CN106651784A - 一种用于去除高斯固定图案噪声的非均匀校正方法 - Google Patents

Abstract

本发明涉及一种用于去除高斯固定图案噪声的非均匀校正方法，构建基于去噪参数的线性去噪模型，并且以均值滤波为基础，假设每帧理想的无噪视频图像是其对应噪声图像去噪结果的四邻域平均。这样，通过构建误差函数可以得到递推形式的去噪参数。由于充分考虑了红外视频图像中场景变化而噪声不变这一特性，在上述假设前提下重新构造误差函数，自适应求出去噪参数的步长因子，进而对于每帧噪声图像都可以得到当前最优的去噪参数。并且随着帧数的增加，去噪参数会收敛到一个较好的水平，去噪效果远远优于只使用均值滤波的方法。

Description

一种用于去除高斯固定图案噪声的非均匀校正方法

技术领域

本发明属于图像处理技术领域，涉及红外视频图像中涉及一种用于去除高斯固定图案噪声的非均匀校正方法。

背景技术

由于制造工艺的限制，使得红外焦平面阵列上各探测单元之间的响应度不完全一致，导致固定图案噪声(Fixed-Pattern Noise，FPN)的出现，它严重影响了光电系统的成像质量。一般来说，在红外成像之前，需要使用基于标定的方法对探测器的非均匀性进行预校正。但噪声参数会随着时间的变化而缓慢漂移，导致系统工作一段时间后成像质量退化。在这个过程中可以认为漂移的固定图案噪声满足高斯分布，为了有效去除高斯噪声，一种较常用的方法是使用均值滤波，因为高斯噪声的均值为常数，而图像相邻像素间一般差异较小，均值滤波可以在对真实图像影响不大的情况下使噪声变均匀，进而达到图像去噪的目的。常见的均值滤波方法有多种，如：四邻域平均、八邻域平均等，如下所示为四邻域平均法：

z_i,j＝[x_i,j-1+x_i,j+1+x_i-1_,j+x_i+1,j]/4 (1)

其中，x_i,j-1、x_i,j+1、x_i-1,j、x_i+1,j分别为图像坐标(i,j)的左、右、上、下四个邻域的像素值，z_i,j为(i,j)处的滤波结果。然而对于红外视频图像中的高斯固定图案噪声，如果只是单帧进行平滑处理，由于没有充分考虑到场景变化而噪声不变的特性以及相邻帧图像之间的关联性，使得去噪效果并不理想。另外，增加平滑模板的尺寸也是一种有效去噪的方法，如：将四邻域平均换成八邻域平均甚至更大，但这样做容易导致真实场景变模糊。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种用于去除高斯固定图案噪声的非均匀校正方法，针对红外视频图像中高斯固定图案噪声的递推去噪方法，能够随着视频图像帧数的增加，逐步去除图像中的高斯固定图案噪声。

技术方案

一种用于去除高斯固定图案噪声的非均匀校正方法，其特征在于步骤如下：

步骤1、构建去噪模型：

y_i,j(k)＝G_i,j(k)x_i,j(k)+O_i,j(k)

其中，x_i,j(k)表示第k帧噪声图像上坐标为(i,j)的像素值，y_i,j(k)表示去噪结果，G_i,_j(k)和O_i,j(k)分别表示乘性去噪参数和加性去噪参数；

理想真实图像为图像去噪结果的四邻域平均为：

f_i,j(k)＝[y_i,j+1(k)+y_i,j-1(k)+y_i-1,j(k)+y_i+1,j(k)]/4

步骤2、初始化：图像x_i,j(k)为大小为M×N的红外视频图像的第一帧图像，k＝0，1≤i≤M，1≤j≤N；对于第一帧图像x_i,j(k)初始化乘性去噪参数G_i,j(0)＝1，加性去噪参数O_i,j(0)＝0；

初始化第一帧图像的去噪结果为输入图像的四邻域平均，即：y_i,j(0)＝[x_i,j-1(0)+x_i,j+1(0)+x_i-1,j(0)+x_i+1,j(0)]/4(1＜i＜M，1＜j＜N)；

步骤3：对于第k+1帧输入图像x(k+1)，利用第k帧已有结果：y(k)、x(k)、f(k)、G(k)、O(k)，分别解算出乘性去噪参数和加性去噪参数的步长因子和

其中：

A_i,j(k+1)＝x_i,j(k)x_i,j(k+1)[y_i,j(k)-f_i,j(k)]

B_i,j(k+1)＝G_i,j(k)x_i,j(k+1)+O_i,j(k)

C_i,j(k+1)＝y_i,j(k)-f_i,j(k)

步骤4：根据步长因子和分别计算出乘性去噪参数G(k+1)和加性去噪参数O(k+1)：

步骤5：根据去噪模型计算出第k+1帧去噪结果y(k+1)：

y_i,j(k+1)＝G_i,j(k+1)x_i,j(k+1)+O_i,j(k+1)

步骤6：令k＝k+1，重复执行步骤3～步骤6。

有益效果

本发明提出的一种用于去除高斯固定图案噪声的非均匀校正方法，构建基于去噪参数的线性去噪模型，并且以均值滤波为基础，假设每帧理想的无噪视频图像是其对应噪声图像去噪结果的四邻域平均。这样，通过构建误差函数可以得到递推形式的去噪参数。由于充分考虑了红外视频图像中场景变化而噪声不变这一特性，在上述假设前提下重新构造误差函数，自适应求出去噪参数的步长因子，进而对于每帧噪声图像都可以得到当前最优的去噪参数。并且随着帧数的增加，去噪参数会收敛到一个较好的水平，去噪效果远远优于只使用均值滤波的方法。

附图说明

图1是本发明的方法流程示意图

图2是本发明实施例的效果图，其中，a)是第200帧原始图像，b)是a)叠加固定高斯噪声后的图像，c)是b)只使用均值滤波后的结果，d)是本发明对b)的去噪效果。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

实验用红外视频图像共200帧，大小为250×160个像素，8位位深(即256个灰度级)，第200帧原始图像见附图2中的a)图。使用Matlab软件中的normrnd函数产生一幅同样尺寸的均值为0、标准差为50的固定高斯噪声图叠加在原始视频图像序列上，结果如附图2中的b)图所示。

通过解算每一帧红外图像的误差函数，实时更新去噪参数的步长因子，进而求出当前最优的去噪参数，实现对高斯固定图案噪声逐帧去噪的目的。本发明具体实现步骤如下：

步骤1、构建去噪模型：yi,_j(k)＝G_i,j(k)x_i,j(k)+O_i,j(k)(2)

其中，x_i,j(k)表示第k帧噪声图像上坐标为(i,j)的像素值，y_i,j(k)表示去噪结果，G_i,_j(k)和O_i,j(k)分别表示乘性去噪参数和加性去噪参数；

假定理想真实图像即为图像去噪结果的四邻域平均：

f_i,j(k)＝[y_i,j+1(k)+y_i,j-1(k)+y_i-1,j(k)+y_i+1,j(k)]/4 (3)

构建误差函数F(G,O)：

F(G,O)＝[G(k)x(k)+O(k)-f(k)]² (4)

使用最速下降法得：

其中，和分别为乘性去噪参数G和加性去噪参数O的步长因子；

步骤2：初始化：视频图像大小为M×N，对于第一帧图像(k＝0)，初始化G_i,_j(0)＝1，O_i,j(0)＝0(1≤i≤M，1≤j≤N)。去噪结果直接为输入图像的四邻域平均，即：y_i,j(0)＝[x_i,j-1(0)+x_i,j+1(0)+x_i-1,j(0)+x_i+1,j(0)]/4(1＜i＜M，1＜j＜N)；

步骤3：对于第k+1帧输入图像x(k+1)，借助第k帧已有结果：y(k)、x(k)、f(k)、G(k)、O(k)，分别解算出乘性去噪参数和加性去噪参数的步长因子和

和的计算：

构建误差函数E(k+1)：

其中，

y_i，j(k+1)＝G_i,j(k+1)x_i,j(k+1)+O_i,j(k+1)

＝G_i,j(k)x_i,j(k+1)+O_i,j(k)-2[y_i,j(k)-f_i,j(k)][α₁(k)x_i,j(k)x_i,j(k+1)+α₂(k)]

f_i,j(k+1)＝[y_i,j+1(k+1)+y_i,j-1(k+1)+y_i-1,j(k+1)+y_i+1,j(k+1)]/4

使用E(k+1)对α₁(k)和α₂(k)分别进行求导，并令其结果为零，得：

其中，和分别为α₁(k)和α₂(k)的最优解。

其中：

A_i,j(k+1)＝x_i,j(k)x_i,j(k+1)[y_i,j(k)-f_i,j(k)]

B_i,j(k+1)＝G_i,j(k)x_i,j(k+1)+O_i,j(k)

C_i,j(k+1)＝y_i,j(k)-f_i,j(k)

步骤4：使用步长因子式(8)和式(9)分别计算出乘性去噪参数G(k+1)和加性去噪参数O(k+1)；

步骤5：使用去噪模型式(2)计算出第k+1帧去噪结果输出y(k+1)；

y_i,j(k)＝G_i,j(k)x_i,j(k)+O_i,j(k)

步骤6：令k＝k+1，返回执行步骤3～步骤6。

附图2中的d)图是本发明对于第200帧图像的去噪结果，c)图是直接使用四邻域均值滤波处理的结果。

从结果图可以看出，由于充分利用了红外视频图像中帧与帧之间的相互关系特性，本发明在有效去除高斯固定图案噪声的同时很好地保持了原图像的细节信息，去噪效果远远优于只使用单帧均值滤波的方法。

Claims (1)

1.一种用于去除高斯固定图案噪声的非均匀校正方法，其特征在于步骤如下：

步骤1、构建去噪模型：y_i,j(k)＝G_i,j(k)x_i,j(k)+O_i,j(k)

其中，x_i,j(k)表示第k帧噪声图像上坐标为(i,j)的像素值，y_i,j(k)表示去噪结果，G_i,j(k)和O_i,j(k)分别表示乘性去噪参数和加性去噪参数；

理想真实图像为图像去噪结果的四邻域平均为：

f_i,j(k)＝[y_i,j+1(k)+y_i,j-1(k)+y_i-1,j(k)+y_i+1,j(k)]/4

步骤2、初始化：图像x_i,j(k)为大小为M×N的红外视频图像的第一帧图像，k＝0，1≤i≤M，1≤j≤N；对于第一帧图像x_i,j(k)初始化乘性去噪参数G_i,j(0)＝1，加性去噪参数O_i,j(0)＝0；

初始化第一帧图像的去噪结果为输入图像的四邻域平均，即：y_i,j(0)＝[x_i,j-1(0)+x_i,j+1(0)+x_i-1,j(0)+x_i+1,j(0)]/4；

步骤3：对于第k+1帧输入图像x(k+1)，利用第k帧已有结果：y(k)、x(k)、f(k)、G(k)、O(k)，分别解算出乘性去噪参数和加性去噪参数的步长因子和

${\widetilde{\mathrm{\α}}}_1\left(k\right)=\frac{S_1(k+1)S_4(k+1)-S_2(k+1)S_5(k+1)}{2\[S_4^2(k+1)-S_2(k+1)S_3(k+1)\]}$

${\widetilde{\mathrm{\α}}}_2\left(k\right)=\frac{S_4(k+1)S_5(k+1)-S_1(k+1)S_3(k+1)}{2\[S_4^2(k+1)-S_2(k+1)S_3(k+1)\]}$

其中：

$S_1(k+1)=\underset{i}{\Σ}\underset{j}{\Σ}\[B_{i,j}(k+1)-{\stackrel{\‾}{B}}_{i,j}(k+1)\]\[C_{i,j}(k+1)-{\stackrel{\‾}{C}}_{i,j}(k+1)\]$

$S_2(k+1)=\underset{i}{\Σ}\underset{j}{\Σ}{\[C_{i,j}(k+1)-{\stackrel{\‾}{C}}_{i,j}(k+1)\]}^2$

$S_3(k+1)=\underset{i}{\Σ}\underset{j}{\Σ}{\[A_{i,j}(k+1)-{\stackrel{\‾}{A}}_{i,j}(k+1)\]}^2$

$S_4(k+1)=\underset{i}{\Σ}\underset{j}{\Σ}\[A_{i,j}(k+1)-{\stackrel{\‾}{A}}_{i,j}(k+1)\]\[C_{i,j}(k+1)-{\stackrel{\‾}{C}}_{i,j}(k+1)\]$

$S_5(k+1)=\underset{i}{\Σ}\underset{j}{\Σ}\[A_{i,j}(k+1)-{\stackrel{\‾}{A}}_{i,j}(k+1)\]\[B_{i,j}(k+1)-{\stackrel{\‾}{B}}_{i,j}(k+1)\]$

A_i,j(k+1)＝x_i,j(k)x_i,j(k+1)[y_i,j(k)-f_i,j(k)]

B_i,j(k+1)＝G_i,j(k)x_i,j(k+1)+O_i,j(k)

C_i,j(k+1)＝y_i,j(k)-f_i,j(k)

${\stackrel{\‾}{A}}_{i,j}(k+1)=\[A_{i,j-1}(k+1)+A_{i,j+1}(k+1)+A_{i-1,j}(k+1)+A_{i+1,j}(k+1)\]/4$

${\stackrel{\‾}{B}}_{i,j}(k+1)=\[B_{i,j-1}(k+1)+B_{i,j+1}(k+1)+B_{i-1,j}(k+1)+B_{i+1,j}(k+1)\]/4$

${\stackrel{\‾}{C}}_{i,j}(k+1)=\[C_{i,j-1}(k+1)+C_{i,j+1}(k+1)+C_{i-1,j}(k+1)+C_{i+1,j}(k+1)\]/4$

步骤4：根据步长因子和分别计算出乘性去噪参数G(k+1)和加性去噪参数O(k+1)：

$G_{i,j}(k+1)=G_{i,j}\left(k\right)-2{\widetilde{\mathrm{\α}}}_1\left(k\right)x_{i,j}\left(k\right)\[y_{i,j}\left(k\right)-f_{i,j}\left(k\right)\]$

$O_{i,j}(k+1)=O_{i,j}\left(k\right)-2{\widetilde{\mathrm{\α}}}_2\left(k\right)\[y_{i,j}\left(k\right)-f_{i,j}\left(k\right)\]$

步骤5：根据去噪模型计算出第k+1帧去噪结果y(k+1)：

y_i,j(k+1)＝G_i,j(k+1)x_i,j(k+1)+O_i,j(k+1)

步骤6：令k＝k+1，重复执行步骤3～步骤6。