CN108921170B - 一种有效的图像噪声检测和去噪方法及系统 - Google Patents

一种有效的图像噪声检测和去噪方法及系统 Download PDF

Info

Publication number
CN108921170B
CN108921170B CN201810640949.6A CN201810640949A CN108921170B CN 108921170 B CN108921170 B CN 108921170B CN 201810640949 A CN201810640949 A CN 201810640949A CN 108921170 B CN108921170 B CN 108921170B
Authority
CN
China
Prior art keywords
image
block
image block
coefficient
noise
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
Application number
CN201810640949.6A
Other languages
English (en)
Other versions
CN108921170A (zh
Inventor
伍世虔
吴家鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201810640949.6A priority Critical patent/CN108921170B/zh
Publication of CN108921170A publication Critical patent/CN108921170A/zh
Application granted granted Critical
Publication of CN108921170B publication Critical patent/CN108921170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明提供一种有效的图像噪声检测和去噪方法及系统，首先利用了峰度‑偏度检验的原理，在噪声图像中选取满足高斯分布的样本，接下来根据PCA原理求取噪声标准差，最后利用测量到的噪声标准差对含噪图像进行全新的非局部均值去噪。实验结果表明，本发明的检测方法比现有的方法测量精度更高，去噪效果比现有经典算法效果更好。本发明适用于自然数字图像，包括RGB图像和灰度图像。

Description

一种有效的图像噪声检测和去噪方法及系统
技术领域
本发明属于图像处理领域，具体涉及一种自然图像的噪声强度(标准差)检测和去除噪声的方法和系统。
技术背景
数字图像作为人类获取外部信息的重要载体，在人类的发展中起着重要的作用。在图像采集过程中，图像从摄像头的拍摄开始经历一系列复杂的过程，特别容易被噪声破坏，图像去噪是图像处理研究的重要领域。
从图像处理领域的发展历程看，国内外众多研究人员在图像去噪领域提出了许多有效的去噪方法。无论是从整体还是从局部进行去噪都需要有已知的图像噪声强度，即噪声标准差。但现实问题是，在我们获得图像时，噪声的强度是未知的，因此，如何确定图像的噪声标准差成为图像去噪的一个非常重要的先决条件。
噪声标准差测量准确与否会直接影响去噪的效果，精确估计噪声标准差的主要困难在于噪声污染图像的随机性。噪声检测作为图像处理的一个重要研究领域也取得了较好的效果，比如基于数学推导或准确的统计模型。然而，在低噪声强度和高噪声强度下，测量结果不够准确是一个普遍的问题，容易误导去噪方法，导致去噪效果不理想。
去噪方法比噪声检测更广泛，它从变换空间分为时域和频域，从像素级的处理角度出发，分为基于块、基于整个图像、基于图像集合等。去噪方法数不胜数，包括滤波器，平滑模板，系数收缩，迭代收敛，双域滤波等。除了少数一些基于盲图像去噪的方法外，其中大部分方法都是基于预先知道噪声标准差这个重要参数的，并且很多主流去噪算法诸如双边滤波(BF)、对数先验似然(EPLL)、非局部均值(NLM)，小波邻域去噪(BLS-GSM)等，这些算法要么去噪不干净，要么过度平滑图像，使图像很多重要信息丢失；还有去噪效果很好的经典算法如奇异值分解(K-SVD)，三维块匹配(BM3D)，非局部贝叶斯(NLB)等，但这些算法复杂度过高，运行效率低，且上述算法都把噪声标准差作为先验信息，这是不现实的。基于此，本发明提出了一种有效的噪声检测和去噪方法，该方法比上述很多优秀的算法具有优势，并且具有很强的鲁棒性。
发明内容
本发明旨在解决两个问题：a.对自然数字噪声图像进行准确的噪声标准差的测量；b.基于第一个问题，对自然数字噪声图像进行噪声的去除。
在此之前，要知道图像的噪声分布接近零均值的高斯分布，将选定图像块的像素值等同于一组样本值，本发明方法选取的样本值不包含图像的重要结构信息，仅为噪声，经特殊处理后满足高斯分布，经主成分分析后，使得噪声的标准差准确地落入小范围内，只需要简单地选择足够精确的噪声标准差。无论是低噪声还是高噪声水平，这种方法都表现出很强的稳定性。接下来的去噪方法与上述检测步骤密切相关，滤波参数基于噪声标准差，滤波权重基于统计参数，并在检测部分进行计算。整个系统输出结果为：噪声标准差和去噪后的干净图像。
本发明采取的技术方案为，一种有效的图像噪声检测和去噪方法，包括如下步骤：
步骤1，输入噪声图像I，对边缘进行半径为r的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为r进行分块，构建图像块集合；
步骤2，计算图像块的峰度系数S、偏度系数T；其中峰度系数S、偏度系数T的计算公式为，
Figure GDA0003025837110000031
Figure GDA0003025837110000032
其中
Figure GDA0003025837110000033
表示图像块的峰度系数,
Figure GDA0003025837110000034
表示图像块的偏度系数，n表示图像块的大小，即块内像素点的总数,xi表示图像块内第i个像素点x,
Figure GDA0003025837110000035
表示图像块内所有像素的均值；
步骤3，判断当前图像块是否满足条件：峰度系数2.5<S<3.5，偏度系数-1.5<T<1.5；
步骤4，对满足条件上述条件的图像块内所有像素点作迭代处理，直到峰度系数S接近|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5，并进入步骤5，如果当前图像块不满足上述条件，返回到步骤2计算下一图像块；
步骤5，将迭代处理后的图像块按列组成目标矩阵；
步骤6，计算目标矩阵的协方差矩阵及特征值；
步骤7，通过大量实验得出噪声标准差的真实值，对特征值开方并降序排序，将特征值中最接近真实值的特征值作为噪声标准差σ，并输出；
步骤8，根据噪声标准差计算滤波参数h＝τ*σ；
步骤9，对原始噪声图像的边缘进行半径为2r的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为2r的区域内搜索当前图像块的相似块，相似块的半径也为r；
步骤10，根据公式(3)计算当前图像块与相似块的相对权重s，然后根据相对权重s获得去噪图像中当前图像块中心的像素值，如公式(4)；
sx,y,k,l＝exp(-||S(x,y)-S(k，l)||/h2)·exp(-||T(x,y)-T(k，l)||/h2) (3)
Figure GDA0003025837110000041
其中(x,y),(k,l)表示当前块和相似块的中心，g(k,l)表示中心为(k,l)的相似块的像素值，Ω为搜索区域的像素点集合，s表示权重，h是滤波参数，h＝τ*σ，σ为噪声标准差，S,T分别是图像块的峰度系数和偏度系数；
步骤11，对噪声图像每个像素按照步骤10计算以得到干净图像deI。
进一步的，步骤4所述迭代处理包括，a.去均值；b.将图像块内所有像素值大于0的像素点减去步长0.01，所有像素值小于0的像素点加上步长0.01；至此完成第一次迭代，并计算峰度系数，偏度系数和均值；如此循环，直到峰度系数|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5。
进一步的，步骤9中当前图像块与相应的相似块之间的距离小于一定阈值t，该阈值t根据峰度系数S和偏度系数T设定，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块称为当前图像块的相似块。
进一步的，步骤1中r取5，步骤8中取τ＝3.9。
本发明还提供一种有效的图像噪声检测和去噪系统，包括如下模块：
图像块集合构建模块，用于输入噪声图像I，对边缘进行半径为r的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为r进行分块，构建图像块集合；
图像块计算模块，用于计算图像块的峰度系数S、偏度系数T；其中峰度系数S、偏度系数T的计算公式为，
Figure GDA0003025837110000051
Figure GDA0003025837110000052
其中
Figure GDA0003025837110000053
表示图像块的峰度系数,
Figure GDA0003025837110000054
表示图像块的偏度系数，n表示图像块的大小，即块内像素点的总数,xi表示图像块内第i个像素点x,
Figure GDA0003025837110000061
表示图像块内所有像素的均值；
判断模块，用于判断当前图像块是否满足条件：峰度系数2.5<S<3.5，偏度系数-1.5<T<1.5；
迭代处理模块，用于对满足条件上述条件的图像块内所有像素点作迭代处理，直到峰度系数S接近|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5，对不满足条件的图像块不作处理；
目标矩阵构建模块，用于将迭代处理后的图像块按列组成目标矩阵；
特征值计算模块，用于计算目标矩阵的协方差矩阵及特征值；
噪声标准差输出模块，用于通过大量实验得出噪声标准差的真实值，对特征值开方并降序排序，将特征值中最接近真实值的特征值作为噪声标准差σ，并输出；
滤波参数计算模块，用于根据噪声标准差计算滤波参数h＝τ*σ；
相似块搜索模块，用于对原始噪声图像的边缘进行半径为2r的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为2r的区域内搜索当前图像块的相似块，相似块的半径也为r；
加权平均处理模块，用于根据公式(3)计算当前图像块与相似块的相对权重s，然后根据相对权重s获得去噪图像中当前图像块中心的像素值，如公式(4)；
sx,y,k,l＝exp(-||S(x,y)-S(k，l)||/h2)·exp(-||T(x,y)-T(k，l)||/h2) (3)
Figure GDA0003025837110000071
其中(x,y),(k,l)表示当前块和相似块的中心，g(k,l)表示中心为(k,l)的相似块的像素值，Ω为搜索区域的像素点集合，s表示权重，h是滤波参数，h＝τ*σ，σ为噪声标准差，S,T分别是图像块的峰度系数和偏度系数；
去噪图像输出模块，用于对噪声图像每个像素进行加权平均处理以得到干净图像deI。
进一步的，相似块搜索模块中当前图像块与相应的相似块之间的距离小于一定阈值t，该阈值t根据峰度系数S和偏度系数T设定，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块称为当前图像块的相似块。
进一步的，图像块集合构建模块中r取5，滤波参数计算模块中取τ＝3.9。
本发明的优点和有益效果：本发明首先利用了峰度-偏度检验的原理，在噪声图像中选取满足高斯分布的样本，接下来根据PCA原理求取噪声标准差，最后利用测量到的噪声标准差对含噪图像进行全新的非局部均值去噪。实验结果表明，本发明的检测方法比现有的方法测量精度更高，对比方法见图1；本发明的去噪效果比现有经典算法效果更好，效果对比见图2。本发明适用于自然数字图像，包括RGB图像和灰度图像。
附图说明
附图不一定按比例绘制，而是将重点放在对本发明原理的解释上，参考附图描述了本发明的各种实施，其中：
图1是从TID2008图像数据库中选取的测试图像；
图2为样本协方差矩阵的特征值的平方根与噪声的标准差之间的关系曲线；
图3为本发明实施例的去噪过程；
图4为本发明实施例中检测过程和去噪过程的相互协作流程图。
具体实施方式
以下详细描述请参考附图。本发明通过原理与附图结合的形式解释了实施本发明的具体细节，足够详细地描述这些实施以使本领域技术人员能够实践本发明。各种实施不一定是相互排斥的，因为一些实施可以与一个或多个其他实施组合以形成新的实施。因此，下面的详细描述不应被认为是限制性的，并且本发明的范围由所附权利要求限定。
本发明分为两个部分：噪声检测和噪声去除；其中第一部分是噪声强度的检测，这部分包括将噪声图像分成图像块、对图像块的特殊处理使其满足条件、融合成目标矩阵、计算特征值以找到目标特征值。本部分涉及的参数已经通过实验的验证给出，图像块的大小直接影响测量结果并且影响第二部分的滤波参数，这个过程与第二部分密切联系。
第二部分是去噪过程，该部分包括根据噪声强度计算滤波参数；统计距离描述相似性、搜索邻域最相似的图像块并加权平均。虽然这部分需要第一部分的输出，但这两部分相互协作，分为两部分只是为了更简单地解释原理。
如图4所示，本发明的提供的一种有效的图像噪声检测和去噪方法，包括如下步骤：
步骤1，输入噪声图像I，对边缘进行半径为5的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为5进行分块(包括重叠)，构建图像块集合；
图像块的大小直接影响测量结果的准确性，本发明将其半径选择为5。
步骤2，计算图像块的峰度系数S、偏度系数T；其中峰度系数S、偏度系数T的计算公式为，
Figure GDA0003025837110000091
Figure GDA0003025837110000092
其中
Figure GDA0003025837110000093
表示图像块的峰度系数,
Figure GDA0003025837110000094
表示图像块的偏度系数，n表示图像块的大小，即块内像素点的总数(每个块总数相等),xi表示图像块内第i个像素点x,
Figure GDA0003025837110000095
表示图像块内所有像素的均值。
步骤3，判断当前图像块是否满足条件：峰度系数2.5<S<3.5，偏度系数-1.5<T<1.5。
步骤4，如果满足条件，对该图像块所有像素点作如下迭代步骤：1.去均值；2.将图像块内所有像素值大于0的像素点减去步长0.01，所有像素值小于0的点加上步长0.01；至此完成第一次迭代，并计算峰度系数，偏度系数和均值；如此循环，直到峰度系数|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5，并进入步骤4，如果不满足，返回到步骤2计算下一图像块；
步骤5，将迭代处理后的图像块按列组成目标矩阵，这里的图像块满足零均值的高斯分布，因此，目标矩阵每列满足零均值的高斯分布并且同分布；
步骤6，根据PCA原理计算目标矩阵的协方差矩阵及特征值；
步骤7，对特征值开方并降序排序，将第35个数值作为噪声标准差σ，并输出(由于样本矩阵大小已经固定，即特征值个数已经固定，每个特征值的平方根均与噪声标准差近似，在TID2008图像数据库实验表明，所有图像的噪声标准差用第35个值代替时精度最高)；
本发明经过大量实验得出噪声标准差的真实值与图3的范围的特征值接近并且精度很高，所以选择中间值即第35个数值作为噪声标准差。
图2示出了样本协方差矩阵的特征值的平方根与噪声的标准差之间的关系曲线。由于目标矩阵仅包含噪声，因此除了少数最小值和最大值之外，其余特征值平方根基本上在噪声标准差的真实值上下小范围内波动。303是噪声标准差真实值的曲线，范围301和302特征值的平方根都可以作为噪声真实值的替代，本发明取该范围的中间，即第35个值作为噪声标准差的替代，并且当样本矩阵的维数固定时，噪声标准差的真实值稳定在此范围内。
步骤8，根据噪声标准差计算滤波参数h＝τ*σ，这里τ＝3.9；
步骤9，对原图像的边缘进行半径为10的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为10的区域内搜索与当前图像块(半径为5)的相似块(半径为5)，当前图像块与相应的相似块之间的距离小于一定阈值t，该阈值t根据峰度系数S和偏度系数T设定，这里t＝0.2，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块叫当前图像块的相似块；
步骤10，根据公式(3)计算当前图像块与相似块的相对权重s，然后根据相对权重s获得去噪图像中当前图像块中心的像素值；
sx,y,k,l＝exp(-||S(x,y)-S(k，l)||/h2)·exp(-||T(x,y)-T(k，l)||/h2) (3)
Figure GDA0003025837110000111
其中(x,y),(k,l)表示当前块和相似块的中心，g(k,l)表示中心为(k,l)的相似块的像素值，Ω为搜索区域的像素点集合，这里搜索半径取10，s表示权重,h是滤波参数,本发明取h＝3.9*σ，σ为噪声标准差，通过步骤7或输入图像已知的噪声标准差获得，S,T分别是当前块的峰度系数和偏度系数；
步骤11，对噪声图像每个像素按照步骤10计算以得到干净图像deI。
图3示出了本发明的去噪过程，本发明将该过程和噪声检测过程分开说明，只是为了更清楚地解释原理，这里需要强调的是本发明的检测方法和去噪方法不仅可以分别进行，还可以相互协作，并且效果都非常优异，例如，在某些地方只需要测量噪声标准差，在某些地方只需要进行图像去噪(已经知道噪声标准差)，本发明的两个部分都可以独立工作，根据需要形成不同的输出。去噪过程包括如下步骤：
步骤401，对输入噪声图像的所有像素进行如下操作；
步骤402，对边缘进行半径为5的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为5进行分块(包括重叠)，构建图像块集合，计算图像块的峰度系数和偏度系数；
步骤403，对原图像的边缘进行半径为10的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为10的区域内搜索与当前图像块(半径为5)的相似块(半径为5)，当前图像块与相应的相似块之间的距离小于一定阈值，该阈值根据峰度系数S和偏度系数T设定，这里t＝0.2，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块叫当前图像块的相似块；
步骤404，根据公式(3)计算相似块和当前块的相对权重；
步骤405，根据公式(4)加权平均这些块的像素值作为当前块的中心像素值；
步骤406，遍历整张噪声图像得到去噪后的干净图像。
本发明还实施例提供一种有效的图像噪声检测和去噪系统，包括如下模块：
图像块集合构建模块，用于输入噪声图像I，对边缘进行半径为r的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为r进行分块，构建图像块集合；
图像块计算模块，用于计算图像块的峰度系数S、偏度系数T；其中峰度系数S、偏度系数T的计算公式为，
Figure GDA0003025837110000131
Figure GDA0003025837110000132
其中
Figure GDA0003025837110000133
表示图像块的峰度系数,
Figure GDA0003025837110000134
表示图像块的偏度系数，n表示图像块的大小，即块内像素点的总数,xi表示图像块内第i个像素点x,
Figure GDA0003025837110000135
表示图像块内所有像素的均值；
判断模块，用于判断当前图像块是否满足条件：峰度系数2.5<S<3.5，偏度系数-1.5<T<1.5；
迭代处理模块，用于对满足条件上述条件的图像块内所有像素点作迭代处理，直到峰度系数S接近|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5，对不满足条件的图像块不作处理；
目标矩阵构建模块，用于将迭代处理后的图像块按列组成目标矩阵；
特征值计算模块，用于计算目标矩阵的协方差矩阵及特征值；
噪声标准差输出模块，用于通过大量实验得出噪声标准差的真实值，对特征值开方并降序排序，将特征值中最接近真实值的特征值作为噪声标准差σ，并输出；
滤波参数计算模块，用于根据噪声标准差计算滤波参数h＝τ*σ；
相似块搜索模块，用于对原始噪声图像的边缘进行半径为2r的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为2r的区域内搜索当前图像块的相似块，相似块的半径也为r；
当前图像块与相应的相似块之间的距离小于一定阈值t，该阈值t根据峰度系数S和偏度系数T设定，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块称为当前图像块的相似块。
加权平均处理模块，用于根据公式(3)计算当前图像块与相似块的相对权重s，然后根据相对权重s获得去噪图像中当前图像块中心的像素值，如公式(4)；
sx,y,k,l＝exp(-||S(x,y)-S(k，l)||/h2)·exp(-||T(x,y)-T(k，l)||/h2) (3)
Figure GDA0003025837110000141
其中(x,y),(k,l)表示当前块和相似块的中心，g(k,l)表示中心为(k,l)的相似块的像素值，Ω为搜索区域的像素点集合，s表示权重，h是滤波参数，h＝τ*σ，σ为噪声标准差，S,T分别是图像块的峰度系数和偏度系数；
去噪图像输出模块，用于对噪声图像每个像素进行加权平均处理以得到干净图像deI。
其中，图像块集合构建模块中r取5，滤波参数计算模块中取τ＝3.9。
本发明是一种涉及含有噪声的图像的噪声强度检测和图像去噪的方法和系统，输出是噪声标准差和去噪后的干净图像。两个部分可以单独操作，即仅输出噪声强度(标准差)或仅输出去噪图像，也可以协作运行，即在未知图像任何先验信息的情况下输出噪声标准差和去噪图像。本发明第一部分的噪声检测为许多去噪算法提供准确的噪声标准差，这也是几乎所有去噪算法的先验信息，表1是利用经典的噪声标准差计算方法与本发明方法的对比数据，测试图像来自TID2008图像数据库(如图1)，从表1中可以看出，当没有关于噪声的任何先验信息时，本发明的优点是显而易见的，并且结果比很多优异的检测方法更好。
表1经典的噪声标准差计算方法与本发明方法的对比数据
Figure GDA0003025837110000151
第二部分是去噪操作，在第一部分的引导下，去噪过程是自动的，参数已经设置好，表2是经典去噪算法与本发明方法的去噪效果对比数据，测试图像来自TID2008图像数据库(如图1)，从表2中可以看出，本发明的去噪方法比现有的许多算法效果更好。
表2经典的去噪算法与本发明方法的对比数据
BLS-GSM去噪 DCT去噪 NLM去噪 KSVD去噪 本发明
σ 平均PSNR 平均PSNR 平均PSNR 平均PSNR 平均PSNR
5 34.76 34.91 34.55 35.02 35.26
10 32.81 33.18 32.79 33.27 33.41
20 30.55 30.86 30.46 30.91 31.05
30 28.91 28.62 28.54 29.03 29.11
40 26.79 26.40 26.55 27.22 27.37
最后，应该强调的是，虽然本发明被分成两部分来解释，仅是为了更通俗易懂的解释原理和操作细节，本发明的应用是完整的噪声检测和去噪系统，其输入噪声图像，输出噪声标准差和去噪后的干净图像。

Claims (7)

1.一种有效的图像噪声检测和去噪方法，其特征在于，包括如下步骤：
步骤1，输入噪声图像I，对边缘进行半径为r的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为r进行分块，构建图像块集合；
步骤2，计算图像块的峰度系数S、偏度系数T；其中峰度系数S、偏度系数T的计算公式为，
Figure FDA0003045568990000011
Figure FDA0003045568990000012
其中
Figure FDA0003045568990000013
表示图像块的峰度系数,
Figure FDA0003045568990000014
表示图像块的偏度系数，n表示图像块的大小，即块内像素点的总数,xi表示图像块内第i个像素点x,
Figure FDA0003045568990000015
表示图像块内所有像素的均值；
步骤3，判断当前图像块是否满足条件：峰度系数2.5<S<3.5，偏度系数-1.5<T<1.5；
步骤4，对满足条件上述条件的图像块内所有像素点作迭代处理，直到峰度系数S接近|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5，并进入步骤5，如果当前图像块不满足上述条件，返回到步骤2计算下一图像块；
步骤5，将迭代处理后的图像块按列组成目标矩阵；
步骤6，计算目标矩阵的协方差矩阵及特征值；
步骤7，通过大量实验得出噪声标准差的真实值，对特征值开方并降序排序，将特征值中最接近真实值的特征值作为噪声标准差σ，并输出；
步骤8，根据噪声标准差计算滤波参数h＝τ*σ；
步骤9，对原始噪声图像的边缘进行半径为2r的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为2r的区域内搜索当前图像块的相似块，相似块的半径也为r；
步骤10，根据公式(3)计算当前图像块与相似块的相对权重s，然后根据相对权重s获得去噪图像中当前图像块中心的像素值，如公式(4)；
sx,y,k,l＝exp(-||S(x,y)-S(k，l)||/h2)·exp(-||T(x,y)-T(k，l)||/h2) (3)
Figure FDA0003045568990000021
其中(x,y),(k,l)表示当前块和相似块的中心，g(k,l)表示中心为(k,l)的相似块的像素值，Ω为搜索区域的像素点集合，s表示权重，h是滤波参数，h＝τ*σ，σ为噪声标准差，S,T分别是图像块的峰度系数和偏度系数；
步骤11，对噪声图像每个像素按照步骤10计算以得到干净图像deI。
2.如权利要求1所述的一种有效的图像噪声检测和去噪方法，其特征在于：步骤4所述迭代处理包括，a.去均值；b.将图像块内所有像素值大于0的像素点减去步长0.01，所有像素值小于0的像素点加上步长0.01；至此完成第一次迭代，并计算峰度系数，偏度系数和均值；如此循环，直到峰度系数|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5。
3.如权利要求1所述的一种有效的图像噪声检测和去噪方法，其特征在于：步骤9中当前图像块与相应的相似块之间的距离小于一定阈值t，该阈值t根据峰度系数S和偏度系数T设定，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块称为当前图像块的相似块。
4.如权利要求1所述的一种有效的图像噪声检测和去噪方法，其特征在于：步骤1中r取5，步骤8中取τ＝3.9。
5.一种有效的图像噪声检测和去噪系统，其特征在于，包括如下模块：
图像块集合构建模块，用于输入噪声图像I，对边缘进行半径为r的镜像对称，从原图像第一个像素点开始的所有像素点，以当前像素点为中心，半径为r进行分块，构建图像块集合；
图像块计算模块，用于计算图像块的峰度系数S、偏度系数T；其中峰度系数S、偏度系数T的计算公式为，
Figure FDA0003045568990000031
Figure FDA0003045568990000032
其中
Figure FDA0003045568990000033
表示图像块的峰度系数,
Figure FDA0003045568990000034
表示图像块的偏度系数，n表示图像块的大小，即块内像素点的总数,xi表示图像块内第i个像素点x,
Figure FDA0003045568990000035
表示图像块内所有像素的均值；
判断模块，用于判断当前图像块是否满足条件：峰度系数2.5<S<3.5，偏度系数-1.5<T<1.5；
迭代处理模块，用于对满足条件上述条件的图像块内所有像素点作迭代处理，直到峰度系数S接近|S-3|＜10-5，偏度系数|T|＜10-5和均值|M|＜10-5，对不满足条件的图像块不作处理；
目标矩阵构建模块，用于将迭代处理后的图像块按列组成目标矩阵；
特征值计算模块，用于计算目标矩阵的协方差矩阵及特征值；
噪声标准差输出模块，用于通过大量实验得出噪声标准差的真实值，对特征值开方并降序排序，将特征值中最接近真实值的特征值作为噪声标准差σ，并输出；
滤波参数计算模块，用于根据噪声标准差计算滤波参数h＝τ*σ；
相似块搜索模块，用于对原始噪声图像的边缘进行半径为2r的镜像对称，从原图像第一个像素点开始，以当前像素点为中心，半径为2r的区域内搜索当前图像块的相似块，相似块的半径也为r；
加权平均处理模块，用于根据公式(3)计算当前图像块与相似块的相对权重s，然后根据相对权重s获得去噪图像中当前图像块中心的像素值，如公式(4)；
sx,y,k,l＝exp(-||S(x,y)-S(k，l)||/h2)·exp(-||T(x,y)-T(k，l)||/h2) (3)
Figure FDA0003045568990000041
其中(x,y),(k,l)表示当前块和相似块的中心，g(k,l)表示中心为(k,l)的相似块的像素值，Ω为搜索区域的像素点集合，s表示权重，h是滤波参数，h＝τ*σ，σ为噪声标准差，S,T分别是图像块的峰度系数和偏度系数；
去噪图像输出模块，用于对噪声图像每个像素进行加权平均处理以得到干净图像deI。
6.如权利要求5所述的一种有效的图像噪声检测和去噪系统，其特征在于：相似块搜索模块中当前图像块与相应的相似块之间的距离小于一定阈值t，该阈值t根据峰度系数S和偏度系数T设定，即|S1-S2|<t&&|T1-T2|<t，其中S1,T1为当前图像块的峰度系数和偏度系数，S2,T2为搜索图像块的峰度系数和偏度系数，满足上述条件的图像块称为当前图像块的相似块。
7.如权利要求5所述的一种有效的图像噪声检测和去噪系统，其特征在于：图像块集合构建模块中r取5，滤波参数计算模块中取τ＝3.9。
CN201810640949.6A 2018-06-21 2018-06-21 一种有效的图像噪声检测和去噪方法及系统 Active CN108921170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810640949.6A CN108921170B (zh) 2018-06-21 2018-06-21 一种有效的图像噪声检测和去噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810640949.6A CN108921170B (zh) 2018-06-21 2018-06-21 一种有效的图像噪声检测和去噪方法及系统

Publications (2)

Publication Number Publication Date
CN108921170A CN108921170A (zh) 2018-11-30
CN108921170B true CN108921170B (zh) 2021-06-15

Family

ID=64420726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810640949.6A Active CN108921170B (zh) 2018-06-21 2018-06-21 一种有效的图像噪声检测和去噪方法及系统

Country Status (1)

Country Link
CN (1) CN108921170B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333267A (zh) * 2019-07-01 2019-10-15 武汉科技大学 一种基于rsbss红外无损检测热成像缺陷图像处理方法及系统
CN110390649B (zh) * 2019-07-16 2023-03-24 西安石油大学 一种用于油气管道焊缝图像降噪的方法
CN110705375B (zh) * 2019-09-11 2022-07-12 西安交通大学 一种面向噪声图像的骨架检测系统及检测方法
CN111144504B (zh) * 2019-12-30 2023-07-28 科来网络技术股份有限公司 一种基于pca算法的软件镜像流量识别分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073999A (zh) * 2011-01-20 2011-05-25 西安电子科技大学 基于双冗余字典学习的自然图像去噪方法
CN104182945A (zh) * 2014-08-30 2014-12-03 西安电子科技大学 基于非局部双边滤波的极化sar相干斑噪声抑制方法
CN105787889A (zh) * 2015-12-23 2016-07-20 郑州大学 一种基于非局部均值的图像快速去噪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8208709B2 (en) * 2008-04-17 2012-06-26 The Ohio State University Research Foundation System and method for improved real-time cine imaging

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073999A (zh) * 2011-01-20 2011-05-25 西安电子科技大学 基于双冗余字典学习的自然图像去噪方法
CN104182945A (zh) * 2014-08-30 2014-12-03 西安电子科技大学 基于非局部双边滤波的极化sar相干斑噪声抑制方法
CN105787889A (zh) * 2015-12-23 2016-07-20 郑州大学 一种基于非局部均值的图像快速去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Image noise level estimation by principal component analysis;Pyatykh S 等;《IEEE transactions on image processing》;20120928;第22卷(第2期);第687-699页 *
基于小波系数层间相关性的图像噪声方差估计;徐鑫 等;《计算机应用》;20091031;第29卷(第10期);第2674-2677页 *

Also Published As

Publication number Publication date
CN108921170A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921170B (zh) 一种有效的图像噪声检测和去噪方法及系统
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
Barzohar et al. Automatic finding of main roads in aerial images by using geometric-stochastic models and estimation
CN111028292B (zh) 一种亚像素级图像匹配导航定位方法
CN107481274B (zh) 一种三维作物点云的鲁棒性重构方法
CN109887021B (zh) 基于跨尺度的随机游走立体匹配方法
CN116309757B (zh) 基于机器视觉的双目立体匹配方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN111160229B (zh) 基于ssd网络的视频目标检测方法及装置
CN110135438B (zh) 一种基于梯度幅值预运算的改进surf算法
EP3582182A1 (en) A method, a device, and a system for estimating a sub-pixel position of an extreme point in an image
CN113450269A (zh) 一种基于3d视觉的点云关键点提取方法
CN107292855B (zh) 一种结合自适应非局部样本和低秩的图像去噪方法
CN112241964A (zh) 一种用于线结构光非接触测量的光条中心提取方法
CN111768349A (zh) 一种基于深度学习的espi图像降噪方法及系统
CN109741258B (zh) 基于重建的图像超分辨率方法
CN113838069A (zh) 基于平面度约束的点云分割方法和系统
CN117541652A (zh) 一种基于深度lk光流法与d-prosac采样策略的动态slam方法
CN113223074A (zh) 一种水下激光条纹中心提取方法
CN111160362B (zh) 一种fast特征均匀化提取与帧间特征误匹配去除方法
CN112734816A (zh) 基于CSS-Delaunay的异源图像配准方法
CN114066786A (zh) 一种基于稀疏和滤波器的红外和可见光图像融合方法
Keren et al. Denoising color images using regularization and “correlation terms”
CN115147613A (zh) 一种基于多向融合的红外小目标检测方法
CN114170109A (zh) 基于mems的条纹结构光的图像降噪方法和装置

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