用的技术方案为图像去噪模糊度法，其关键是利用模糊度理论，其结构的最大特点是计算模板内每一像素点灰度值与背景类或对象类的模糊度，由该值决定每一像素点的归属(属于背景类还是对象类)。然后设每一灰度值为变量，由最小的模糊度找到将像素点分类的最关键的值，即阈值。再决定当前模板中心像素点的归属类，由该类平均值给噪声点赋值，达到去噪效果。

本发明方法的具体方法步骤为：

步骤一、读入一帧图像，令第一个像素点为当前像素点；

步骤二、判断图像中的当前像素点是否为噪声点，若是则进行步骤三，若不是则置下一个像素点为当前像素点，接着判断，直到遇到噪声点或算法结束；上述判断噪声点的方法采用区间法，即灰度值位于(0-5)或(250-255)之间的为噪声点，否则为信号点；

以3×3模板为例。

步骤三、如图1，以噪声点(图中黑色像素点)为中心，构造一个3×3矩形模板，即横轴上包含3个像素点，纵轴上包含3个像素点；如果图像边界的像素点为噪声点，则对于以该像素点为中心构造的模板中超出图像区域的部分忽略不计，防止超出边界时发生溢出问题；

步骤四、考虑除中心像素点外的所有像素点，做以下构造以及计算：

(1)对除中心像素点外的8个像素点按灰度值的从小到大的顺序排列，设为t₁，t₂，…,t_L。如图2中模板所示，这里不存在相同灰度值的像素点，即L＝8。把这8个灰度值按从小到大的顺序排列，设为t₁，t₂，…,t₈。图2中给出t₁＝22，t₂＝25，t₃＝34，t₄＝36，t₅＝176，t₆＝180，t₇＝198，t₈＝201。

(2)矩形模版内除去中心像素点外的所有像素点分成背景和对象两类：

设q为像素点的灰度值。对每一个灰度值q都构造和该n×n矩形模板上灰度值t_i相关的背景平均值m_B(t_i)及对象平均值m_O(t_i)：

$m_B\left(t_i\right)=\frac{\underset{q=t_1}{\overset{t_i}{\&Sigma;}}qh\left(q\right)}{\underset{q=t_1}{\overset{t_i}{\&Sigma;}}h\left(q\right)},m_O\left(t_i\right)=\frac{\underset{q=t_{i+1}}{\overset{t_L}{\&Sigma;}}qh\left(q\right)}{\underset{q=t_{i+1}}{\overset{t_L}{\&Sigma;}}h\left(q\right)}.$

其中，h(q)为该模板中灰度值为q的像素点个数。由于对象类至少包含一个像素点，因此t_i＝t₁，t₂，…,t_L-1。

根据图2所示模板，t_i＝t₁，t₂，…,t₇。排列后像素点的8个灰度值中，前7个灰度值为：t₁＝22，t₂＝25，t₃＝34，t₄＝36，t₅＝176，t₆＝180，t₇＝198。

设q为像素点的灰度值。对每一个灰度值q都构造和该n×n矩形模板上灰度值t_i相关的背景平均值m_B(t_i)及对象平均值m_O(t_i)：

$m_B\left(t_i\right)=\frac{\underset{q=t_1}{\overset{t_i}{\&Sigma;}}qh\left(q\right)}{\underset{q=t_1}{\overset{t_i}{\&Sigma;}}h\left(q\right)},m_O\left(t_i\right)=\frac{\underset{q=t_{i+1}}{\overset{t_8}{\&Sigma;}}qh\left(q\right)}{\underset{q=t_{i+1}}{\overset{t_8}{\&Sigma;}}h\left(q\right)}.$

其中，h(q)为该模板中灰度值为q的像素点的个数，t_i＝t₁，t₂，…,t₇。

根据图2所示模板的像素点灰度值，h(22)＝1，h(25)＝1，h(34)＝1，h(36)＝1，h(176)＝1，h(180)＝1，h(198)＝1。

表1给出了所有和灰度值t_i相关的背景平均值m_B(t_i)及对象平均值m_O(t_i)。

即：

m_B(22)＝22.000000，m_O(22)＝110.000000，m_B(25)＝23.500000，

m_O(25)＝122.142857，……。

表1图2模板中所有和灰度值t_i相关的背景平均值及对象平均值

(3)构造灰度值为q的像素点关于灰度值t_i的属于背景的可能性以及属于对象的可能性

${\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)=\left|(1-\frac{|q-m_B\left(t_i\right)||m_B\left(t_i\right)-m_O\left(t_i\right)|}{|m_B\left(t_i\right)+m_O\left(t_i\right){|}^2})(1-\frac{|q-m_B\left(t_i\right)|}{|q-m_B\left(t_i\right)|+|q-m_O\left(t_i\right)|})\right|$

${\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)=\left|(1-\frac{|q-m_O\left(t_i\right)||m_B\left(t_i\right)-m_O\left(t_i\right)|}{|m_B\left(t_i\right)+m_O\left(t_i\right){|}^2})(1-\frac{|q-m_O\left(t_i\right)|}{|q-m_B\left(t_i\right)|+|q-m_O\left(t_i\right)|})\right|.$

这里，t_i＝t₁，t₂，…，t_L-1。因此每组和都得到L-1次计算结果。

根据图2所示模板的像素点灰度值，关于灰度值t_i的属于背景的可能性结果如表2所示，关于灰度值t_i的属于对象的可能性结果如表3所示。

即：

对于灰度值q＝22的像素点，当t_i＝t₁＝22时，属于背景的可能性(也就是完全属于背景)。当t_i＝t₂＝25时，灰度值q＝22的像素点属于背景的可能性……。因为t_i有7个不同的值，因此计算出也有7个不同的值。

灰度值q＝25的像素点，当t_i＝t₁＝22时，属于背景的可能性当t_i＝t₂＝25时属于背景的可能性……。因为t_i有7个不同的值，因此计算出也有7个不同的值。……。

同理，表3中，根据t_i有7个不同的值，计算出也有7个不同的值。

表2图2模板中所有关于灰度值t_i的属于背景的可能性

表3图2模板中所有关于灰度值t_i的属于对象的可能性

(4)根据对上述每组的L-1个计算结果，分别构造每个灰度值q关于t_i的背景集合以及q关于t_i的对象集合t_i＝t₁，t₂，…,t_L-1。

$L_{{\tilde{W}}_{{\mathrm{Bt}}_i}}=\{<q,{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)>\}$

$L_{{\tilde{W}}_{{\mathrm{Ot}}_i}}=\{<q,{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)>\}$

即：表示灰度值为q的像素点属于背景集合的可能性，表示灰度值为q的像素点属于对象集合的可能性。

图2的模板中，对上述上步的7个灰度值，分别构造每个灰度值q关于每一个灰度值t_i的背景集合以及每个灰度值q关于每一个灰度值t_i的对象集合t_i取值为t₁，t₂，…,t₇。

步骤五、做以下计算：

(1)

根据上步骤中的每组的L-1个计算结果，计算每个灰度值q关于每一个灰度值t_i的第一模糊度π_L(q)：

${\mathrm{\&pi;}}_L\left(q\right)=1-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right).$

以及第二模糊度f_L(q)：

$f_L\left(q\right)=1-|{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)|.$

因为每组和都得到L-1次计算结果，因此，这里每组π_L(q)和f_L(q)也同样都得到L-1次计算结果。

图2的模板中，对上步骤的7个灰度值，分别构造每个灰度值q关于每一个灰度值t_i的第一模糊度和第二模糊度。结果如表4及表5所示，其中，表4给出了q关于每一个灰度值t_i的第一模糊度π_L(q)；表5给出了q关于每一个灰度值t_i的第二模糊度f_L(q)。

表4图2模板中q关于每一个灰度值t_i的第一模糊度

表5图2模板中q关于每一个灰度值t_i的第二模糊度

(2)设上述两模糊度之和为q关于每一个灰度值t_i的模糊度π(q)。

$\mathrm{\&pi;}\left(q\right)=\underset{q=t_1}{\overset{t_{L-1}}{\&Sigma;}}{\mathrm{\&pi;}}_L\left(q\right)+\underset{q=t_1}{\overset{t_{L-1}}{\&Sigma;}}{f}_L\left(q\right)$

由上步可知，根据不同的灰度值t_i可以得到L-1个π(q)。

表6给出了图2模板中q关于每一个灰度值t_i的模糊度，共有7个值。

表6图2模板中q关于每一个灰度值t_i的模糊度

步骤六、设T等于上步骤中模糊度最小的相应的灰度值t_i，即L-1个π(q)中最小的值对应的t_i

$T={\min }_{t\&Element;t_i}\mathrm{\&pi;}\left(t\right);$

如表6所示，图2模板中像素点中，模糊度最小的π(q)＝0.153794相应的t_i应为36，即T＝36。

步骤七、模板中每一像素点的灰度值q与T比较，当q≤T时，对该像素点做标记为背景类；当q＞T时，对该像素点做标记为对象类。经过此步，模板中除中心像素外所有的像素点都被分为了两类：背景类和对象类。

图2模板的8个像素点中，灰度值小于或等于36的像素点为背景类，灰度值大于36的像素点为对象类。如图3所示，灰色像素点为背景类，白色像素点为对象类。

步骤八、噪声去除(滤波)：分别计算背景类和对象类的像素点个数，像素点个数多的那一类计算其平均灰度值，将该值赋予模板内中心像素点。若背景类和对象类的像素点个数相同，则计算背景类像素点的平均灰度值，将该值赋予模板内中心像素点。

如图3，该模板中背景类像素点的平均灰度值为(22+25+34+36)/4＝29.25；对象类像素点的平均灰度值为(176+180+198+201)/4＝188.75；由于该模板中背景类和对象类的像素点个数相同，都为4。则将背景类像素点的平均灰度值29.25赋予模板内中心像素点。

本发明根据模糊度理论，构造模板内像素点的第一模糊度以及第二模糊度，将像素点分为两类，利用占绝对优势的一类像素点的平均灰度值替代噪声点的灰度值，更符合图像本身的信息，从而得到更为精确的去噪效果。该方法在处理全局椒盐噪声污染的图像方面优于传统的方法。模糊度法去噪峰值信噪比如表7。

对带椒盐噪声的琳达图的去噪效果展示如图4-8。

表7模糊度法去噪峰值信噪比

由图4-8看出，模糊度法对去除噪声尤其是椒盐噪声具有较好的效果。数据显示，模糊度法较标准中值滤波均方误差小而峰值信噪比大，尤其是均方误差在50％噪声情况下差别明显，能够达到除噪的一个较理想效果。

以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施例的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。

Claims (2)

1.一种基于模糊度理论的图像去噪方法，其特征在于包括如下步骤：

(1)读入一帧图像，令第一个像素点为当前像素点；

(2)判断图像中的当前像素点是否为噪声点；若当前像素点是噪声点，则按照步骤(3)进行处理；若当前像素点不是噪声点，则令下一个像素点为当前像素点，接着判断，直到遇到噪声点或算法结束；

(3)以噪声点为中心，构造一个n×n矩形模板，即横轴上包含n个像素点，纵轴上包含n个像素点；如果图像边界的像素点为噪声点，则对于以该像素点为中心构造的模板中超出图像区域的部分忽略不计；

(4)考虑除中心像素点外的所有像素点，其个数为n×n-1，做以下构造以及计算：

(4-1)设n×n-1个像素点的灰度值个数为L，仅当不存在相同灰度值的像素点时，L＝n×n-1；把L个灰度值按照从小到大的顺序排列，令其为序列灰度值t_i，其中i＝1,2,…,L；

(4-2)将n×n矩形模板内除去中心像素点外的所有像素点分成背景和对象两个类：

设q为像素点的灰度值；对每一个灰度值q都构造与所述n×n矩形模板上序列灰度值t_i相关的背景平均值m_B(t_i)及对象平均值m_O(t_i)：

$m_B\left(t_i\right)=\frac{\underset{q=t_1}{\overset{t_i}{\mathrm{\&Sigma;}}}qh\left(q\right)}{\underset{q=t_1}{\overset{t_i}{\mathrm{\&Sigma;}}}h\left(q\right)};$

$m_O\left(t_i\right)=\frac{\underset{q=t_{i+1}}{\overset{t_L}{\mathrm{\&Sigma;}}}qh\left(q\right)}{\underset{q=t_{i+1}}{\overset{t_L}{\mathrm{\&Sigma;}}}h\left(q\right)};.$

其中，h(q)为所述n×n矩形模板中灰度值为q的像素点个数；由于对象类至少包含一个像素点，因此t_i＝t₁，t₂，…,t_L-1；

(4-3)构造灰度值为q的像素点关于序列灰度值t_i的属于背景的可能性以及属于对象的可能性

${\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)=\left|(1-\frac{|q-m_B\left(t_i\right)||m_B\left(t_i\right)-m_O\left(t_i\right)|}{{|m_B\left(t_i\right)+m_O\left(t_i\right)|}^2})(1-\frac{|q-m_B\left(t_i\right)|}{|q-m_B\left(t_i\right)|+|q-m_O\left(t_i\right)|})\right|$

${\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)=\left|(1-\frac{|q-m_O\left(t_i\right)||m_B\left(t_i\right)-m_O\left(t_i\right)|}{{|m_B\left(t_i\right)+m_O\left(t_i\right)|}^2})(1-\frac{|q-m_O\left(t_i\right)|}{|q-m_B\left(t_i\right)|+|q-m_O\left(t_i\right)|})\right|.$

这里，t_i＝t₁，t₂，…,t_L-1；因此每组和都得到L-1次计算结果；

(4-4)根据对上述每组的L-1个计算结果，分别构造每个灰度值q关于序列灰度值t_i的背景集合以及灰度值q关于序列灰度值t_i的对象集合t_i＝t₁，t₂，…,t_L-1；

$L_{{\tilde{W}}_{{\mathrm{Bt}}_i}}=\{<q,{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)>\}$

$L_{{\tilde{W}}_{{\mathrm{Ot}}_i}}=\{<q,{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)>\}$

即：表示灰度值为q的像素点属于背景集合的可能性，表示灰度值为q的像素点属于对象集合的可能性；

(5)做以下计算：

(5-1)根据步骤(4)中的每组的L-1个计算结果，计算每个灰度值q关于每一个序列灰度值t_i的第一模糊度π_L(q)：

${\mathrm{\&pi;}}_L\left(q\right)=1-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right).$

以及第二模糊度f_L(q)：

$f_L\left(q\right)=1-|{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Bt}}_i}}\left(q\right)-{\mathrm{\&mu;}}_{{\tilde{W}}_{{\mathrm{Ot}}_i}}\left(q\right)|.$

因为每组和都得到L-1次计算结果，因此，这里每组π_L(q)和f_L(q)也同样都得到L-1次计算结果；

(5-2)设所述第一模糊度π_L(q)与第二模糊度f_L(q)之和为关于每一个序列灰度值t_i的模糊度π(q)；

$\mathrm{\&pi;}\left(q\right)=\underset{q=t_1}{\overset{t_{L-1}}{\mathrm{\&Sigma;}}}{\mathrm{\&pi;}}_L\left(q\right)+\underset{q=t_1}{\overset{t_{L-1}}{\mathrm{\&Sigma;}}}{f}_L\left(q\right)$

由此可知，根据不同的序列灰度值t_i可以得到L-1个模糊度π(q)；

(6)设T等于最小模糊度对应的序列灰度值t_i，即L-1个模糊度π(q)中最小值对应的序列灰度值t_i

$T={\min }_{t\&Element;t_i}\mathrm{\&pi;}\left(t\right);$

(7)将n×n矩形模板中每一像素点的灰度值q与T比较，当q≤T时，对该像素点做标记为背景类；当q＞T时，对该像素点做标记为对象类；经过此步，模板中除中心像素外所有的像素点都被分为了两类：背景类和对象类；

(8)噪声滤波：分别计算背景类和对象类的像素点个数，对像素点个数多的那一类计算其平均灰度值，将所述平均灰度值赋予n×n矩形模板内中心像素点；若背景类和对象类的像素点个数相同，则计算背景类像素点平均灰度值，将所述背景类像素点平均灰度值赋予n×n矩形模板内中心像素点；

(9)当屏幕上所有像素点处理完毕，程序结束。

2.根据权利要求1所述的一种基于模糊度理论的图像去噪方法，其特征在于：所述判断图像中的当前像素点是否为噪声点的方法采用区间法，即灰度值位于(0-5)或(250-255)之间的为噪声点，否则为信号点。