CN106815821A - 近红外图像的去噪方法和装置 - Google Patents
近红外图像的去噪方法和装置 Download PDFInfo
- Publication number
- CN106815821A CN106815821A CN201710062629.2A CN201710062629A CN106815821A CN 106815821 A CN106815821 A CN 106815821A CN 201710062629 A CN201710062629 A CN 201710062629A CN 106815821 A CN106815821 A CN 106815821A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- difference
- point
- target image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 235000002918 Fraxinus excelsior Nutrition 0.000 claims 1
- 239000002956 ash Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000003333 near-infrared imaging Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种近红外图像的去噪方法和装置,该方法包括:对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像;利用多种空域滤波器的组合对目标图像进行去噪处理。本发明实施例通过对待处理的近红外图像就进行坏点处理,并基于坏点处理后的图像,利用多种空域滤波器的组合对该图像进行去噪处理,不仅有效地抑制了近红外图像的背景噪声,而且同时最大限度地保留了近红外图像的边缘和细节信息,提升了近红外图像的质量。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种近红外图像的去噪方法和装置。
背景技术
近红外成像技术实现了低光照情况下的图像采集,如用于监控摄像头的夜间拍摄,此外,近红外成像技术也可以用于虹膜识别等新兴领域,因此受到越来越多的关注和重视。但由于近红外图像传感器的物理缺陷,导致近红外图像噪声较大、灰度集中、对比度低,使得近红外图像的视觉效果很差,需要对近红外图像进行去噪处理。
目前,常用的去噪方法有基于图像空间域的方法和基于频率域的方法。其中,基于空域的滤波方法(如均值滤波、中值滤波)由于采用了加权平均的处理方式,容易丢失邻域内部的细节信息,即图像高频信号。而基于频率域的方法(如基于小波阈值的去噪方法)虽然在频率域进行系数处理时可以实现对高频信号的保留和增强,避免了细节的损失,但由于涉及到图像空域到频域的转换,所以其计算流程更为繁杂。
发明内容
本发明实施例提供一种近红外图像的去噪方法和装置,以解决现有对近红外图像的去噪方法中不能实现在简化计算流程的前提下保留图像细节信息的问题。
第一方面,本发明实施例提供了一种近红外图像的去噪方法,包括:
对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像;
利用多种空域滤波器的组合对目标图像进行去噪处理。
第二方面,本发明实施例还提供了一种近红外图像的去噪装置,该装置包括:
坏点识别模块,用于对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像;
去噪模块,用于利用多种空域滤波器的组合对目标图像进行去噪处理。
本发明实施例通过对待处理的近红外图像就进行坏点处理,并基于坏点处理后的图像,利用多种空域滤波器的组合对该图像进行去噪处理,不仅有效地抑制了近红外图像的背景噪声,而且同时最大限度地保留了近红外图像的边缘和细节信息,提升了近红外图像的质量。
附图说明
图1是本发明实施例一中的近红外图像的去噪方法的流程图;
图2是本发明实施例二中的近红外图像的去噪方法的流程图;
图3是本发明实施例二中的中心像素点在线条滤波模板中4个方向上的像素点示意图;
图4是本发明实施例二中的拉普帕斯变换模板图;
图5是本发明实施例三中的近红外图像的去噪装置的结构示意图;
图6是本发明实施例四中的近红外图像的去噪装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的近红外图像的去噪方法的流程图,本实施例可适用于去除近红外图像的噪声,该方法可以由近红外图像的去噪装置来执行,该装置可以采用软件和/或硬件的方式实现。
如图1所示,本发明实施例一的近红外图像的去噪方法具体包括:
S101、对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像。
近红外图像与其他图像不同,存在比较大的噪声,其中比较明显的噪声称作坏点,指近红外图像中像素点的灰度值明显区别于其周围像素点的点,若不对这些坏点进行识别和去除,则会影响对近红外图像的去噪效果。
具体的,在一种实施方式中,可以将待处理的近红外图像的每个像素点作为中心像素点,并基于坏点识别模板依次对每个中心像素点执行如下操作以识别并去除坏点:
计算当前中心像素点邻域内全部像素点灰度值的平均值;
计算当前中心像素点的灰度值与所述平均值的差值;
比较所述差值与第一预设阈值的大小,并将所述差值大于第一预设阈值时对应的中心像素点作为坏点;
将作为坏点的中心像素点的平均值替代该中心像素点的灰度值。
其中,坏点识别模板可以根据需要选取,例如,可以选取为3×3模板。然后,根据该模板,从待处理的近红外图像的第一个像素点开始,遍历图像中全部像素点,以执行上述各步骤。
接下来以图像中第2行第2个像素点作为当前中心像素点为例进行说明。根据3×3模板,当前中心像素点邻域内的全部像素点分别为图像中第1行第1、2、3个像素点,图像中第2行第1、3个像素点,和图像中第3行第1、2、3个像素点。计算这些邻域内的像素点灰度值的平均值,以及计算当前中心像素点灰度值与该平均值的差值,比较差值与第一预设阈值的大小,该第一预设阈值可以根据实际需要进行设置,例如,可以设置为50,当差值大于50时,可以确定当前中心像素点为坏点,否则不是坏点。若是坏点,则将计算出的所述平均值替代当前中心像素点的灰度值,从而完成坏点的识别和去除操作,得到目标图像。
这里需要说明的是,在待处理的近红外图像中,最外围的各像素点邻域内存在空像素点的情况,这时,可以将对应的外围像素点邻域内非空像素点的灰度值随机赋值给这些空像素点,并按照上述操作进行计算和处理。此外,在另一种实施方式中,也可以仅对图像中邻域内不存在空像素点的各像素点进行坏点识别和去除。
S102、利用多种空域滤波器的组合对目标图像进行去噪处理。
空域滤波器虽然因采用加权平均的处理方式而容易丢失邻域内部的细节信息,造成图像去噪不准确的问题,但是,不同的空域滤波器对图像去噪的侧重点和效果均不同,若采用多种空域滤波器的组合对图像去噪,则不同的空域滤波器之间可以弥补各自丢失邻域内细节信息的不足,各种不同的空域滤波器相互结合、相互补充,实现对近红外图像中不同角度的去噪效果,同时,也无需增加运算量。
因此,本发明实施例通过对待处理的近红外图像就进行坏点处理,并基于坏点处理后的图像,利用多种空域滤波器的组合对该图像进行去噪处理,不仅有效地抑制了近红外图像的背景噪声,而且同时最大限度地保留了近红外图像的边缘和细节信息,提升了近红外图像的质量。
实施例二
图2为本发明实施例二提供的近红外图像的去噪方法的流程图,实施例二在实施例一的基础上,对多种空域滤波器的组合及利用多种空域滤波器的组合对目标图像进行去噪处理的操作进行进一步说明。
在本实施例二中,多种空域滤波器的组合优选包括区域滤波器、双边滤波器和线条滤波器三种滤波器的组合。需要说明的是,本发明实施例并不对上述三种滤波器组合的顺序做任何限定。
优选的,如图2所示,本发明实施例二的方法具体包括:
S201、对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像。
S202、利用区域滤波器对目标图像进行滤波,得到第一目标图像。
具体的,在一种实施方式中,可以将目标图像的每个像素点作为中心像素点,并基于区域滤波器模板依次对每个中心像素点执行如下操作以进行区域滤波:
计算当前中心像素点邻域内全部像素点各自的灰度值与当前中心像素点的差值;
比较所述差值与第二预设阈值的大小,并将差值小于第二预设阈值的像素点作为当前中心像素点的有效像素点;
计算当前中心像素点邻域内全部有效像素点灰度值的平均值,将该平均值替代当前中心像素点的灰度值。
其中,区域滤波器模板可以根据需要选取,例如,可以选取为3×3模板,优选的,在本实施例中选取11×11模板。然后,根据该模板,从目标图像的第一个像素点开始,遍历目标图像中全部像素点,以执行上述各步骤。
接下来以目标图像中第6行第6个像素点作为当前中心像素点为例进行说明。根据11×11模板,当前中心像素点邻域内的全部像素点分别为图像中第1-5行各自的第1-11个像素点,图像中第7-11行各自的第1-11个像素点,图像中第6行第1-5、7-11个像素点,共120个像素点。计算当前中心像素点邻域内全部120个像素点各自的灰度值与当前中心像素点的差值,得到120个差值,比较这120个差值与第二预设阈值的大小,并将差值小于第二预设阈值的像素点作为当前中心像素点的有效像素点,否则为无效像素点。其中,第二预设阈值可以根据需要设置,例如可以设置为15。然后,计算当前中心像素点邻域内全部有效像素点灰度值的平均值,将该平均值替代当前中心像素点的灰度值。
遍历目标图像中全部像素点,将每个中心像素点邻域内全部有效像素点灰度值的平均值替代对应的中心像素点的灰度值,从而完成区域滤波,得到第一目标图像。
这里需要说明的是,在目标图像中,根据区域滤波器模板,外围的各像素点邻域内存在空像素点的情况,这时,可以将对应的外围像素点邻域内非空像素点的灰度值随机赋值给这些空像素点,并按照上述操作进行计算和处理。
通过上述操作,区域滤波实现对图像中的平坦区域进行平滑处理,其中,有效像素点的判断避免了对纹理部分的平滑处理。
此外,利用区域滤波器对目标图像进行滤波还包括:计算目标图像的每个中心像素点的有效像素比例系数r,其中,有效像素比例系数r为每个中心像素点邻域内全部有效像素点的个数与该中心像素点邻域内全部像素点的个数的比值。该有效像素比例系数用于接下来的双边滤波,详见接下来对S203的描述。
S203、利用双边滤波器对第一目标图像进行滤波,得到第二目标图像。
具体的,在一种实施方式中,S203包括:
根据区域滤波器模板和有效像素比例系数,获取双边滤波器模板、距离参数和灰度参数;
根据双边滤波器模板、距离参数和灰度参数,按照双边滤波器公式计算第一目标图像中每个像素点的灰度值,得到第二目标图像。
双边滤波器公式为:
其中,(i,j)表示待处理的中心像素点;(k,l)表示中心像素点邻域内的像素点;g(i,j)表示中心像素点的灰度值;f(k,l)表示中心像素点邻域内的像素点灰度值;w是权重系数;σd是距离参数;σr是灰度参数。
其中,距离参数和灰度参数作为双边滤波器公式中的两个滤波参数,通常分别选取固定值5和20。而在本实施例中,利用有效像素比例系数自适应生成这两个参数,而不是选取固定值,同时自适应生成双边滤波器模板。具体的,根据区域滤波器的11×11模板和计算得到的有效像素比例系数r,获取双边滤波器模板为11*r×11*r(11*r取整数)模板,距离参数为5*r,灰度参数为20*r。这种基于有效像素比例系数r自适应生成双边滤波器中的参数和模板的方法,将区域滤波和双边滤波两个过程紧密地结合,利用区域滤波的统计结果修正双边滤波的滤波参数,从而可以提升整个算法对各类图像处理的适应性。
通过上述操作,双边滤波主要使图像中的纹理区域和图像线条的边界更加清晰,同时使其周围的平坦区域更加平滑。
S204、利用线条滤波器对第二目标图像进行滤波,得到第三目标图像,第三目标图像为所述待处理的近红外图像的去噪结果图像。
具体的,在一种实施方式中,可以将第二目标图像的每个像素点作为中心像素点,并基于线条滤波器模板依次对每个中心像素点执行如下操作:
计算当前中心像素点在线条滤波器模板中水平方向、竖直方向、左对角方向、右对角方向上全部像素点灰度值的方差值,分别得到第一方差值、第二方差值、第三方差值和第四方差值;
比较第一方差值、第二方差值、第三方差值和第四方差值的大小,计算方差值最小的方向上全部像素点灰度值的平均值,将该平均值替代当前中心像素点的灰度值。
其中,线条滤波模板可以根据需要选取,例如,可以选取为3×3模板。然后,根据该模板,从第二目标图像的第一个像素点开始,遍历图像中全部像素点,以执行上述各步骤。
这里需要说明的是,在第二目标图像中,根据线条滤波器模板,外围的各像素点邻域内存在空像素点的情况,这时,可以将对应的外围像素点邻域内非空像素点的灰度值随机赋值给这些空像素点,并按照上述操作进行计算和处理。
接下来结合图3,以目标图像中第2行第2个像素点作为当前中心像素点为例进行说明。如图3所示,9个方形的组合表示3×3模板,在图a-d中,标有斜线的方形表示中心像素点在3×3模板中的水平方向、竖直方向、左对角方向和右对角方向上的全部像素点,分别计算上述4个方向上全部像素点灰度值的方差值,分别得到第一方差值、第二方差值、第三方差值和第四方差值,比较第一方差值、第二方差值、第三方差值和第四方差值的大小,计算方差值最小的方向上全部像素点灰度值的平均值,将该平均值替代当前中心像素点的灰度值。
遍历第二目标图像中全部像素点,计算每个中心像素点在模板中4个方向上全部像素点灰度值的方差值,并将方差值中最小的方向上全部像素点灰度值的平均值替代对应的中心像素点的灰度值,则完成对第二目标图像的线条滤波,得到第三目标图像,该第三目标图像即为待处理的近红外图像的去噪结果图像。
优选的,在得到去噪结果图像之后,本发明实施例的近红外图像的去噪方法还包括:对去噪结果图像进行拉普拉斯变换处理,得到去噪结果增强图像,使得最终得到的近红外图像更加清晰。
具体的,可以根据如图4所示的拉普帕斯变换模板,对去噪结果图像中的每个像素点进行拉普帕斯变换,通过卷积运算计算得到每个像素点对应的拉普帕斯变换后的灰度值,然后,将去噪结果图像中每个像素点的灰度值与每个像素点对应的拉普帕斯变换后的灰度值相加,并将相加后得到的和值分别作为对应像素点的新灰度值,得到去噪结果增强图像。
本发明实施例利用区域滤波器、双边滤波器和线条滤波器三种滤波器的组合,依次对坏点处理后的近红外图像进行滤波处理,三种滤波器紧密结合,从不同角度有效地去除了近红外图像的噪声,相互之间弥补了不同滤波器的不足,没有增加运算量,同时最大限度地保留了近红外图像的边缘和细节信息,最后通过拉普拉斯变换对图像进行增强处理,提升了近红外图像的质量。
实施例三
图5是本发明实施例三中的近红外图像的去噪装置的结构示意图,应用于去除近红外图像的噪声。如图5所示,本发明实施例三的近红外图像的去噪装置1包括坏点识别模块10和去噪模块11。
其中,坏点识别模块10,用于对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像。
具体的,坏点识别模块10包括:
第一均值计算单元,用于将待处理的近红外图像的每个像素点作为中心像素点,并基于坏点识别模板,计算每个中心像素点邻域内全部像素点灰度值的平均值;
第一差值计算单元,用于计算每个中心像素点的灰度值与对应的平均值的差值;
第一比较单元,用于比较差值与第一预设阈值的大小,并将差值大于第一预设阈值时对应的中心像素点作为坏点;
第一替代单元,用于将作为坏点的中心像素点对应的平均值替代该中心像素点的灰度值。
去噪模块11,用于利用多种空域滤波器的组合对目标图像进行去噪处理。
具体的,空域滤波器虽然因采用加权平均的处理方式而容易丢失邻域内部的细节信息,造成图像去噪不准确的问题,但是,不同的空域滤波器对图像去噪的侧重点和效果均不同,若采用多种空域滤波器的组合对图像去噪,则不同的空域滤波器之间可以弥补各自丢失邻域内细节信息的不足,各种不同的空域滤波器相互结合、相互补充,实现对近红外图像中不同角度的去噪效果,同时,也无需增加运算量。
因此,本发明实施例通过坏点识别模块10对待处理的近红外图像就进行坏点处理,并基于坏点处理后的图像,由去噪模块11利用多种空域滤波器的组合对该图像进行去噪处理,不仅有效地抑制了近红外图像的背景噪声,而且同时最大限度地保留了近红外图像的边缘和细节信息,提升了近红外图像的质量。
实施例四
图6是本发明实施例四中的近红外图像的去噪装置的结构示意图,应用于去除近红外图像的噪声。实施例四在实施例三的基础上,对去噪模块11进行进一步说明。如图6所示,本发明实施例四的近红外图像的去噪装置1具体包括:
坏点识别模块10,用于对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像;
去噪模块11,用于利用多种空域滤波器的组合对目标图像进行去噪处理。
在本实施例中,多种空域滤波器的组合优选包括区域滤波器、双边滤波器和线条滤波器三种滤波器的组合。需要说明的是,本发明实施例并不对上述三种滤波器组合的顺序做任何限定。
优选的,去噪模块11包括:
区域滤波子模块110,用于利用区域滤波器对目标图像进行滤波,得到第一目标图像;
双边滤波子模块111,用于利用双边滤波器对第一目标图像进行滤波,得到第二目标图像;
线条滤波子模块112,用于利用线条滤波器对第二目标图像进行滤波,得到第三目标图像,第三目标图像为待处理的近红外图像的去噪结果图像。
具体而言,区域滤波子模块110包括:
第二差值计算单元,用于将目标图像的每个像素点作为中心像素点,并基于区域滤波器模板,计算每个中心像素点邻域内全部像素点各自的灰度值与当前中心像素点的差值;
第二比较单元,用于比较所述差值计算单元计算得到的差值与第二预设阈值的大小,并将差值小于第二预设阈值的像素点作为每个中心像素点的有效像素点;
第二均值计算单元,用于计算第二比较单元得到的每个中心像素点邻域内全部有效像素点灰度值的平均值;
第二替代单元,用于将第二均值计算单元计算得到的平均值替代对应的中心像素点的灰度值。
此外,区域滤波子模块110还包括有效像素比例系数计算单元,用于计算目标图像的每个中心像素点的有效像素比例系数,其中,有效像素比例系数为每个中心像素点邻域内全部有效像素点的个数与该中心像素点邻域内全部像素点的个数的比值。
相应的,双边滤波子模块111包括:
双边滤波模板和参数获取单元,用于根据区域滤波器模板和有效像素比例系数,获取双边滤波器模板、距离参数和灰度参数;
公式计算单元,用于根据双边滤波器模板、距离参数和灰度参数,按照双边滤波器公式计算第一目标图像中每个中心像素点的灰度值,得到第二目标图像。
线条滤波子模块112具体包括:
方差计算单元,用于将第二目标图像的每个像素点作为中心像素点,并基于线条滤波器模板,计算每个中心像素点在线条滤波器模板中水平方向、竖直方向、左对角方向、右对角方向上全部像素点灰度值的方差值,分别得到第一方差值、第二方差值、第三方差值和第四方差值;
第三比较单元,用于比较方差计算单元计算得到的第一方差值、第二方差值、第三方差值和第四方差值的大小;
第三均值计算单元,用于计算第三比较单元得到的方差值最小的方向上全部像素点灰度值的平均值;
第三替代单元,用于将第三均值计算单元计算得到的平均值替代对应的中心像素点的灰度值。
优选的,本发明实施例的近红外图像的去噪装置还包括:
图像增强模块,用于对去噪结果图像进行拉普拉斯变换处理,得到去噪结果增强图像。
本发明实施例通过区域滤波子模块、双边滤波子模块和线条滤波子模块,分别利用区域滤波器、双边滤波器和线条滤波器三种滤波器的组合,依次对坏点处理后的近红外图像进行滤波处理,三种滤波器紧密结合,从不同角度有效地去除了近红外图像的噪声,相互之间弥补了不同滤波器的不足,没有增加运算量,同时最大限度地保留了近红外图像的边缘和细节信息,最后通过拉普拉斯变换对图像进行增强处理,提升了近红外图像的质量。
本发明实施例提供的近红外图像的去噪装置可执行本发明任意实施例提供的近红外图像的去噪方法,具备执行方法相应的功能模块和有益效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (16)
1.一种近红外图像的去噪方法,其特征在于,包括:
对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像;
利用多种空域滤波器的组合对目标图像进行去噪处理。
2.根据权利要求1所述的方法,其特征在于,所述对待处理的近红外图像进行坏点识别,并去除识别出的坏点包括:
将待处理的近红外图像的每个像素点作为中心像素点,并基于坏点识别模板依次对每个中心像素点执行如下操作:
计算当前中心像素点邻域内全部像素点灰度值的平均值;
计算当前中心像素点的灰度值与所述平均值的差值;
比较所述差值与第一预设阈值的大小,并将所述差值大于第一预设阈值时对应的中心像素点作为坏点;
将作为坏点的中心像素点对应的平均值替代该中心像素点的灰度值。
3.根据权利要求1所述的方法,其特征在于,所述多种空域滤波器的组合包括区域滤波器、双边滤波器和线条滤波器三种滤波器的组合。
4.根据权利要求3所述的方法,其特征在于,所述利用多种空域滤波器的组合对目标图像进行去噪处理包括:
利用区域滤波器对目标图像进行滤波,得到第一目标图像;
利用双边滤波器对第一目标图像进行滤波,得到第二目标图像;
利用线条滤波器对第二目标图像进行滤波,得到第三目标图像,第三目标图像为所述待处理的近红外图像的去噪结果图像。
5.根据权利要求4所述的方法,其特征在于,所述利用区域滤波器对目标图像进行滤波包括:
将目标图像的每个像素点作为中心像素点,并基于区域滤波器模板依次对每个中心像素点执行如下操作:
计算当前中心像素点邻域内全部像素点各自的灰度值与当前中心像素点的差值;
比较所述差值与第二预设阈值的大小,并将差值小于第二预设阈值的像素点作为当前中心像素点的有效像素点;
计算当前中心像素点邻域内全部有效像素点灰度值的平均值,将所述平均值替代当前中心像素点的灰度值。
6.根据权利要求5所述的方法,其特征在于,
所述利用区域滤波器对目标图像进行滤波还包括:
计算目标图像的每个中心像素点的有效像素比例系数,其中,有效像素比例系数为每个中心像素点邻域内全部有效像素点的个数与该中心像素点邻域内全部像素点的个数的比值;
相应的,所述利用双边滤波器对第一目标图像进行滤波包括:
根据所述区域滤波器模板和所述有效像素比例系数,获取双边滤波器模板、距离参数和灰度参数;
根据所述双边滤波器模板、距离参数和灰度参数,按照双边滤波器公式计算第一目标图像中每个中心像素点的灰度值,得到第二目标图像。
7.根据权利要求6所述的方法,其特征在于,利用线条滤波器对第二目标图像进行滤波包括:
将第二目标图像的每个像素点作为中心像素点,并基于线条滤波器模板依次对每个中心像素点执行如下操作:
计算当前中心像素点在线条滤波器模板中水平方向、竖直方向、左对角方向和右对角方向上全部像素点灰度值的方差值,分别得到第一方差值、第二方差值、第三方差值和第四方差值;
比较第一方差值、第二方差值、第三方差值和第四方差值的大小,计算方差值最小的方向上全部像素点灰度值的平均值,将所述平均值替代当前中心像素点的灰度值。
8.根据权利要求4所述的方法,其特征在于,在得到所述去噪结果图像之后,所述方法还包括:
对所述去噪结果图像进行拉普拉斯变换处理,得到去噪结果增强图像。
9.一种近红外图像的去噪装置,其特征在于,包括:
坏点识别模块,用于对待处理的近红外图像进行坏点识别,并去除识别出的坏点,得到目标图像;
去噪模块,用于利用多种空域滤波器的组合对目标图像进行去噪处理。
10.根据权利要求9所述的装置,其特征在于,所述坏点识别模块包括:
第一均值计算单元,用于将待处理的近红外图像的每个像素点作为中心像素点,并基于坏点识别模板,计算每个中心像素点邻域内全部像素点灰度值的平均值;
第一差值计算单元,用于计算每个中心像素点的灰度值与对应的所述平均值的差值;
第一比较单元,用于比较所述差值与第一预设阈值的大小,并将所述差值大于第一预设阈值时对应的中心像素点作为坏点;
第一替代单元,用于将作为坏点的中心像素点对应的平均值替代该中心像素点的灰度值。
11.根据权利要求9所述的装置,其特征在于,所述多种空域滤波器的组合包括区域滤波器、双边滤波器和线条滤波器三种滤波器的组合。
12.根据权利要求11所述的装置,其特征在于,所述去噪模块包括:
区域滤波子模块,用于利用区域滤波器对目标图像进行滤波,得到第一目标图像;
双边滤波子模块,用于利用双边滤波器对第一目标图像进行滤波,得到第二目标图像;
线条滤波子模块,用于利用线条滤波器对第二目标图像进行滤波,得到第三目标图像,第三目标图像为所述待处理的近红外图像的去噪结果图像。
13.根据权利要求12所述的装置,其特征在于,所述区域滤波子模块包括:
第二差值计算单元,用于将目标图像的每个像素点作为中心像素点,并基于区域滤波器模板,计算每个中心像素点邻域内全部像素点各自的灰度值与当前中心像素点的差值;
第二比较单元,用于比较所述差值计算单元计算得到的差值与第二预设阈值的大小,并将差值小于第二预设阈值的像素点作为每个中心像素点的有效像素点;
第二均值计算单元,用于计算第二比较单元得到的每个中心像素点邻域内全部有效像素点灰度值的平均值;
第二替代单元,用于将所述第二均值计算单元计算得到的平均值替代对应的中心像素点的灰度值。
14.根据权利要求13所述的装置,其特征在于,
所述区域滤波子模块还包括有效像素比例系数计算单元,用于计算目标图像的每个中心像素点的有效像素比例系数,其中,有效像素比例系数为每个中心像素点邻域内全部有效像素点的个数与该中心像素点邻域内全部像素点的个数的比值;
相应的,所述双边滤波子模块包括:
双边滤波模板和参数获取单元,用于根据所述区域滤波器模板和所述有效像素比例系数,获取双边滤波器模板、距离参数和灰度参数;
公式计算单元,用于根据所述双边滤波器模板、距离参数和灰度参数,按照双边滤波器公式计算第一目标图像中每个中心像素点的灰度值,得到第二目标图像。
15.根据权利要求14所述的装置,其特征在于,所述线条滤波子模块包括:
方差计算单元,用于将第二目标图像的每个像素点作为中心像素点,并基于线条滤波器模板,计算每个中心像素点在线条滤波器模板中水平方向、竖直方向、左对角方向、右对角方向上全部像素点灰度值的方差值,分别得到第一方差值、第二方差值、第三方差值和第四方差值;
第三比较单元,用于比较所述方差计算单元计算得到的第一方差值、第二方差值、第三方差值和第四方差值的大小;
第三均值计算单元,用于计算第三比较单元得到的方差值最小的方向上全部像素点灰度值的平均值;
第三替代单元,用于将所述第三均值计算单元计算得到的平均值替代对应的中心像素点的灰度值。
16.根据权利要求12所述的装置,其特征在于,所述装置还包括:
图像增强模块,用于对所述去噪结果图像进行拉普拉斯变换处理,得到去噪结果增强图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710062629.2A CN106815821B (zh) | 2017-01-23 | 2017-01-23 | 近红外图像的去噪方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710062629.2A CN106815821B (zh) | 2017-01-23 | 2017-01-23 | 近红外图像的去噪方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106815821A true CN106815821A (zh) | 2017-06-09 |
CN106815821B CN106815821B (zh) | 2020-08-28 |
Family
ID=59111717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710062629.2A Active CN106815821B (zh) | 2017-01-23 | 2017-01-23 | 近红外图像的去噪方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106815821B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828770A (zh) * | 2018-06-05 | 2018-11-16 | 广东欧谱曼迪科技有限公司 | 一种适用于近红外成像的背景光消除方法及系统 |
CN108985273A (zh) * | 2018-08-18 | 2018-12-11 | 明超 | 幼儿体形云平台识别方法 |
CN109035457A (zh) * | 2018-07-10 | 2018-12-18 | 王刚 | 自动式汽车通行收费平台 |
CN109714521A (zh) * | 2018-08-20 | 2019-05-03 | 张利军 | 会议场所现场登记平台 |
CN110035281A (zh) * | 2019-04-29 | 2019-07-19 | 昆山丘钛微电子科技有限公司 | 一种坏点检测方法、装置及电子设备 |
CN110351482A (zh) * | 2019-06-25 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 图像预处理装置、方法和一种相机 |
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN111242884A (zh) * | 2018-11-12 | 2020-06-05 | 展讯通信(上海)有限公司 | 图像坏点检测、校正方法及装置、存储介质、摄像设备 |
CN111476750A (zh) * | 2019-01-04 | 2020-07-31 | 宁波舜宇光电信息有限公司 | 对成像模组进行污点检测的方法、装置、系统及存储介质 |
CN111563869A (zh) * | 2019-01-25 | 2020-08-21 | 宁波舜宇光电信息有限公司 | 用于摄像模组质检的污点测试方法 |
CN112419228A (zh) * | 2020-10-14 | 2021-02-26 | 惠州高视科技有限公司 | 盖板立体边缘缺陷的检测方法及装置 |
CN113497934A (zh) * | 2021-05-17 | 2021-10-12 | 南京威派视半导体技术有限公司 | 一种图像传感器坏点检测及校正方法 |
CN114970705A (zh) * | 2022-05-20 | 2022-08-30 | 深圳市有一说一科技有限公司 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006056650A1 (de) * | 2006-12-11 | 2008-04-17 | Siemens Ag | Verfahren zur bilateralen Filterung digitaler Bilddaten |
US20090034865A1 (en) * | 2007-08-01 | 2009-02-05 | Porikli Fatih M | Method for Filtering Images with Bilateral Filters |
CN101459766A (zh) * | 2007-12-10 | 2009-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与噪声抑制的方法及其装置 |
CN101860667A (zh) * | 2010-05-06 | 2010-10-13 | 中国科学院西安光学精密机械研究所 | 一种快速去除图像中混合噪声的方法 |
US20110115815A1 (en) * | 2009-11-18 | 2011-05-19 | Xinyu Xu | Methods and Systems for Image Enhancement |
CN102170520A (zh) * | 2011-04-29 | 2011-08-31 | 杭州海康威视软件有限公司 | 级联滤波器及其标定去噪强度的动态设定方法 |
CN102521800A (zh) * | 2011-11-23 | 2012-06-27 | 重庆工业职业技术学院 | 一种针对多模图像的去噪及锐化方法 |
CN102750671A (zh) * | 2011-09-28 | 2012-10-24 | 新奥特(北京)视频技术有限公司 | 一种图像彩色噪声去除方法 |
CN102938824A (zh) * | 2012-06-05 | 2013-02-20 | 李英明 | 一种基于改进的自适应双边滤波的视频去噪方法 |
CN103413276A (zh) * | 2013-08-07 | 2013-11-27 | 清华大学深圳研究生院 | 一种基于纹理分布特征的深度增强方法 |
CN103971345A (zh) * | 2014-05-27 | 2014-08-06 | 上海电力学院 | 一种基于改进双边滤波的图像去噪方法 |
CN104867122A (zh) * | 2015-05-29 | 2015-08-26 | 北京理工大学 | 一种红外自适应非均匀性校正及细节增强级联处理方法 |
CN105574829A (zh) * | 2016-01-13 | 2016-05-11 | 合肥工业大学 | 针对极化sar图像的自适应双边滤波算法 |
CN106156726A (zh) * | 2016-06-20 | 2016-11-23 | 比亚迪股份有限公司 | 指纹图像的增强方法和装置 |
US20170011497A1 (en) * | 2015-07-08 | 2017-01-12 | National Taiwan University | Bilateral filter and a method thereof |
-
2017
- 2017-01-23 CN CN201710062629.2A patent/CN106815821B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006056650A1 (de) * | 2006-12-11 | 2008-04-17 | Siemens Ag | Verfahren zur bilateralen Filterung digitaler Bilddaten |
US20090034865A1 (en) * | 2007-08-01 | 2009-02-05 | Porikli Fatih M | Method for Filtering Images with Bilateral Filters |
CN101459766A (zh) * | 2007-12-10 | 2009-06-17 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增强与噪声抑制的方法及其装置 |
US20110115815A1 (en) * | 2009-11-18 | 2011-05-19 | Xinyu Xu | Methods and Systems for Image Enhancement |
CN101860667A (zh) * | 2010-05-06 | 2010-10-13 | 中国科学院西安光学精密机械研究所 | 一种快速去除图像中混合噪声的方法 |
CN102170520A (zh) * | 2011-04-29 | 2011-08-31 | 杭州海康威视软件有限公司 | 级联滤波器及其标定去噪强度的动态设定方法 |
CN102750671A (zh) * | 2011-09-28 | 2012-10-24 | 新奥特(北京)视频技术有限公司 | 一种图像彩色噪声去除方法 |
CN102521800A (zh) * | 2011-11-23 | 2012-06-27 | 重庆工业职业技术学院 | 一种针对多模图像的去噪及锐化方法 |
CN102938824A (zh) * | 2012-06-05 | 2013-02-20 | 李英明 | 一种基于改进的自适应双边滤波的视频去噪方法 |
CN103413276A (zh) * | 2013-08-07 | 2013-11-27 | 清华大学深圳研究生院 | 一种基于纹理分布特征的深度增强方法 |
CN103971345A (zh) * | 2014-05-27 | 2014-08-06 | 上海电力学院 | 一种基于改进双边滤波的图像去噪方法 |
CN104867122A (zh) * | 2015-05-29 | 2015-08-26 | 北京理工大学 | 一种红外自适应非均匀性校正及细节增强级联处理方法 |
US20170011497A1 (en) * | 2015-07-08 | 2017-01-12 | National Taiwan University | Bilateral filter and a method thereof |
CN105574829A (zh) * | 2016-01-13 | 2016-05-11 | 合肥工业大学 | 针对极化sar图像的自适应双边滤波算法 |
CN106156726A (zh) * | 2016-06-20 | 2016-11-23 | 比亚迪股份有限公司 | 指纹图像的增强方法和装置 |
Non-Patent Citations (4)
Title |
---|
CHANGZHEN XIONG ET AL: "An Adaptive Bilateral Filtering Algorithm and its Application in Edge Detection", 《2010 INTERNATIONAL CONFERENCE ON MEASURING TECHNOLOGY AND MECHATRONICS AUTOMATION》 * |
G.SANTHANAMARI ET AL: "Adaptive bilateral filter and Bayesian threshold based image denoising", 《2010 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMPUTING RESEARCH》 * |
余博等: "红外图像的自适应混合双边滤波算法", 《红外与激光工程》 * |
王朋等: "基于灰度差值的均值滤波算法及其在AXI中的应用", 《电子工艺技术》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828770A (zh) * | 2018-06-05 | 2018-11-16 | 广东欧谱曼迪科技有限公司 | 一种适用于近红外成像的背景光消除方法及系统 |
CN108828770B (zh) * | 2018-06-05 | 2024-02-23 | 广东欧谱曼迪科技有限公司 | 一种适用于近红外成像的背景光消除方法及系统 |
CN109035457A (zh) * | 2018-07-10 | 2018-12-18 | 王刚 | 自动式汽车通行收费平台 |
CN108985273A (zh) * | 2018-08-18 | 2018-12-11 | 明超 | 幼儿体形云平台识别方法 |
CN109714521A (zh) * | 2018-08-20 | 2019-05-03 | 张利军 | 会议场所现场登记平台 |
CN109714521B (zh) * | 2018-08-20 | 2020-11-03 | 浙江禾记电子科技有限公司 | 会议场所现场登记平台 |
CN111242884B (zh) * | 2018-11-12 | 2022-07-15 | 展讯通信(上海)有限公司 | 图像坏点检测、校正方法及装置、存储介质、摄像设备 |
CN111242884A (zh) * | 2018-11-12 | 2020-06-05 | 展讯通信(上海)有限公司 | 图像坏点检测、校正方法及装置、存储介质、摄像设备 |
CN111476750B (zh) * | 2019-01-04 | 2023-09-26 | 宁波舜宇光电信息有限公司 | 对成像模组进行污点检测的方法、装置、系统及存储介质 |
CN111476750A (zh) * | 2019-01-04 | 2020-07-31 | 宁波舜宇光电信息有限公司 | 对成像模组进行污点检测的方法、装置、系统及存储介质 |
CN111563869A (zh) * | 2019-01-25 | 2020-08-21 | 宁波舜宇光电信息有限公司 | 用于摄像模组质检的污点测试方法 |
CN110035281A (zh) * | 2019-04-29 | 2019-07-19 | 昆山丘钛微电子科技有限公司 | 一种坏点检测方法、装置及电子设备 |
CN110351482A (zh) * | 2019-06-25 | 2019-10-18 | 杭州汇萃智能科技有限公司 | 图像预处理装置、方法和一种相机 |
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN112419228A (zh) * | 2020-10-14 | 2021-02-26 | 惠州高视科技有限公司 | 盖板立体边缘缺陷的检测方法及装置 |
CN113497934A (zh) * | 2021-05-17 | 2021-10-12 | 南京威派视半导体技术有限公司 | 一种图像传感器坏点检测及校正方法 |
CN114970705A (zh) * | 2022-05-20 | 2022-08-30 | 深圳市有一说一科技有限公司 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
CN114970705B (zh) * | 2022-05-20 | 2024-05-07 | 深圳市有一说一科技有限公司 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106815821B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106815821A (zh) | 近红外图像的去噪方法和装置 | |
CN111402146B (zh) | 图像处理方法以及图像处理装置 | |
KR102047855B1 (ko) | 디스플레이 패널 자동광학 탐지 중의 배경 억제 방법 및 탐지 장치 | |
CN111192226B (zh) | 一种图像融合去噪方法及装置、系统 | |
CN108765343A (zh) | 图像处理的方法、装置、终端及计算机可读存储介质 | |
CN105096280A (zh) | 处理图像噪声的方法及装置 | |
CN111260580B (zh) | 图像去噪方法、计算机装置及计算机可读存储介质 | |
CN104751416B (zh) | 一种图像去噪的方法、装置及图像处理系统 | |
CN107516302A (zh) | 一种基于OpenCV的混合图像增强的方法 | |
CN115689960A (zh) | 一种夜间场景下照度自适应的红外与可见光图像融合方法 | |
CN113379609B (zh) | 一种图像处理方法、存储介质及终端设备 | |
WO2022233252A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
CN106803236B (zh) | 基于模糊域奇异值分解的非均匀性校正方法 | |
CN108399617B (zh) | 一种动物健康状况的检测方法和装置 | |
CN110675332A (zh) | 一种金属腐蚀图像质量的增强方法 | |
CN107491714A (zh) | 智能机器人及其目标物体识别方法和装置 | |
CN109754372A (zh) | 一种图像去雾处理方法及装置 | |
CN111353982B (zh) | 一种深度相机图像序列筛选方法及装置 | |
CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
CN103595933A (zh) | 一种图像的降噪方法 | |
CN111563866A (zh) | 一种多源遥感图像融合方法 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
WO2020051897A1 (zh) | 图像融合方法、系统、电子设备和计算机可读介质 | |
CN107301625B (zh) | 基于亮度融合网络的图像去雾方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210425 Address after: Room 403-406, 4th floor, building C6, Changsha Science and technology new town, No.77, South Dongliu Road, Changsha Economic and Technological Development Zone, Changsha, Hunan 410000 Patentee after: Hunan Xingxin Microelectronics Technology Co.,Ltd. Address before: 201900 4403-K room, No. 1325, Mudanjiang Road, Shanghai, Baoshan District Patentee before: X CHIP MICROELECTRONICS TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |