CN108550119A - 一种结合边缘信息的图像去噪方法 - Google Patents
一种结合边缘信息的图像去噪方法 Download PDFInfo
- Publication number
- CN108550119A CN108550119A CN201810262921.3A CN201810262921A CN108550119A CN 108550119 A CN108550119 A CN 108550119A CN 201810262921 A CN201810262921 A CN 201810262921A CN 108550119 A CN108550119 A CN 108550119A
- Authority
- CN
- China
- Prior art keywords
- image
- denoising
- edge
- result
- obtains
- 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 45
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 230000004438 eyesight Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种结合边缘信息的图像去噪方法,包括以下步骤:步骤S1:对噪声图像采用加噪标准差σ作为去噪参数进行去噪,获得第一去噪结果;步骤S2:对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数进行去噪,获得第二去噪结果;步骤S3:对第一去噪结果计算图像边缘信息,得到边缘图像;步骤S4:对边缘图像进行膨胀操作,得到膨胀后的边缘图像;步骤S5:采用膨胀后的边缘图像作为权重图,将第一去噪结果与第二去噪结果相结合,获得最终的去噪结果。该方法有利于提高图像去噪方法的性能,可应用于图像和视频处理、计算机视觉等领域。
Description
技术领域
本发明涉及图像和视频处理以及计算机视觉领域,特别是一种结合边缘信息的图像去噪方法。
背景技术
图像去噪是数字图像处理中的一个重要课题。图像噪声不仅对人类视觉感知上造成影响,还对图像的后续处理造成干扰,如图像显著性检测、图像分割、图像识别等。图像去噪的目的是将噪声从噪声图像中分离,使恢复的图像尽可能的接近原始图像。常见的高斯白噪声图像一般为以下形式:
y=x+n
其中,y为噪声图像,x为原始图像,n为高斯白噪声。
图像去噪作为一个重要的课题,吸引众多学者研究探索。经过多年的研究,有众多去噪算法相继被提出。Buades等人提出一种非局部均值去噪方法(NLM),该方法是通过利用图像的冗余信息去噪,对待去噪的像素搜索其相似的像素,待去噪像素的估计值由其相似像素加权平均得到。NLM方法虽然能够得到比较好的去噪效果,但也丢失很多原始图像的信息。同样利用图像冗余特性,Dabov等人提出一种基于块匹配的三维联合滤波去噪方法(BM3D)。与上述方法只利用原始图像内部信息进行去噪不同,研究者们发现利用外部干净图像或图像区域的信息能够更好的保留图像的细节,一些研究者提出结合内部和外部去噪的方法。Mosseri等人提出的方法基于NLM方法,但与NLM方法不同,该方法在搜索相似图像块时选择两种策略,一是在噪声图像内部搜索,二是在外部图像数据库中搜索,然后将这两种搜索策略得到的去噪结果相结合,得到最终的去噪结果。但这种外部去噪方法,耗费代价大,同时对于其搜索相似块的外部数据库有一定的先验要求。Yue等人利用图割匹配的方式进行外部去噪。该方法在外部数据库中搜寻匹配图(拥有与噪声图像相同场景不同视角的高清图像)。同时,该方法在找不到匹配图时,采用BM3D方法进行去噪代替外部数据库的匹配图。这种去噪方法对外部数据库的图像要求高,适用范围较窄。Xu等人利用高斯混合模型学习算法从自然图像中学习非局部自相似性先验,提出基于块组的先验去噪算法。
发明内容
本发明的目的在于提供一种结合边缘信息的图像去噪方法,该方法有利于提高图像去噪方法的性能。
为实现上述目的,本发明采用的技术方案是:一种结合边缘信息的图像去噪方法,包括以下步骤:
步骤S1:对噪声图像采用加噪标准差σ作为去噪参数进行去噪,获得第一去噪结果;
步骤S2:对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数进行去噪,获得第二去噪结果;
步骤S3:对第一去噪结果计算图像边缘信息,得到边缘图像;
步骤S4:对边缘图像进行膨胀操作,得到膨胀后的边缘图像;
步骤S5:采用膨胀后的边缘图像作为权重图,将第一去噪结果与第二去噪结果相结合,获得最终的去噪结果。
进一步地,所述步骤S1中,对噪声图像采用加噪标准差σ作为去噪参数,采用基于图像块组先验去噪算法进行去噪,获得第一去噪结果。
进一步地,所述步骤S2中,对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数:当σ≤40时,r取值0.95;当40<σ≤60时,r取值0.8;当60<σ≤80时,r取值0.85;当σ>80时,r取值0.8;然后采用基于图像块组先验去噪算法进行去噪,获得第二去噪结果。
进一步地,所述步骤S3中,采用Canny边缘检测方法对第一去噪结果计算图像边缘信息,得到边缘图像。
进一步地,所述步骤S4中,采用大小为n×n的结构元素对边缘图像进行膨胀操作,得到膨胀后的边缘图像,计算公式如下:
(B)Z={c|c=b+z,b∈B}
其中,表示B对A的膨胀,A为边缘图像,B为结构元素,大小为n×n,(B)Z表示B中坐标点b=(x,y)用z=(zx,zy)平移(x+zx,y+zy)。
进一步地,所述步骤S5中,采用膨胀后的边缘图像作为权重图W,将第一去噪结果与第二去噪结果相结合,获得最终的去噪结果X,计算公式如下:
X=Fa×(1-W)+Fb×W
其中,Fa和Fb分别表示采用加噪标准差σ和r×σ作为去噪参数进行去噪的第一去噪结果和第二去噪结果。
相较于现有技术,本发明的有益效果是:本发明通过对去噪参数的设定,发现去噪参数与噪声图像噪声强度的关系,利用图像的区域特征对图像去噪处理的影响,计算图像边缘信息,提出一种结合边缘信息的图像去噪方法。该方法考虑了去噪方法中的去噪参数对图像的不同区域的影响,在已有的去噪方法基础上,通过图像边缘信息结合不同去噪参数的去噪结果,得到比原始方法保留更多细节的去噪结果,能够有效的提高图像去噪方法的性能,可广泛应用于图像和视频处理、计算机视觉等领域。
附图说明
图1是本发明方法的实现流程图。
图2是本发明实施例中各步骤的示例图片。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
本发明提供一种结合边缘信息的图像去噪方法,如图1、2所示,包括以下步骤:
步骤S1:对噪声图像采用加噪标准差σ作为去噪参数,在本实施例中,采用基于图像块组先验去噪算法(PGPD)进行去噪,获得第一去噪结果。本实施例中的原图、噪声图像和第一去噪结果分别如图2(a)、(b)、(c)所示。在本发明的其它实施例中,也可以采用基于块匹配的三维联合滤波去噪方法(BM3D)等其它图像去噪算法进行去噪。
步骤S2:对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数进行去噪,获得第二去噪结果。
在本实施例中,不同噪声幅度下噪声图像的去噪参数的取值方法如下:当σ≤40时,r取值0.95;当40<σ≤60时,r取值0.8;当60<σ≤80时,r取值0.85;当σ>80时,r取值0.8。然后采用基于图像块组先验去噪算法进行去噪,获得第二去噪结果(如图2(d))。在本发明的其它实施例中,也可以采用基于块匹配的三维联合滤波去噪方法(BM3D)等其它图像去噪算法进行去噪。
步骤S3:对第一去噪结果,采用Canny边缘检测方法,计算图像边缘信息,得到边缘图像(如图2(e))。
步骤S4:对边缘图像进行膨胀操作,得到膨胀后的边缘图像。
在本实施例中,采用大小为n×n的结构元素(当σ≤40时,n取值3,当σ>40时,n取值5)对边缘图像进行膨胀操作,得到膨胀后的边缘图像,计算公式如下:
(B)Z={c|c=b+z,b∈B}
其中,表示B对A的膨胀,A为边缘图像,B为结构元素,大小为n×n,(B)Z表示B中坐标点b=(x,y)用z=(zx,zy)平移(x+zx,y+zy)。
步骤S5:采用膨胀后的边缘图像作为权重图W(如图2(f)),将第一去噪结果与第二去噪结果相结合,获得最终的去噪结果X。具体的计算公式如下:
X=Fa×(1-W)+Fb×W
其中,Fa和Fb分别表示采用加噪标准差σ和r×σ作为去噪参数进行去噪的第一去噪结果和第二去噪结果。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种结合边缘信息的图像去噪方法,其特征在于,包括以下步骤:
步骤S1:对噪声图像采用加噪标准差σ作为去噪参数进行去噪,获得第一去噪结果;
步骤S2:对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数进行去噪,获得第二去噪结果;
步骤S3:对第一去噪结果计算图像边缘信息,得到边缘图像;
步骤S4:对边缘图像进行膨胀操作,得到膨胀后的边缘图像;
步骤S5:采用膨胀后的边缘图像作为权重图,将第一去噪结果与第二去噪结果相结合,获得最终的去噪结果。
2.根据权利要求1所述的一种结合边缘信息的图像去噪方法,其特征在于,所述步骤S1中,对噪声图像采用加噪标准差σ作为去噪参数,采用基于图像块组先验去噪算法进行去噪,获得第一去噪结果。
3.根据权利要求1所述的一种结合边缘信息的图像去噪方法,其特征在于,所述步骤S2中,对不同噪声幅度下的噪声图像采用不同缩小率缩小后的标准差r×σ作为去噪参数:当σ≤40时,r取值0.95;当40<σ≤60时,r取值0.8;当60<σ≤80时,r取值0.85;当σ>80时,r取值0.8;然后采用基于图像块组先验去噪算法进行去噪,获得第二去噪结果。
4.根据权利要求1所述的一种结合边缘信息的图像去噪方法,其特征在于,所述步骤S3中,采用Canny边缘检测方法对第一去噪结果计算图像边缘信息,得到边缘图像。
5.根据权利要求1所述的一种结合边缘信息的图像去噪方法,其特征在于,所述步骤S4中,采用大小为n×n的结构元素对边缘图像进行膨胀操作,得到膨胀后的边缘图像,计算公式如下:
(B)Z={c|c=b+z,b∈B}
其中,表示B对A的膨胀,A为边缘图像,B为结构元素,大小为n×n,(B)Z表示B中坐标点b=(x,y)用z=(zx,zy)平移(x+zx,y+zy)。
6.根据权利要求1所述的一种结合边缘信息的图像去噪方法,其特征在于,所述步骤S5中,采用膨胀后的边缘图像作为权重图W,将第一去噪结果与第二去噪结果相结合,获得最终的去噪结果X,计算公式如下:
X=Fa×(1-W)+Fb×W
其中,Fa和Fb分别表示采用加噪标准差σ和r×σ作为去噪参数进行去噪的第一去噪结果和第二去噪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810262921.3A CN108550119B (zh) | 2018-03-27 | 2018-03-27 | 一种结合边缘信息的图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810262921.3A CN108550119B (zh) | 2018-03-27 | 2018-03-27 | 一种结合边缘信息的图像去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108550119A true CN108550119A (zh) | 2018-09-18 |
CN108550119B CN108550119B (zh) | 2021-11-02 |
Family
ID=63517106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810262921.3A Expired - Fee Related CN108550119B (zh) | 2018-03-27 | 2018-03-27 | 一种结合边缘信息的图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108550119B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445424A (zh) * | 2019-07-23 | 2020-07-24 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
CN112927151A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101296312A (zh) * | 2007-04-26 | 2008-10-29 | 安冉 | 小波与小曲模糊自适应联合的图像去噪方法 |
US20090116762A1 (en) * | 2005-06-07 | 2009-05-07 | Shu Lin | Content-based gaussian noise reduction for still image, video and film |
CN102456221A (zh) * | 2010-10-25 | 2012-05-16 | 新奥特(北京)视频技术有限公司 | 一种图像噪声快速去除方法 |
US20120219215A1 (en) * | 2011-02-24 | 2012-08-30 | Foveon, Inc. | Methods for performing fast detail-preserving image filtering |
US20120308153A1 (en) * | 2011-06-03 | 2012-12-06 | Sunghyun Hwang | Device and method of removing noise in edge area |
CN103279931A (zh) * | 2013-06-03 | 2013-09-04 | 中国人民解放军国防科学技术大学 | 基于透射率的去雾图像去噪方法 |
CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
CN105913383A (zh) * | 2016-03-28 | 2016-08-31 | 河海大学常州校区 | 基于图像块先验估计混合框架的图像降噪方法 |
-
2018
- 2018-03-27 CN CN201810262921.3A patent/CN108550119B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090116762A1 (en) * | 2005-06-07 | 2009-05-07 | Shu Lin | Content-based gaussian noise reduction for still image, video and film |
CN101296312A (zh) * | 2007-04-26 | 2008-10-29 | 安冉 | 小波与小曲模糊自适应联合的图像去噪方法 |
CN102456221A (zh) * | 2010-10-25 | 2012-05-16 | 新奥特(北京)视频技术有限公司 | 一种图像噪声快速去除方法 |
US20120219215A1 (en) * | 2011-02-24 | 2012-08-30 | Foveon, Inc. | Methods for performing fast detail-preserving image filtering |
US20120308153A1 (en) * | 2011-06-03 | 2012-12-06 | Sunghyun Hwang | Device and method of removing noise in edge area |
CN103279931A (zh) * | 2013-06-03 | 2013-09-04 | 中国人民解放军国防科学技术大学 | 基于透射率的去雾图像去噪方法 |
CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
CN105913383A (zh) * | 2016-03-28 | 2016-08-31 | 河海大学常州校区 | 基于图像块先验估计混合框架的图像降噪方法 |
Non-Patent Citations (3)
Title |
---|
JIA-ZHEN WU, YONG-DONG HUANG: "《IMAGE DENOISING ALGORITHM BASED ON EDGE FEATURE EXTRACTION IN CURVELET DOMAIN》", 《IEEE,2012 INTERNATIONAL CONFERENCE ON WAVELET ANALYSIS AND PATTERN RECOGNITION》 * |
李淑国: "《非局部平均图像去噪算法研究》", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
邓阳阳: "《基于自适应高斯滤波的斑点噪声抑制研究》", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445424A (zh) * | 2019-07-23 | 2020-07-24 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
WO2021012965A1 (zh) * | 2019-07-23 | 2021-01-28 | 广州市百果园信息技术有限公司 | 图像处理和移动终端视频处理方法、装置、设备和介质 |
CN112927151A (zh) * | 2021-02-25 | 2021-06-08 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
CN112927151B (zh) * | 2021-02-25 | 2023-09-05 | 西安理工大学 | 一种基于边缘增强和卷积神经网络的图像去噪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108550119B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Depth image enhancement for Kinect using region growing and bilateral filter | |
CN103369209B (zh) | 视频降噪装置及方法 | |
WO2017084204A1 (zh) | 一种二维视频流中的人体骨骼点追踪方法及系统 | |
CN112184604B (zh) | 一种基于图像融合的彩色图像增强方法 | |
CN105913407B (zh) | 一种基于差值图对多聚焦度图像融合优化的方法 | |
CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
CN111160291B (zh) | 基于深度信息与cnn的人眼检测方法 | |
CN112712019B (zh) | 一种基于图卷积网络的三维人体姿态估计方法 | |
CN105550981A (zh) | 一种基于Lucas-Kanade算法的图像配准和拼接方法 | |
CN109598736A (zh) | 深度图像与彩色图像的配准方法及装置 | |
CN108550119A (zh) | 一种结合边缘信息的图像去噪方法 | |
CN107169932A (zh) | 一种适用于中子成像系统图像的基于高斯‑泊松混合噪声模型的图像复原方法 | |
CN109919832A (zh) | 一种用于无人驾驶的交通图像拼接方法 | |
CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
Hsu et al. | Object detection using structure-preserving wavelet pyramid reflection removal network | |
CN105528772B (zh) | 一种基于指导性滤波的图像融合方法 | |
CN111899200B (zh) | 一种基于3d滤波的红外图像增强方法 | |
CN106778789B (zh) | 一种多视点图像中的快速目标提取方法 | |
CN111161219B (zh) | 一种适用于阴影环境的鲁棒单目视觉slam方法 | |
CN106651798B (zh) | 一种有效的图像镜面反射移除方法 | |
CN111144203B (zh) | 一种基于深度学习的行人遮挡检测方法 | |
CN109165551B (zh) | 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法 | |
CN103632357B (zh) | 一种基于光照分离的图像超分辨率增强方法 | |
CN113487487B (zh) | 一种异构立体图像的超分辨率重建方法及系统 | |
CN106993186B (zh) | 一种立体图像显著性检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211102 |