CN106815818A - 一种图像去噪方法 - Google Patents

Abstract

本发明提供一种图像去噪方法，包括步骤：S1)提取待处理图像的边缘信息E和纹理信息T，并存储；S2)对待处理图像进行二维经验模式分解，得到图像的内禀模式函数IMF和最终的大趋势项R；S3)对高频IMF进行基于边缘和纹理特征的去噪；S4)将去噪后的高频IMF与低频IMF以及大趋势项R合成处理，得到最终的增强图像。本发明通过对原有二维经验模式分解方法的改进，在二维经验模式分解得到高频分量后，参考原始图像的纹理特征和边缘信息，进行改进的非局部均值去噪，能较好地去除高斯噪声并保留图像的细节信息，解决了图像变得模糊的问题，较原来的算法取得更好的效果。

Description

一种图像去噪方法

技术领域

本发明涉及图像处理技术领域，特别是涉及一种图像去噪方法。

背景技术

在数字图像处理中，图像去噪一直是一个非常关键的环节，去噪效果的好坏直接影响到后续的处理以及视觉效果。目前的图像去噪算法多种多样，基本可分为基于空域的滤波、基于小波变换的滤波、基于模糊理论滤波、基于各向异性扩散(ADE)滤波及基于图像分解的滤波等等。

基于二维经验模式分解的图像增强已经取得一些较好的效果。经验模式分解(EMD)方法是1998年Huang提出的一种新的信号处理方法，在非平稳信号分析方面有较好性能。该方法将复杂的非平稳信号分解为若干具有不同尺度的平稳数据分量和趋势项的叠加，具有自适应性。EMD在一维信号处理上取得了很好效果，国内学者将其推广到二维，提出二维经验模式分解(BEMD)方法。

然而，二维经验模式分解BEMD应用在去噪方面，如果单纯将分解后的高频成分去除，则会损失大量细节信息，图像变得模糊，图像变得模糊究其原因是没有很好的保留图像的边缘和纹理等细节信息。因而，需要将二维经验模式分解(BEMD)方法与其他去噪方法相结合才会取得较理想的效果。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种图像去噪方法，用于解决现有技术中二维经验模式分解方法单纯将分解后的高频成分去除，导致图像大量细节信息的损失、图像变得模糊的问题。

为实现上述目的，本发明提供一种图像去噪方法，将二维经验模式分解和纹理边缘等形态学去噪方法结合起来，在去除噪声的同时，尽量保留图像细节信息，以得到较好的去噪效果。

本发明是采用以下方案来实现的：一种图像去噪方法，包括以下步骤：1)提取原始图像f(x,y)的边缘信息E和纹理信息T，并存储；2)对原始图像f(x,y)进行二维经验模式分解，得到图像的内禀模式函数IMF和最终的大趋势项R；3)对高频内禀模式函数IMF进行基于边缘和纹理特征的非局部均值去噪；4)将去噪后的高频内禀模式函数IMF与低频内禀模式函数IMF以及大趋势项R合成处理，得到最终的增强图像。

于本发明的一实施方式中，在所述步骤1)中，通过边缘检测算子和滤波器组提取原始图像f(x,y)的边缘信息E和纹理信息T。

于本发明的一实施方式中，在所述步骤2)中，对原始图像f(x,y)进行二维经验模式分解的步骤包括：21)提取原始图像f(x,y)的局部极大值和极小值；22)利用插值方法建立极大值层和极小值层，确保原始图像f(x,y)的所有点在这两层之间；23)计算极大值层和极小值层的均值；24)计算原始图像f(x,y)和所述均值的差；25)重复步骤21)～24)，直到标准差SD比预先定义的阈值小时，得到第一个内禀模式函数IMF1；26)将第一个内禀模式函数IMF1从f(x,y)中提取出来，将余项作为新数据，重复步骤21)～25)n次，直到没有更多的内禀模式函数能够被提取出来则停止；27)最终的原始图像表示成：其中，f(x,y)为原始图像数据，c_j(x,y)为第j个内禀模式函数，是分解得到的较小尺度细节信息，r_n(x,y)是第n个余项，亦即最终得到的大尺度趋势项。

于本发明的一实施方式中，在所述步骤25)中，预先定义的标准差SD的阈值范围为0.2～0.3。

于本发明的一实施方式中，在步骤3)中进行非局部均值去噪时，包括以下步骤：31)计算原始图像的纹理信息T和边缘信息E，并归一化为T_norm和E_norm，存储待查；32)通过T_norm和E_norm计算权值w_te＝f(T_norm,E_norm)，用来选择搜索窗口和比较窗口大小，若像素i有更多纹理信息，则搜索窗口和比较窗口都减小；若像素i在边缘区域，则扩大搜索窗口，减小比较窗口；33)根据确定的比较窗口和搜索窗口大小，计算像素i和j的相似程度：其中，表示像素i和像素j之间以它们为中心的子块之间高斯距离平方，u(N_i)表示i周围局部子块像素集合，h为滤波参数，h越大，滤波效果越强，0≤w(i,j)≤1，且满足：∑w(i,j)＝1；34)设含噪声的图像为u(i)，去除噪声后的图像为NL(u)(i)，对每个像素的值通过加权得到：NL(u)(i)＝∑w(i,j)u(j)。

如上所述，本发明的图像去噪方法，具有以下有益效果：在基于高频分量去噪时，依据提取的图像的边缘和纹理信息，自适应的调节去噪系数，较好地保留了图像的细节；且根据各个IMF分量所包含的噪声强度越来越弱的特点，只针对前几个高频IMF分量去噪而保留低频IMF效果会更好。

附图说明

图1显示为本发明图像去噪方法的流程图。

图2显示为本发明图像去噪方法中二维经验模式分解的流程图。

元件标号说明

S1～S4 步骤

S21～S27 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，虽图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，为本发明图像去噪方法的流程图，所述图像去噪方法包括以下步骤：S1)提取待处理图像的边缘和纹理信息，并存储待查；S2)对待处理图像进行二维经验模式分解，得到图像的内禀模式函数IMF和最终的大趋势项R；S3)对高频IMF进行基于边缘和纹理特征的去噪；S4)将去噪后的高频IMF与低频IMF以及大趋势项R合成处理，得到最终的增强图像。

作为示例，在所述步骤S1)中，通过边缘检测算子和滤波器组提取原始图像f(x,y)的边缘和纹理信息。

作为示例，在所述步骤S2)中，对待处理图像进行二维经验模式分解，得到图像的内禀模式函数IMF和最终的大趋势项R。

需要注意的是，所述内禀模式函数(也称固有模态函数)需要满足两个条件：一、在整个数据集合上，极值点和零交叉点个数相等或者相差1；二、在任意时间点，由极大值定义的包络和极小值定义的包络均值为0。

作为示例，请参阅图2，在所述步骤S2)中，对原始图像f(x,y)进行二维经验模式分解的步骤包括：

S21)、提取待处理图像f(x,y)的局部极大值点和极小值点，并进行插值处理，得到极大值包络为E_max(x,y)，极小值包络为E_min(x,y)。

S22)、计算平均包络，即极大值包络E_max(x,y)和极小值包络E_min(x,y)的代数均值，记为e₁(x,y)：

S23)、计算待处理图像f(x,y)与平均包络e₁(x,y)的差值，记为d₁(x,y)：

d₁(x,y)＝f(x,y)-e₁(x,y)。

S24)、判断是否满足内禀模式函数条件，若不满足，则重复步骤S21)～S23)过程k次，直到d_1k(x,y)为內禀模式函数：

d₁(x,y)-e₁₁(x,y)＝d₁₁(x,y)

......

d_1(k-1)(x,y)-e_1k(x,y)＝d_1k(x,y)；

定义c₁(x,y)＝d_1k(x,y)，满足内禀模式函数IMF条件，即为从原始数据中分离出的第一个内禀模式函数IMF1，它是原始数据中的最高频分量。

上述是一个筛分过程，通过限制标准差SD，用于每层筛分过程的停止，则第j层筛分结束标准差判别函数为：

S25)、当d_1k(x,y)满足内禀模式函数时，把第一个内禀模式函数c₁(x,y)从原始数据f(x,y)中分离出来，得到第一个余项r₁(x,y)：

f(x,y)-c₁(x,y)＝r₁(x,y)。

S26)、余项r₁(x,y)中含有较长周期分量的信息，它作为新的数据代替f(x,y)，判断是否满足完全分解的结束条件，若否，则重复步骤S21)～S25)的筛分过程n次，直至二维经验模式分解完全。

需要注意的是，重复次数n可以根据具体需求自己设定，也可以根据以下原则：当內禀模式函数分量c_n或者余数r_n变得非常小，或者r_n变成一个单调函数，没有更多的内禀模式函数能够被提取出来，则停止整个筛分过程。

S27)、当满足完全分解条件时，最终得到：

其中f(x,y)为原图像数据，c_j(x,y)为第j个内禀模式函数，是分解得到的较小尺度细节信息，r_n(x,y)是第n个余项，亦即最终得到的大尺度趋势项。

作为示例，在所述步骤S24)中，预先定义的标准差SD的阈值范围设置为0.2～0.3。

作为示例，在所述步骤S3)中，以NL(.)代表非局部均值操作，T(.)代表获取纹理信息的操作，E(.)代表边缘信息操作。当计算非局部权重的时候，不仅考虑比较区域的相似性，而且考虑边缘和纹理信息。通常，对于原始的非局部均值去噪，比较窗口和搜索窗口的大小是固定的，一般为比较窗口CW大小7x7，搜索窗口SW大小21x21。在这里，可以依据去噪像素点的边缘和纹理信息确定CW和SW大小。

在该示例中，对高频内禀模式函数c_j(x,y)进行基于边缘和纹理特征的去噪，得到去噪后的高频分量c'_j(x,y)，具体包括以下步骤：

S31)、计算原始图像的纹理信息T和边缘信息E，并归一化为T_norm和E_norm，存储待查。

S32)、通过T_norm和E_norm计算权值w_te＝f(T_norm,E_norm)，用来选择搜索窗口和比较窗口大小，若像素i有更多纹理信息，则搜索窗口和比较窗口大小都减小，避免过于平滑；若像素i在边缘区域，则扩大搜索窗口，减小比较窗口。

S33)、根据确定的比较窗和搜索窗口的大小，计算像素i和j的相似程度：

其中，表示像素i和像素j之间以它们为中心的子块之间高斯距离平方，u(N_i)表示i周围局部子块像素集合，h为滤波参数，h越大，滤波效果越强，权值0≤w(i,j)≤1，且满足：∑w(i,j)＝1。

S34)、假设含噪声的图像为u(i)，去除噪声后的图像为NL(u)(i)，对每个像素的值通过加权得到：NL(u)(i)＝∑w(i,j)u(j)。

作为示例，在所述步骤S4)中，将去噪后的高频IMF与低频IMF以及大趋势项R合成处理，得到最终的增强图像：

需要注意的是，由相关资料显示，各个IMF频率大致是按2的负幂次方递减，即各个IMF分量所包含的噪声强度越来越弱，前4个IMF分量所含的噪声强度比例达到93.75％，低频IMF几乎是期望图像的低频分量。因此，若只针对前4个高频IMF分量去噪而保留低频IMF效果会更好。

综上所述，本发明提出了一种图像去噪方法，包括步骤：S1)提取待处理图像的边缘和纹理信息，并存储待查；S2)对待处理图像进行二维经验模式分解，得到图像的内禀模式函数IMF和最终的大趋势项R；S3)对高频IMF进行基于边缘和纹理特征的去噪；S4)将去噪后的高频IMF与低频IMF以及大趋势项R合成处理，得到最终的增强图像。本发明通过对原有算法的改进，在二维经验模式分解得到高频分量后，参考原始图像的纹理特征和边缘信息，进行改进的非局部均值去噪，能较好地去除高斯噪声并保留图像的细节信息，较原来的算法取得更好的效果。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种图像去噪方法，其特征在于，包括以下步骤：

1)提取原始图像f(x,y)的边缘信息E和纹理信息T，并存储；

2)对原始图像f(x,y)进行二维经验模式分解，得到图像的内禀模式函数IMF和最终的大趋势项R；

3)对高频内禀模式函数IMF进行基于边缘和纹理特征的非局部均值去噪；

4)将去噪后的高频内禀模式函数IMF与低频内禀模式函数IMF以及大趋势项R合成处理，得到最终的增强图像。

2.根据权利要求1所述的图像去噪方法，其特征在于，在所述步骤1)中，通过边缘检测算子和滤波器组提取原始图像f(x,y)的边缘信息E和纹理信息T。

3.根据权利要求1所述的图像去噪方法，其特征在于，在所述步骤2)中，对原始图像f(x,y)进行二维经验模式分解的步骤包括：

21)提取原始图像f(x,y)的局部极大值和极小值；

22)利用插值方法建立极大值层和极小值层，确保原始图像f(x,y)的所有点在这两层之间；

23)计算极大值层和极小值层的均值；

24)计算原始图像f(x,y)和所述均值的差；

25)重复步骤21)～24)，直到标准差SD比预先定义的阈值小时，得到第一个内禀模式函数IMF1；

26)将第一个内禀模式函数IMF1从f(x,y)中提取出来，将余项作为新数据，重复步骤21)～25)n次，直到没有更多的内禀模式函数能够被提取出来则停止；

27)最终的原始图像表示成：其中，f(x,y)为原始图像数据，c_j(x,y)为第j个内禀模式函数，是分解得到的较小尺度细节信息，r_n(x,y)是第n个余项，亦即最终得到的大尺度趋势项。

4.根据权利要求3所述的图像去噪方法，其特征在于，在所述步骤25)中，预先定义的标准差SD的阈值范围为0.2～0.3。

5.根据权利要求1所述的图像去噪方法，其特征在于，在步骤3)中进行非局部均值去噪时，包括以下步骤：

31)计算原始图像的纹理信息T和边缘信息E，并归一化为T_norm和E_norm，存储；

32)通过T_norm和E_norm计算权值w_te＝f(T_norm,E_norm)，用来选择搜索窗口和比较窗口大小，若像素i有更多纹理信息，则搜索窗口和比较窗口都减小；若像素i在边缘区域，则扩大搜索窗口，减小比较窗口；

33)根据确定的比较窗口和搜索窗口大小，计算像素i和j的相似程度：

$w(i,j)=\frac{1}{z\left(i\right)}{e}^{-\frac{\left|\right|u\left(N_i\right)-u\left(N_j\right)|{|}_2^2}{h^2}}$

其中， 表示像素i和像素j之间以它们为中心的子块之间高斯距离平方，u(N_i)表示i周围局部子块像素集合，h为滤波参数，h越大，滤波效果越强，0≤w(i,j)≤1，且满足：∑w(i,j)＝1；

34)设含噪声的图像为u(i)，去除噪声后的图像为NL(u)(i)，对每个像素的值通过加权得到：NL(u)(i)＝∑w(i,j)u(j)。