CN106251318B - 一种序列图像的去噪装置及方法 - Google Patents
一种序列图像的去噪装置及方法 Download PDFInfo
- Publication number
- CN106251318B CN106251318B CN201610863971.8A CN201610863971A CN106251318B CN 106251318 B CN106251318 B CN 106251318B CN 201610863971 A CN201610863971 A CN 201610863971A CN 106251318 B CN106251318 B CN 106251318B
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- motion estimation
- module
- differential
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 184
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 230000000877 morphologic effect Effects 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004321 preservation Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- FYZYXYLPBWLLGI-AUOPOVQUSA-N Genipin 1-beta-gentiobioside Chemical compound C([C@H]1O[C@H]([C@@H]([C@@H](O)[C@@H]1O)O)O[C@@H]1OC=C([C@@H]2[C@H]1C(=CC2)CO)C(=O)OC)O[C@@H]1O[C@H](CO)[C@@H](O)[C@H](O)[C@H]1O FYZYXYLPBWLLGI-AUOPOVQUSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Picture Signal Circuits (AREA)
- Image Analysis (AREA)
Abstract
一种序列图像的去噪装置及方法，它包括输入图像单元、运动估计单元、时空域联合滤波单元和噪声估计模块，输入图像单元将序列图像输入到运动估计单元，经运动估计单元处理后输入到时空域联合滤波单元处理；噪声估计模块输出数据至运动估计单元处理；所述运动估计单元包括空域滤波模块、差分模块、差分图像融合模块、形态学处理模块和运动估计模块，空域滤波模块对图像进行滤波处理后传递到差分模块进行差分运算，差分图像融合模块对前一模块的图像进行加权融合处理，并经过形态学模块处理，处理后传递到运动估计模块进行运动估计运算。本发明有效完成对序列图像中运动物体的与噪声的分离，有效的去除了噪声，改善了图像画质。
Description
技术领域
本发明涉及视频图像处理、视频通信技术，尤其涉及一种对视频图像进行自适应去噪的方法及装置，属于图像处理技术领域。
背景技术
序列图像是在不同时间、不同方位对目标依序连续获取的系列图像。而图像在采集、传输、存储等过程中常常因为受到各类噪声的干扰而使图像质量有所下降，从而对后续的图像处理产生不利影响，因此，图像降噪对成像质量有着举足轻重的作用。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，所以为了提高图像的画质，需要减少图像中的噪声。噪声的产生有很多种，在图像获取及图像传输过程中，在量化过程中都会产生，从而导致了去噪声的方法也多种多样。
噪声可分为加性噪声和乘性噪声。加性噪声和图像信号强度是不相关的，如运算放大器，乘性噪声与图像信号是相关的，往往随图像信号的变化而变化。典型的噪声类型包括：高斯噪声、瑞利噪声、伽马噪声、指数分布噪声、均匀分布噪声及脉冲噪声。传统的图像降噪算法主要包括数学空域滤波降噪、频域滤波降噪和小波降噪及非局部均值去噪、形态学去噪等。1)空间域去噪：a)均值去噪；b)顺序统计去噪(中值去噪、最大值去噪、最小值去噪、中值去噪、阿尔法均值去噪)；2)频率域去噪：a)针对固定频率噪声(带阻去噪、带通去噪、陷波去噪)；b)针对噪声集中在高频区段(低通去噪)；3)小波去噪：数学角度为函数逼近，图像处理角度为低通去噪(对高频系数置零的线性去噪方法、基于阈值的小波去噪方法)；4)非局部均值去噪：非局部均值是一种基于快匹配来确定滤波权值，并根据这个权值进行点的滤波操作；5)形态学去噪：最常见的形态学运算有腐蚀和膨胀，以及开运算和闭运算，其可以滤除孤立的噪声点，但该方法去除噪声不彻底，降噪效果不理想，故该方法很少单独使用。
无论空域或者频域滤波降噪，由于不能有效地判别噪声还是图像的细节，在降噪的同时，会导致图像变模糊。而在小波降噪中，小波阈值直接关系到降噪质量和图像质量，阈值太小降噪效果不佳，阈值太大细节损失太多，选择合理阈值的计算过程比较复杂。
实际应用中，常用的降噪方法包括2D空域降噪和3D时空域降噪的方法：
2D空域降噪只在二维空间上进行降噪处理。基本方法：对一个像素将其与周围像素进行加权平均，加权平均后噪声降低，但缺点是会造成画面模糊，特别是物体边缘部分。3D时空域降噪进一步考虑帧与帧之间的时域关系，对每个像素进行时域上的加权平均，通过减少时域上的改变降低噪声。相比2D降噪，3D降噪效果更好，且不会造成边缘的模糊，但其存在的主要问题是：画面不会是完全静止的，如果对不属于同一物体的两个点进行降噪处理会造成错误。因此该方法需要进行运动估计，其效果好坏也与运动估计算法相关。而运动估计算法复杂、计算量大，耗时长，是制约3D降噪的主要瓶颈。
发明内容
本发明的目的是为了解决现有技术中存在的去噪算法计算量大且去噪效果不好的缺陷，而提供了一种序列图像的去噪装置及方法，该方法更好的完成对序列图像中运动物体与噪声的分离，对序列图像去噪，减少运动拖尾及运动残影，保留原有细节，进而实现对图像画质的改善。
为了解决上述问题，本发明采用的技术方案是：
一种序列图像的去噪装置，它包括输入图像单元、运动估计单元、时空域联合滤波单元和噪声估计模块，输入图像单元将序列图像输入到运动估计单元，经运动估计单元处理后输入到时空域联合滤波单元处理；噪声估计模块输出数据至运动估计单元处理。
所述运动估计单元包括空域滤波单元、差分模块、差分图像融合模块、形态学处理模块和运动估计模块，空域滤波模块对图像进行滤波处理后传递到差分模块进行差分运算，差分图像融合模块对前一模块的图像进行加权融合处理，并经过形态学处理模块，处理后传递到运动估计模块进行运动估计运算。
所述时空域联合滤波单元包括序列图像的时域滤波模块和基于边缘保持的空域滤波模块及时空域滤波融合模块。
所述噪声估计模块利用图像边缘结构具有很强的二阶差分特性，图像对拉普拉斯模板的噪声统计器较敏感，通过两个拉普拉斯模板组成的内核来进行卷积操作，然后直接通过对图像的一次卷积，对卷积结果进行一次取平均值。
所述空域滤波模块包括强空域滤波模块和弱空域滤波模块。
所述运动估计模块包括IIR滤波模块、空域滤波模块和滤波系数计算模块。
一种序列图像去噪方法，它包括以下步骤：
1)输入序列图像，分别对序列图像进行强空域滤波和弱空域滤波处理，滤除噪声；
2)对空域滤波后的序列图像分别进行差分运算,经过帧间差操作运算实现运动物体及静止区域的分离；
3)对强、弱空域滤波后的差分图像进行加权融合，输出差分融合图像；
4)对差分融合图像进行形态学及滤波处理，对图像进行膨胀、腐蚀、中值或均值滤波处理凸显出运动物体的轮廓；
5)对经过形态学滤波处理的融合图像进行运动估计计算，计算出运动估计系数α；
6)基于运动估计系数α,对输入序列图像进行时域滤波，同时对输入序列图像进行基于边缘保持的空域滤波；
7)对时域滤波及边缘保持的空域滤波图像进行加权融合，得到最终的输出图像。
所述步骤5)的运动估计系数α的计算方法如下：
⑴计算运动阈值
利用以下公式进行噪声值sigma计算运动阈值，
mThr＝sigma*mThrRat+mThrOfs，其中，mThrRat为运动阈值比率，mThrOfs为运动阈值偏移，mThr为运动阈值。mThrRat值越大，则mThr越大。mThrOfs值越大，则mThr越大。
⑵计算运动估计系数α
根据运动阈值mThr和运动残差absDif计算运动估计系数，
α＝A*(mthr-absDif)/mThr，其中，A运动估计系数比率，A值越大，则运动估计系数α越大。
⑶运动估计系数α的IIR时域滤波
利用历史帧的运动估计系数α'与当前帧的运动估计系数α进行加权运算，输出时域滤波后的运动估计系数。
α＝α*(1-weight)+α'*weight
其中，weight为α时域滤波的权值系数，0≤weight≤1；
⑷运动估计系数α的空域滤波
对运动估计系数α进行高斯滤波或均值滤波处理，滤波半径及强度可参数化配置。
所述步骤6)的对原图像分别进行时域滤波是指：
根据运动估计系数α对当前帧图像与历史帧图像进行加权融合，其中运动估计系数α越大，时域滤波结果越接近历史帧图像，运动估计系数α越小，时域滤波结果越接近当前帧图像；计算公式如下：
It＝It*(1-α)+It-1*α
其中，It为当前帧未滤波的图像，It-1为历史帧滤波后的图像。
所述步骤7)的加权融合是指：
将两个滤波图像进行加权融合，得到最终的滤波输出图像；加权融合的计算公式如下：
If＝Is*(1-αs)+It*αs
其中，If为时空域滤波的输出结果，Is为上一步骤的空域滤波的输出结果，It为上一步骤的时域滤波的输出结果，αs为时空域滤波的融合系数，其与运动估计系数α成线性关系，即αs＝k*α，0≤k≤16。
本发明的有益效果：
与现有技术相比，本发明通过空域滤波、差分运算、加权融合、形态学处理、基于时空域滤波系数进行联合滤波能够有效完成对序列图像中运动物体的与噪声的分离，有效的去除了噪声，改善图像画质。
附图说明
图1是本发明的输入数据格式示意图。
图2是本发明序列图像去噪方法流程图。
图3是本发明序列图像去噪装置结构图。
图4是本发明序列图像去噪装置实施例。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明，以下实施例仅对本申请进行进一步说明，不应理解为对本申请的限制。
如图3、4所示，一种序列图像的去噪装置，它包括输入图像单元、运动估计单元、时空域联合滤波单元和噪声估计模块，输入图像单元将序列图像输入到运动估计单元，经运动估计单元处理后输入到时空域联合滤波单元处理；噪声估计模块输出数据至运动估计单元处理。
输入图像单元：如图1所示输入Bayer数据图像，由图1可知，Bayer数据分为R行和B行，R行的数据为RGRG这样的连续值，B行的数据为GBGB这样的连续值，每个R和B的上下左右都是G，故可采用3*3滑动滤波的方式计算当前点的亮度Y，滤波系数可配置，典型的滤波系数如下所示。
本发明所述运动估计单元包括空域滤波单元、差分模块、差分图像融合模块、形态学处理模块和运动估计模块，空域滤波模块对图像进行滤波处理后传递到差分模块进行差分运算，差分图像融合模块对前一模块的图像进行加权融合处理，并经过形态学模块进行处理，处理后传递到运动估计模块进行运动估计运算。
本发明所述空域滤波模块包括强空域滤波模块和弱空域滤波模块，输入图像单元处理完成后进入运动估计单元计算，首先进入空域滤波模块中强空域模块和弱空域子模块处理，其采用高斯滤波，高斯滤波半径及强度可配置，滤波后的图像传递到差分模块，差分模块对滤波后的图像进行差分运算，差分图像融合模块对前一模块的图像进行融合处理，再经过形态学模块进行处理，形态学模块对图像进行膨胀，腐蚀等处理，凸显出运动物体的轮廓，处理后传递给运动估计模块。
运动估计模块包括运动估计滤波系数的IIR滤波模块、运动估计滤波系数的空域滤波模块和运动估计滤波系数计算模块。IIR滤波是一种无限长冲击响应的滤波方法，采用的是递归的方式实现，空域滤波模块也采用同上的处理方式，滤波系数计算模块则是公式固化，经过三个子模块的串行处理得到滤波系数α。在这个过程中，噪声估计模块进行辅助处理。其中噪声估计模块里图像是对拉普拉斯模板的噪声统计器是敏感的，算法通过两个拉普拉斯模板组成的内核来进行卷积操作，然后直接对图像进行一次卷积，再对卷积结果进行取平均值。
差分图像融合模块与噪声估计模块密切相关，噪声估计模块的输出值，直接影响差分图像的融合输出。
如图2所示，一种序列图像去噪方法，它包括以下步骤：
1)输入序列图像，分别对序列图像进行强空域滤波、弱空域滤波处理，滤除噪声；
2)对空域滤波后的序列图像分别进行差分运算,经过帧间差操作运算实现运动物体及静止区域的分离；
3)对强、弱空域滤波后的差分图像进行加权融合，输出差分融合图像；
4)对差分融合图像进行形态学及滤波处理，对图像进行膨胀、腐蚀、中值或均值滤波处理凸显出运动物体的轮廓；
5)对经过形态学及滤波处理的图像进行运动估计计算，计算出运动估计系数α；
⑴计算运动阈值
利用以下公式进行噪声值sigma计算运动阈值，
mThr＝sigma*mThrRat+mThrOfs，其中，mThrRat为运动阈值比率，mThrOfs为运动阈值偏移，mThr为运动阈值。mThrRat值越大，则mThr越大。mThrOfs值越大，则mThr越大。
⑵计算运动估计系数α
根据运动阈值mThr和运动残差absDif计算运动估计系数，
α＝A*(mthr-absDif)/mThr，其中，A运动估计系数比率，A值越大，则运动估计系数α越大。
⑶运动估计系数α的IIR时域滤波
利用历史帧的运动估计系数α'与当前帧的运动估计系数α进行加权运算，输出时域滤波后的运动估计系数。
α＝α*(1-weight)+α'*weight
其中，weight为α时域滤波的权值系数，0≤weight≤1；
⑷运动估计系数α的空域滤波
对运动估计系数α进行高斯滤波或均值滤波处理，滤波半径及强度可参数化配置。
6)基于运动估计系数α,对输入序列图像进行时域滤波，同时对输入序列图像进行基于边缘保持的空域滤波；
对原图像分别进行时域滤波，根据运动估计系数α对当前帧图像与历史帧图像进行加权融合，其中运动估计系数α越大，时域滤波结果越接近历史帧图像，运动估计系数α越小，时域滤波结果越接近当前帧图像；计算公式如下：
It＝It*(1-α)+It-1*α
其中，It为当前帧未滤波的图像，It-1为历史帧滤波后的图像。
7)对时域滤波及边缘保持的空域滤波图像进行加权融合，得到最终的图像。
加权融合是指，将两个滤波图像进行加权融合，得到最终的滤波输出图像；加权融合的计算公式如下：
If＝Is*(1-αs)+It*αs
其中，If为时空域滤波的输出结果，Is为上一步骤的空域滤波的输出结果，It为上一步骤的时域滤波的输出结果，αs为时空域滤波的融合系数，其与运动估计系数α成线性关系，即αs＝k*α，0≤k≤16，典型值k为2.0。
实施例1：
一种序列图像去噪方法，
1)如图1所示，输入图像单元中输入的Bayer数据图像，Bayer数据分为R行和B行，R行的数据为RGRG这样的连续值，B行的数据为GBGB这样的连续值，每个R和B的上下左右都是G，故可采用3*4滑动滤波的方式计算当前点的亮度Y，滤波系数可配置，典型的滤波系数如下所示，
分别对序列图像进行强空域滤波、弱空域滤波处理，滤除噪声，有利于后续的噪声与运动物体的分离。空域滤波可使用高斯滤波或均值滤波，或是使用具有边缘保持功能的双边滤波。
2)对空域滤波后的序列图像分别进行差分运算,经过帧间差操作运算实现运动物体及静止区域的分离；
3)对强、弱空域滤波后的差分图像进行加权融合，加权融合是对强弱空域滤波后的差分图像，根据融合系数进行加权处理，比如要融合两幅图像A、B，设置融合系数为0.5，则融合后图像是A*0.5+B*0.5。加权融合的意义在于，可实现在较大噪声时，使用较多强空域滤波的差分运算的结果，在较小噪声时，使用较多弱空域滤波的差分运算的结果，进行实现空域滤波强度对噪声强度的自适应，同时，加权融合的系数还与当前环境的噪强度有关，而噪声强度值为噪声估计模块的输出值；
4)对差分融合图像进行形态学处理，形态学滤波处理，包括腐蚀、膨胀、中值及均值滤波。其中膨胀处理，即对图像取邻域最大值，腐蚀处理，即是对图像取邻域最小值，这样经过腐蚀和膨胀处理，可以凸显运动物体的轮廓，进而更好的实现运动物体与静止区域的分离；
5)运动估计运算，可以计算出运动估计系数；
利用以下公式进行噪声值sigma计算运动阈值，
利用以下公式进行噪声值sigma计算运动阈值，
mThr＝sigma*mThrRat+mThrOfs，其中，mThrRat为运动阈值比率，mThrOfs为运动阈值偏移，mThr为运动阈值。mThrRat值越大，则mThr越大。mThrOfs值越大，则mThr越大。
根据运动阈值mThr和运动残差absDif计算运动估计系数，
α＝A*(mthr-absDif)/mThr，其中，A运动估计系数比率，A值越大，则运动估计系数α越大。
运动估计系数α的时域滤波，
利用历史帧的运动估计系数α'与当前帧的运动估计系数α进行加权运算
α＝α*(1-weight)+α'*weight
其中，weight为α时域滤波的权值系数，0≤weight≤1；
运动估计系数α的空域滤波，
对运动估计系数α进行高斯滤波或均值滤波处理，滤波半径及强度可参数化配置。
6)基于运动估计系数,对原图像分别进行时域滤波；
根据运动估计系数α对当前帧图像与历史帧图像进行加权融合，其中运动估计系数α越大，时域滤波结果越接近历史帧图像，运动估计系数α越小，时域滤波结果越接近当前帧图像；计算公式如下：
It＝It*(1-α)+It-1*α
其中，It为当前帧未滤波的图像，It-1为历史帧滤波后的图像。
7)输入序列进行基于边缘保持的空域滤波；空域滤波系数为邻域像素与当前中间像素的差异值的倒数，若邻域像素与中间像素的差异值越大，则滤波系数越小。
8)对时域滤波及边缘保持的空滤波图像进行加权融合，得到最终的图像。
将两个滤波图像进行加权融合，得到最终的滤波输出图像；加权融合的计算公式如下：
If＝Is*(1-αs)+It*αs
其中，If为时空域滤波的输出结果，Is为上一步骤的空域滤波的输出结果，It为上一步骤的时域滤波的输出结果，αs为时空域滤波的融合系数，其与运动估计系数α成线性关系，即αs＝k*α，0≤k≤16。
输入序列图像，对输入的序列图像分别进行强空域滤波处理及弱空域滤波处理，分别对强、弱空域滤波后的序列图像进行差分运算，再对强、弱空域滤波后的差分图像根据当前的噪声强度进行加权融合，并进行形态学处理和运动估计运算，得到时空域滤波的运动估计滤波系数α，最后基于运动估计滤波系数α进行时空域联合滤波，得到时空域滤波后的序列图像，去除噪声，改善画质。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种序列图像的去噪方法，其特征在于：包括以下步骤：
1）输入序列图像，分别对序列图像进行强空域滤波、弱空域滤波处理，滤除噪声；
2）对空域滤波后的序列图像分别进行差分运算,经过帧间差操作运算实现运动物体及静止区域的分离；
3）对强、弱空域滤波后的差分图像进行加权融合，输出差分融合图像；
4）对差分融合图像进行形态学及滤波处理，对差分融合图像进行膨胀、腐蚀、中值或均值滤波处理，凸显出运动物体的轮廓；
5）对经过形态学滤波处理的融合图像进行运动估计计算，计算出运动估计系数α；
6）基于运动估计系数α,对输入序列图像进行时域滤波，同时对输入序列图像进行基于边缘保持的空域滤波；
7）对时域滤波及边缘保持的空域滤波图像进行加权融合，得到最终的输出图像；
所述步骤 5）的运动估计系数α的计算方法如下：
⑴ 计算运动阈值
利用以下公式进行噪声值 sigma 计算运动阈值，
mThr = sigma * mThrRat + mThrOfs，其中，mThrRat 为运动阈值比率，mThrOfs 为运
动阈值偏移，mThr 为运动阈值，mThrRat 值越大，则 mThr 越大，mThrOfs 值越大，则mThr 越大；
⑵ 计算运动估计系数α
根据运动阈值 mThr 和运动残差 absDif 计算运动估计系数，
α= A*(mthr - absDif) / mThr，其中，A 运动估计系数比率，A 值越大，则运动估计
系数α越大；
⑶ 运动估计系数α的 IIR 时域滤波
利用历史帧的运动估计系数α'与当前帧的运动估计系数α进行加权运算，输出时域
滤波后的运动估计系数；
α=α* (1 - weight) +α' * weight
其中，weight 为α时域滤波的权值系数，0≤weight≤1；
⑷ 运动估计系数α的空域滤波
对运动估计系数α进行高斯滤波或均值滤波处理，滤波半径及强度可参数化配置；
所述步骤 6）的对原图像分别进行时域滤波是指：
根据运动估计系数α对当前帧图像与历史帧图像进行加权融合，其中运动估计系数
α越大，时域滤波结果越接近历史帧图像，运动估计系数α越小，时域滤波结果越接近
当前帧图像；计算公式如下：
It = It * (1 -α) + It-1 *α
其中，It为当前帧未滤波的图像，It-1为历史帧滤波后的图像；
所述步骤 7）的加权融合是指：
将两个滤波图像进行加权融合，得到最终的滤波输出图像；加权融合的计算公式如
下：
If = Is * (1 -αs) + It *αs
其中，If为时空域滤波的输出结果，Is为上一步骤的空域滤波的输出结果，It为上一
步骤的时域滤波的输出结果，αs为时空域滤波的融合系数，其与运动估计系数α成线性关系，即αs = k*α，0≤k≤16。
2.一种适用于权利要求 1 所述序列图像的去噪方法的去噪装置，其特征在于：
它包括输入图像单元（1）、运动估计单元（2）、时空域联合滤波单元（3）和噪声估计模块（4），输入图像单元将序列图像输入到运动估计单元，经运动估计单元处理后输入到时空域联合滤波单元处理；噪声估计模块输出数据至运动估计单元处理；
所述运动估计单元（2）包括空域滤波单元（21）、差分模块（22）、差分图像融合模块（23）、形态学处理模块（24）和运动估计模块（25），空域滤波模块（21）对图像进行滤波处理后传递到差分模块（22）进行差分运算，差分图像融合模块（23）对前一模块的输出图像进行加权融合处理，并经过形态学处理模块（24），处理后传递到运动估计模块（25）进行运动估计运算。
3.如权利要求 2所述的去噪装置，其特征在于：所述时空域联合滤波单元（3）包括序列图像的时域滤波模块和基于边缘保持的空域滤波模块及时空域滤波融合模块。
4.如权利要求 2 所述的去噪装置，其特征在于：所述噪声估计模块（4）利用图像边缘结构具有很强的二阶差分特性，图像对拉普拉斯模板的噪声统计器较敏感，通过两个拉普拉斯模板组成的内核来进行卷积操作，然后直接对图像进行一次卷积，再对卷积结果进行一次取平均值。
5.如权利要求 2所述的去噪装置，其特征在于：所述空域滤波模块包括强空域滤波模块（211）和弱空域滤波模块（212）。
6.如权利要求 2 所述的去噪装置，其特征在于：所述运动估计模块包括 IIR滤波模块（251）、空域滤波模块（252）和滤波系数计算模块（253）。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610863971.8A CN106251318B (zh) | 2016-09-29 | 2016-09-29 | 一种序列图像的去噪装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610863971.8A CN106251318B (zh) | 2016-09-29 | 2016-09-29 | 一种序列图像的去噪装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106251318A CN106251318A (zh) | 2016-12-21 |
| CN106251318B true CN106251318B (zh) | 2023-05-23 |
Family
ID=57611112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610863971.8A Active CN106251318B (zh) | 2016-09-29 | 2016-09-29 | 一种序列图像的去噪装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106251318B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10674045B2 (en) * | 2017-05-31 | 2020-06-02 | Google Llc | Mutual noise estimation for videos |
| CN107451963B (zh) * | 2017-07-05 | 2020-09-25 | 广东欧谱曼迪科技有限公司 | 多光谱鼻腔内窥镜实时图像增强方法及内窥镜成像系统 |
| CN109978774B (zh) * | 2017-12-27 | 2021-06-18 | 展讯通信（上海）有限公司 | 多帧连续等曝光图像的去噪融合方法及装置 |
| CN110555805B (zh) * | 2018-05-31 | 2022-05-31 | 杭州海康威视数字技术股份有限公司 | 图像处理的方法、装置、设备及存储介质 |
| CN110415191A (zh) * | 2019-07-31 | 2019-11-05 | 西安第六镜网络科技有限公司 | 一种基于连续视频帧的图像去模糊算法 |
| CN110660039B (zh) * | 2019-10-10 | 2022-04-22 | 杭州雄迈集成电路技术股份有限公司 | 一种多帧加权的宽动态图像处理方法 |
| CN110796624B (zh) | 2019-10-31 | 2022-07-05 | 北京金山云网络技术有限公司 | 一种图像生成方法、装置及电子设备 |
| CN111583151B (zh) * | 2020-05-09 | 2023-05-12 | 浙江大华技术股份有限公司 | 一种视频降噪方法及设备、计算机可读存储介质 |
| CN111641825B (zh) * | 2020-06-09 | 2022-04-05 | 上海富瀚微电子股份有限公司 | 一种嵌入到hevc编码过程的3d去噪方法及去噪装置 |
| CN113012061A (zh) * | 2021-02-20 | 2021-06-22 | 百果园技术(新加坡)有限公司 | 降噪处理方法、装置及电子设备 |
| CN115965552B (zh) * | 2022-12-30 | 2023-08-29 | 华中科技大学 | 用于低信噪比图像序列的频空时域联合去噪与恢复系统 |
| CN116437024B (zh) * | 2023-04-27 | 2024-04-09 | 深圳聚源视芯科技有限公司 | 一种基于运动估计和噪声估计的视频实时降噪方法及装置 |
| CN116912132B (zh) * | 2023-09-11 | 2023-12-26 | 归芯科技(深圳)有限公司 | Bayer域3DNR图像去噪方法及其装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1901620A (zh) * | 2005-07-19 | 2007-01-24 | 中兴通讯股份有限公司 | 一种基于运动检测和自适应滤波的视频图像降噪方法 |
| CN102014240A (zh) * | 2010-12-01 | 2011-04-13 | 深圳市蓝韵实业有限公司 | 一种实时医学视频图像去噪方法 |
| CN103873743A (zh) * | 2014-03-24 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种基于结构张量和卡尔曼滤波的视频去噪方法 |
| CN104717402A (zh) * | 2015-04-01 | 2015-06-17 | 中国科学院自动化研究所 | 一种空时域联合噪声估计系统 |
| WO2015172235A1 (en) * | 2014-05-15 | 2015-11-19 | Tandemlaunch Technologies Inc. | Time-space methods and systems for the reduction of video noise |
| CN206489631U (zh) * | 2016-09-29 | 2017-09-12 | 杭州雄迈集成电路技术有限公司 | 一种序列图像的去噪装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7570309B2 (en) * | 2005-09-27 | 2009-08-04 | Samsung Electronics Co., Ltd. | Methods for adaptive noise reduction based on global motion estimation |
| US7657113B2 (en) * | 2005-12-21 | 2010-02-02 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Auto-regressive method and filter for denoising images and videos |
| US8279345B2 (en) * | 2009-07-21 | 2012-10-02 | Qualcomm Incorporated | System and method for random noise estimation in a sequence of images |
| US9374506B2 (en) * | 2013-01-04 | 2016-06-21 | Qualcomm Incorporated | Method and apparatus of reducing random noise in digital video streams |
-
2016
- 2016-09-29 CN CN201610863971.8A patent/CN106251318B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1901620A (zh) * | 2005-07-19 | 2007-01-24 | 中兴通讯股份有限公司 | 一种基于运动检测和自适应滤波的视频图像降噪方法 |
| CN102014240A (zh) * | 2010-12-01 | 2011-04-13 | 深圳市蓝韵实业有限公司 | 一种实时医学视频图像去噪方法 |
| CN103873743A (zh) * | 2014-03-24 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种基于结构张量和卡尔曼滤波的视频去噪方法 |
| WO2015172235A1 (en) * | 2014-05-15 | 2015-11-19 | Tandemlaunch Technologies Inc. | Time-space methods and systems for the reduction of video noise |
| CN104717402A (zh) * | 2015-04-01 | 2015-06-17 | 中国科学院自动化研究所 | 一种空时域联合噪声估计系统 |
| CN206489631U (zh) * | 2016-09-29 | 2017-09-12 | 杭州雄迈集成电路技术有限公司 | 一种序列图像的去噪装置 |
Non-Patent Citations (5)
| Title |
|---|
| 《Combined wavelet-domain and motion-compensated video denoising based on video codec motion estimation methods》;Jovanov L等;《IEEE transactions on circuits and systems for video technology》;20091231;全文 * |
| 《Video denoising based on a spatiotemporal Kalman-bilateral mixture model》;Zuo C等;《The Scientific World Journal》;20131231;全文 * |
| 《基于混合变分模型的图像去噪》;周杨等;《计算机工程与应用》;20141231;全文 * |
| 《基于降采样块匹配的数字视频3D降噪算法》;谷元保等;《长春理工大学学报(自然科学版)》;20160430;第39卷(第02期);第98-102页 * |
| 《视频图像降噪算法研究》;龙红梅;《中国硕士论文全文库》;20091215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106251318A (zh) | 2016-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106251318B (zh) | 一种序列图像的去噪装置及方法 | |
| US8064718B2 (en) | Filter for adaptive noise reduction and sharpness enhancement for electronically displayed pictures | |
| CN107248148B (zh) | 图像降噪方法及系统 | |
| WO2002102086A2 (en) | Apparatus and method for adaptive spatial segmentation-based noise reducing for encoded image signal | |
| CN109410124B (zh) | 一种视频图像的降噪方法及装置 | |
| Iwanami et al. | An adaptive contrast enhancement using regional dynamic histogram equalization | |
| Reeja et al. | Real time video denoising | |
| CN100367770C (zh) | 一种去除视频孤立噪声点的方法 | |
| JPH0767176B2 (ja) | 符号化雑音除去フィルタ | |
| US20160307302A1 (en) | Debanding image data based on spatial activity | |
| Kusnik et al. | On the robust technique of mixed Gaussian and impulsive noise reduction in color digital images | |
| US9471965B2 (en) | Image processor and image processing method | |
| Mehta et al. | Comparative analysis of median filter and adaptive filter for impulse noise–a review | |
| CN108632502B (zh) | 一种图像锐化的方法及装置 | |
| Iqbal et al. | High density impulse noise reduction by denoising neighbor pixels | |
| KR100821939B1 (ko) | 영상 잡음 제거 장치 및 방법 | |
| Kubota et al. | Random-valued impulse noise removal based on component-wise noise detector with auto-tuning function and vector median interpolation | |
| CN206489631U (zh) | 一种序列图像的去噪装置 | |
| Chishima et al. | A method of scratch removal from old movie film using variant window by Hough transform | |
| Padmavathi et al. | Video preprocessing of image information for vehicle identification | |
| Tan et al. | Multihypothesis recursive video denoising based on separation of motion state | |
| Alanazi | An Optimized Implementation of a Novel Nonlinear Filter for Color Image Restoration. | |
| Bilcu et al. | A modified sigma filter for noise reduction in images | |
| Huang et al. | An adaptive spatial filter for additive Gaussian and impulse noise reduction in video signals | |
| Ghazal et al. | A fast directional sigma filter for noise reduction in digital TV signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Room 1210, 12th Floor, Building 9, Yinhu Innovation Center, No. 9 Fuxian Road, Yinhu Street, Hangzhou City, Zhejiang Province, 311422 Applicant after: Hangzhou xiongmai integrated circuit technology Co.,Ltd. Address before: Room 1210, 12th Floor, Building 9, Yinhu Innovation Center, No. 9 Fuxian Road, Yinhu Street, Hangzhou City, Zhejiang Province, 311422 Applicant before: HANGZHOU XIONGMAI INTEGRATED CIRCUIT TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 1210, 12th Floor, Building 9, Yinhu Innovation Center, No. 9 Fuxian Road, Yinhu Street, Hangzhou City, Zhejiang Province, 311422 Patentee after: Zhejiang Xinmai Microelectronics Co.,Ltd. Address before: Room 1210, 12th Floor, Building 9, Yinhu Innovation Center, No. 9 Fuxian Road, Yinhu Street, Hangzhou City, Zhejiang Province, 311422 Patentee before: Hangzhou xiongmai integrated circuit technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |