CN109003247B - 彩色图像混合噪声的去除方法 - Google Patents
彩色图像混合噪声的去除方法 Download PDFInfo
- Publication number
- CN109003247B CN109003247B CN201810836410.8A CN201810836410A CN109003247B CN 109003247 B CN109003247 B CN 109003247B CN 201810836410 A CN201810836410 A CN 201810836410A CN 109003247 B CN109003247 B CN 109003247B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- pixel
- pixel point
- channel
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000009466 transformation Effects 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 33
- 230000004075 alteration Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种彩色图像混合噪声的去除方法,涉及图像处理技术领域。本发明基于块匹配滤波并结合图像局部特征对脉冲噪声和高斯噪声组成的混合噪声进行去噪处理。本发明首先利用图像局部统计特性进行脉冲噪声去噪处理,然后根据图像全局的稀疏性和自相关性进行3‑D块匹配滤波即高斯去噪。本发明充分利用了图像的信息特征,因此本发明与现有的方法相比能更有效地去除彩色图像的混合噪声,并且更适用于高分辨率、颜色深度大的自然图像的去噪处理,具有较强的实用性。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及一种彩色图像混合噪声的去除方法。
背景技术
数字图像处理一直是计算机智能化处理的重要问题,而图像去噪则是其他图像处理的前置基础环节。随着图像处理技术的发展,彩色图像混合噪声去噪已经成为当下图像去噪的主要方向之一。
图像去噪处理的噪声类型有的脉冲噪声、高斯噪声、瑞利噪声、伽马噪声、均匀噪声等。而在实际图像中主要的噪声有由传输线路不稳定造成的脉冲噪声和由电子器件热噪声造成的高斯噪声。并且噪声往往是以叠加为混合噪声的方式出现。所以彩色图像混合噪声的去除不仅具有一定的科研价值,也有一定的实际工程应用价值。
目前图像去噪按图像所在空间可分为基于空域的滤波和基于变换域的滤波;按图像信息来源可分为局部图像去噪和非局部图像去噪;按图像去噪方法可分为滤波器去噪,稀疏性表达,外部先验和深度学习。但已有的图像去噪算法大多针对单一噪声设计的,当将其推广至混合噪声时去噪效果总是差强人意。所以科研人员逐渐将图像去噪的焦点转移至混合噪声的滤除上来。由于不同噪声具有不同的特点,两种噪声叠加后会使得图像去噪变得十分复杂。彩色图像所含信息量比之灰度图像大大增多,且实际应用中绝大多数为彩色图像。因此目前还未有较好的混合噪声滤波方法。
发明内容
本发明的目的在于提供一种彩色图像混合噪声的去除方法,解决了现有技术中图像去噪方法针对单一噪声设计,两种噪声叠加去噪复杂以及彩色图像去噪混合噪声去噪目前较少涉及的问题。
本发明所采用的技术方案是,彩色图像混合噪声的去除方法,具体按照以下步骤进行:
步骤S1、脉冲噪声处理阶段,检测待处理像素xi,j是否含脉冲噪声,不含脉冲噪声原样输出,含脉冲噪声则进行脉冲噪声去噪,得到脉冲噪声滤波的图像;
步骤S2、对步骤S1得到的脉冲噪声滤波的图像进行高斯噪声处理,即由步骤S1得到的脉冲噪声滤波的图像中取图块并进行相似块匹配分组得到第一图组,随后三维块变换处理并进行硬阈值滤波,依次进行逆三维变换、逐块估计、聚合,得到基本估计的图像,基本估计的图像取图块并进行相似块匹配分组,得到第二图组,随后结合第二图组和第一图组依次进行三维块变换、维纳滤波、逆三维变换、逐块估计、聚合,即得到最终估计的图像。
进一步的,所述步骤S1具体按照以下步骤进行:
步骤S11、检测待处理像素点xi,j是否含脉冲噪声;
在彩色图像上选取N1×N1检测窗口,N1×N1为检测窗口内像素点的个数,Kp为以待处理像素点xi,j为中心的方向算子,其中,p∈(1,2,3,4),xi,j为第i行第j列的待处理像素点,Kp的定义如下所示:
将待处理像素点xi,j在四个方向进行色差判断,K1方向的色差d1为:
其中,k表示待处理像素点xi,j所在通道,k是R通道、G通道、B通道中的任意一种;xi,j(k)表示待处理像素点xi,j在k通道的像素值,表示第i行第列待处理像素点在k通道的像素值,xi,j-1(k)表示第i行第j-1列待处理像素点xi,j-1在k通道的像素值,xi,j+1(k)表示第i行第j+1列待处理像素点xi,j+1在k通道的像素值,表示第i行第列待处理像素点在k通道的像素值;
K2方向的色差d2为:
;其中,表示第行第j列待处理像素点在k通道的像素值,xi-1,j(k)表示第i-1行第j列待处理像素点xi-1,j在k通道的像素值,xi+1,j(k)表示第i+1行第j列的待处理像素点xi+1,j在k通道的像素值,表示第行第j列的待处理像素点在k通道的像素值;
K3方向的色差d3为:
;其中,表示第行第列的待处理像素点在k通道的像素值,xi-1,j-1(k)表示第i-1行第j-1列的待处理像素点xi-1,j-1在k通道的像素值,xi+1,j+1(k)表示第i+1行第j+1列的待处理像素点xi+1,j+1在k通道的像素值,表示第行第列的待处理像素点在k通道的像素值;
K4方向的色差d4为:
;其中,表示第行第列的待处理像素点在k通道的像素值,xi+1,j-1(k)表示第i+1行第j-1列的待处理像素点xi+1,j-1在k通道的像素值,xi-1,j+1(k)表示第i-1行第j+1列的待处理像素点xi-1,j+1在k通道的像素值,表示第
计算得到N1×N1检测窗口内四个方向的色差后将其排序,找出最小色差dmin与阈值T进行比较;
若dmin>T,则待处理像素点xi,j含脉冲噪声;若dmin≤T,则待处理像素点xi,j不含脉冲噪声;
步骤S12、根据步骤S11的待处理像素点xi,j是否含脉冲噪声的结果进行处理;
(1)若待处理像素点xi,j含脉冲噪声,则对待处理像素点xi,j进行脉冲噪声去噪并采用矢量中值滤波处理,具体按照以下步骤进行:
以待处理像素点xi,j为中心取N2×N2滤波窗口,N2×N2为滤波窗口内像素点的个数,将滤波窗口内像素点在RGB颜色空间内表示为一组矢量集合V,V包含N2×N2个矢量v1,1表示滤波窗口内第一行第一列的像素点在RGB颜色空间内的矢量形式,计算窗口内每个像素点与其他像素点间的矢量距离和S,Si,j表示待处理像素点xi,j与其他像素点的距离之和;对所有S排序,得到最小值Smin,Smin所对应的矢量即为滤波窗口下矢量中值滤波输出结果vVMF;依次对含脉冲噪声的像素点进行矢量中值滤波处理,得到脉冲噪声滤波的图像;
(2)若待处理像素点xi,j不含脉冲噪声,则原样输出,得到脉冲噪声滤波的图像。
进一步的,所述步骤S2具体按照以下步骤进行:
步骤S21、在由步骤S1得到的脉冲噪声滤波的图像中取图块R,使用块匹配群组把所有与R相似的图块和R组成一个图组,依次操作最终将整个图像中所有相似的图块进行块匹配分组,得到若干个由相似图块组成的第一图组;
步骤S22、第一图组进行三维块变换处理,利用硬阈值滤波减弱图像噪声,然后对硬阈值滤波后的结果进行逆三维变换;
步骤S23、对于逆三维变换后进行逐块估计,同一个相似块会出现多个估计值,结合图块R和与R相似的图块的相似度对所有估计值进行加权平均,聚合得到二维图块的估值,即得到基本估计的图像;
步骤S24、对基本估计的图像中按照步骤S21得到若干个由相似图块组成的第二图组,并结合步骤S21中的第一图组;
步骤S25、将第二图组和第一图组进行三维块变换,随后使用维纳滤波进行能量谱系数收缩,将维纳滤波后的第二图组和第一图组进行逆三维变换,对于逆三维变换后进行逐块估计,逆三维变换会在第一图组和第二图组的同一位置会出现多个估计值,将所有估计值并进行加权平均,聚合得到最终估计的图像。
进一步的,所述步骤S21块匹配群组采用K均值聚类方法。
进一步的,所述步骤S22三维块变换处理采用离散余弦变换处理方法。
本发明的有益效果是对彩色图像混合噪声的滤除有较好效果。在最大程度保留图像所含信息的前提下,不仅客观图像质量评价优于目前已有方法且主观人眼观测效果也较好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为脉冲噪声处理阶段的流程图;
图3为高斯噪声处理阶段的流程图;
图4为相似块匹配示意图;
图5a为lena原图像及其局部图像图;
图5b为加噪lena图像及其局部图像图;
图5c为滤波后lena图像及其局部图像图;
图6a为bird原图像及其局部图像图;
图6b为加噪bird图像及其局部图像图;
图6c为滤波后bird图像及其局部图像图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
彩色图像混合噪声的去除方法,如图1所示,为本方法的整体流程图,具体按照以下步骤进行:
步骤S1、脉冲噪声处理阶段,如图2所示为S1脉冲噪声处理阶段流程图;检测待处理像素xi,j是否含脉冲噪声,不含脉冲噪声原样输出,含脉冲噪声则进行脉冲噪声去噪,得到脉冲噪声滤波的图像;脉冲噪声处理阶段利用的是图像局部统计信息进行处理;具体按照以下步骤进行:
步骤S11、检测待处理像素点xi,j是否含脉冲噪声;
在彩色图像上选取N1×N1检测窗口,N1×N1为检测窗口内像素点的个数,Kp为以待处理像素点xi,j为中心的方向算子,其中,p∈(1,2,3,4),xi,j为第i行第j列的待处理像素点,Kp的定义如下所示:
将待处理像素点xi,j在四个方向进行色差判断,K1方向的色差d1为:
其中,k表示待处理像素点xi,j所在通道,k是R通道、G通道、B通道中的任意一种;xi,j(k)表示待处理像素点xi,j在k通道的像素值,表示第i行第列待处理像素点在k通道的像素值,xi,j-1(k)表示第i行第j-1列待处理像素点xi,j-1在k通道的像素值,xi,j+1(k)表示第i行第j+1列待处理像素点xi,j+1在k通道的像素值,表示第i行第列待处理像素点在k通道的像素值;
K2方向的色差d2为:
;其中,表示第行第j列待处理像素点在k通道的像素值,xi-1,j(k)表示第i-1行第j列待处理像素点xi-1,j在k通道的像素值,xi+1,j(k)表示第i+1行第j列的待处理像素点xi+1,j在k通道的像素值,表示第行第j列的待处理像素点在k通道的像素值;
K3方向的色差d3为:
;其中,表示第行第列的待处理像素点在k通道的像素值,xi-1,j-1(k)表示第i-1行第j-1列的待处理像素点xi-1,j-1在k通道的像素值,xi+1,j+1(k)表示第i+1行第j+1列的待处理像素点xi+1,j+1在k通道的像素值,表示第行第列的待处理像素点在k通道的像素值;
K4方向的色差d4为:
;其中,表示第行第列的待处理像素点在k通道的像素值,xi+1,j-1(k)表示第i+1行第j-1列的待处理像素点xi+1,j-1在k通道的像素值,xi-1,j+1(k)表示第i-1行第j+1列的待处理像素点xi-1,j+1在k通道的像素值,表示第
计算得到N1×N1检测窗口内四个方向的色差后将其排序,找出最小色差dmin与阈值T进行比较,阈值T为根据噪声浓度所得经验值,当σ=10时,T=27;当σ=15时,T=33;当σ=20时,T=39(σ为高斯噪声标准差);
若dmin>T,则待处理像素点xi,j含脉冲噪声;若dmin≤T,则待处理像素点xi,j不含脉冲噪声;
步骤S12、根据步骤S11的待处理像素点xi,j是否含脉冲噪声的结果进行处理;
(1)若待处理像素点xi,j含脉冲噪声,则对待处理像素点xi,j进行脉冲噪声去噪并采用矢量中值滤波处理,具体按照以下步骤进行:
以待处理像素点xi,j为中心取N2×N2滤波窗口,N2×N2为滤波窗口内像素点的个数,将滤波窗口内像素点在RGB颜色空间内表示为一组矢量集合V,V包含N2×N2个矢量v1,1表示滤波窗口内第一行第一列的像素点在RGB颜色空间内的矢量形式,计算窗口内每个像素点与其他像素点间的矢量距离和S,Si,j表示待处理像素点xi,j与其他像素点的距离之和;对所有S排序,得到最小值Smin,Smin所对应的矢量即为滤波窗口下矢量中值滤波输出结果vVMF;依次对含脉冲噪声的像素点进行矢量中值滤波处理,得到脉冲噪声滤波的图像;
(2)若待处理像素点xi,j不含脉冲噪声,则原样输出,得到脉冲噪声滤波的图像;
步骤S2、对步骤S1得到的脉冲噪声滤波的图像进行高斯噪声处理,即由步骤S1得到的脉冲噪声滤波的图像中取图块并进行相似块匹配分组得到第一图组,随后三维块变换处理并进行硬阈值滤波,依次进行逆三维变换、逐块估计、聚合,得到基本估计的图像,基本估计的图像取图块并进行相似块匹配分组,得到第二图组,随后结合第二图组和第一图组依次进行三维块变换、维纳滤波、逆三维变换、逐块估计、聚合,即得到最终估计的图像;根据自然图像存在重复冗余信息的特点,利用图像整体的自相关性和图像稀疏表达的特性进行高斯噪声处理;如图3所示,具体按照以下步骤进行:
步骤S21、在由步骤S1得到的脉冲噪声滤波的图像中取图块R,使用块匹配群组把所有与R相似的图块和R组成一个图组,依次操作最终将整个图像中所有相似的图块进行块匹配分组,得到若干个由相似图块组成的第一图组;匹配群组采用K均值聚类方法;
步骤S22、第一图组进行三维块变换处理,利用硬阈值滤波减弱图像噪声,然后对硬阈值滤波后的结果进行逆三维变换;
步骤S23、对于逆三维变换后进行逐块估计,同一个相似块会出现多个估计值,结合图块R和与R相似的图块的相似度对所有估计值进行加权平均,聚合得到二维图块的估值,即得到基本估计的图像;
步骤S24、对基本估计的图像中按照步骤S21得到若干个由相似图块组成的第二图组,并结合步骤S21中的第一图组;
步骤S25、将第二图组和第一图组进行三维块变换,随后使用维纳滤波进行能量谱系数收缩,将维纳滤波后的第二图组和第一图组进行逆三维变换,对于逆三维变换后进行逐块估计,逆三维变换会在第一图组和第二图组的同一位置会出现多个估计值,将所有估计值并进行加权平均,聚合得到最终估计的图像。
实施例
彩色图像混合噪声的去除方法,如图1所示,具体按照以下步骤进行:
步骤S1、检测待处理像素xi,j是否含脉冲噪声,不含脉冲噪声原样输出进行高斯噪声去噪,含脉冲噪声则进行脉冲噪声去噪;
步骤S11、检测待处理像素点xi,j是否含脉冲噪声,如图2所示,具体按照以下步骤进行:
选取5×5检测窗口,Kp为以待处理像素点xi,j为中心的方向算子,其中,p∈(1,2,3,4),xi,j为第i行第j列的待处理像素点,四个方向上的像素集合可由Kp表示,如下所示,像素位置为“1”所在位置,
将待处理像素点xi,j在四个方向进行色差判断,以K1方向为例:
其中k表示像素点所在通道,k是R通道、G通道、B通道中的任意一种;xi,j(k)表示待处理像素点xi,j在k通道的像素值,xi,j-2(k)、xi,j-1(k)、xi,j+1(k)、xi,j+2(k)表示窗口内沿K1方向的像素点在k通道的像素值;同理计算得到所选窗口内四个方向的色差后将其排序,找出最小色差dmin与阈值T进行比较;
若dmin>T,则待处理像素点xi,j含脉冲噪声;若dmin≤T,则待处理像素点xi,j不含脉冲噪声;
步骤S12、根据步骤S11的待处理像素点xi,j是否含脉冲噪声的结果进行处理;
(1)若待处理像素点xi,j含脉冲噪声,则对待处理像素点xi,j进行脉冲噪声去噪。采用矢量中值滤波处理,具体按照以下步骤进行:
以待处理像素点xi,j为中心取3×3的滤波窗口,如下所示,将滤波窗口内像素点在RGB颜色空间内表示为一组矢量集合V,V包含3×3个矢量{v1,1,v1,2,…v3,3},v1,1表示滤波窗口内第一行第一列位置的像素点在RGB颜色空间内的矢量形式,计算窗口内每个像素点与其他像素点间的矢量距离和S,Si,j表示待处理像素点xi,j与其他像素点的距离之和;对所有S排序,得到最小值Smin,Smin所对应的矢量即为滤波窗口下矢量中值滤波输出结果vVMF,依次对被脉冲噪声污染的像素点进行矢量中值滤波处理,得到脉冲噪声滤波的图像;
S1,1=||(1,1,1)-(1,1,2)||+||(1,1,1)-(1,1,3)||+...+||(1,1,1)-(3,1,3)||=14.7,同理可得S1,2=12.3,S1,3=14.7,S2,1=12.3,S2,2=9.7,S2,3=12.3,S3,1=14.7,S3,2=12.3,S3,3=14.7,所以Smin=S2,2,则3×3的滤波窗口下矢量中值滤波输出结果为(2,1,2);
(2)若待处理像素点xi,j不含脉冲噪声,则原样输出,得到脉冲噪声滤波的图像;
步骤S2、对步骤S1得到的脉冲噪声滤波的图像进行高斯噪声处理,即由步骤S1得到的脉冲噪声滤波的图像中取图块并进行相似块匹配分组得到第一图组,随后三维块变换处理并进行硬阈值滤波,依次进行逆三维变换、逐块估计、聚合,得到基本估计的图像,基本估计的图像取图块并进行相似块匹配分组,得到第二图组,随后结合第二图组和第一图组依次进行三维块变换、维纳滤波、逆三维变换、逐块估计、聚合,即得到最终估计的图像,如图3所示;
步骤S21、由步骤S1得到的脉冲噪声滤波的图像中取N3×N3大小的图块R,使用K均值聚类的方法把所有与R相似的图块和R组成一个图组,依次操作最终将整个图像中所有相似的图块进行块匹配分组,得到若干个由相似图块组成的第一图组;如图4所示即为在8幅不同图像中相似块组成的图组在整体中的位置示意图,图块R为在图像中所取待处理图块,其余图块为与R相似的图块,它们共同组成一个相似图块组;
步骤S22、第一图组进行离散余弦变换处理,利用硬阈值滤波减弱图像噪声,然后对硬阈值滤波后的结果进行逆三维变换;
步骤S23、对于逆三维变换后进行逐块估计,同一个相似块会出现多个估计值,结合图块R和与R相似的图块的相似度对所有估计值进行加权平均,得到二维图块的估值,得到基本估计的图像;
步骤S24、对基本估计的图像中按照步骤S21得到若干个由相似图块组成的第二图组,并结合步骤S21中的第一图组;
步骤S25、将第二图组和第一图组进行三维块变换,随后使用维纳滤波进行能量谱系数收缩,将维纳滤波后的第二图组和第一图组进行逆三维变换,对于逆三维变换后进行逐块估计。逆三维变换会在第一图组和第二图组的同一位置会出现多个估计值,将所有估计值并进行加权平均,聚合得到最终估计的图像。
图5a为lena原图像及其局部图像图;图5b为加噪lena图像及其局部图像图;图5c为滤波后lena图像及其局部图像图;图6a为bird原图像及其局部图像图;图6b为加噪bird图像及其局部图像图;图6c为滤波后bird图像及其局部图像图,从图5c和图6c可看出本发明的方法去噪后的图像最大程度的保留了原图像的信息,且图像的质量并没有很大的损失。
表1为对像素大小为256×256的lena图像实验不同方法的效果对比。由实验结果可知,本发明的方法与现有方法相比有较好的去噪效果。表2为本发明不同图像的实验结果对比。
表1以lena图像为例的不同方法的实验结果对比
(注:PSNR为峰值信噪比,MAE为均值绝对值误差,p为脉冲噪声概率,σ为高斯噪声标准差)
表2本发明下不同图像的实验结果对比
(注:PSNR为峰值信噪比,MAE为均值绝对值误差,p为脉冲噪声概率,σ为高斯噪声标准差)
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (4)
1.彩色图像混合噪声的去除方法,其特征在于,具体按照以下步骤进行:
步骤S1、脉冲噪声处理阶段,检测待处理像素xi,j是否含脉冲噪声,不含脉冲噪声原样输出,含脉冲噪声则进行脉冲噪声去噪,得到脉冲噪声滤波的图像;
步骤S2、对步骤S1得到的脉冲噪声滤波的图像进行高斯噪声处理,即由步骤S1得到的脉冲噪声滤波的图像中取图块并进行相似块匹配分组得到第一图组,随后三维块变换处理并进行硬阈值滤波,依次进行逆三维变换、逐块估计、聚合,得到基本估计的图像,基本估计的图像取图块并进行相似块匹配分组,得到第二图组,随后结合第二图组和第一图组依次进行三维块变换、维纳滤波、逆三维变换、逐块估计、聚合,即得到最终估计的图像;
所述步骤S1具体按照以下步骤进行:
步骤S11、检测待处理像素点xi,j是否含脉冲噪声;
在彩色图像上选取N1×N1检测窗口,N1×N1为检测窗口内像素点的个数,Kp为以待处理像素点xi,j为中心的方向算子,其中,p∈(1,2,3,4),xi,j为第i行第j列的待处理像素点,Kp的定义如下所示:
将待处理像素点xi,j在四个方向进行色差判断,K1方向的色差d1为:
其中,k表示待处理像素点xi,j所在通道,k是R通道、G通道、B通道中的任意一种;xi,j(k)表示待处理像素点xi,j在k通道的像素值,表示第i行第列待处理像素点在k通道的像素值,xi,j-1(k)表示第i行第j-1列待处理像素点xi,j-1在k通道的像素值,xi,j+1(k)表示第i行第j+1列待处理像素点xi,j+1在k通道的像素值,表示第i行第列待处理像素点在k通道的像素值;
K2方向的色差d2为:
其中,表示第行第j列待处理像素点在k通道的像素值,xi-1,j(k)表示第i-1行第j列待处理像素点xi-1,j在k通道的像素值,xi+1,j(k)表示第i+1行第j列的待处理像素点xi+1,j在k通道的像素值,表示第行第j列的待处理像素点在k通道的像素值;
K3方向的色差d3为:
其中,表示第行第列的待处理像素点在k通道的像素值,xi-1,j-1(k)表示第i-1行第j-1列的待处理像素点xi-1,j-1在k通道的像素值,xi+1,j+1(k)表示第i+1行第j+1列的待处理像素点xi+1,j+1在k通道的像素值,表示第行第列的待处理像素点在k通道的像素值;
K4方向的色差d4为:
其中,表示第行第列的待处理像素点在k通道的像素值,xi+1,j-1(k)表示第i+1行第j-1列的待处理像素点xi+1,j-1在k通道的像素值,xi-1,j+1(k)表示第i-1行第j+1列的待处理像素点xi-1,j+1在k通道的像素值,表示第行第列的待处理像素点在k通道的像素值;
计算得到N1×N1检测窗口内四个方向的色差后将其排序,找出最小色差dmin与阈值T进行比较;
若dmin>T,则待处理像素点xi,j含脉冲噪声;若dmin≤T,则待处理像素点xi,j不含脉冲噪声;
步骤S12、根据步骤S11的待处理像素点xi,j是否含脉冲噪声的结果进行处理;
(1)若待处理像素点xi,j含脉冲噪声,则对待处理像素点xi,j进行脉冲噪声去噪并采用矢量中值滤波处理,具体按照以下步骤进行:
以待处理像素点xi,j为中心取N2×N2滤波窗口,N2×N2为滤波窗口内像素点的个数,将滤波窗口内像素点在RGB颜色空间内表示为一组矢量集合V,V包含N2×N2个矢量v1,1表示滤波窗口内第一行第一列的像素点在RGB颜色空间内的矢量形式,计算窗口内每个像素点与其他像素点间的矢量距离和S,Si,j表示待处理像素点xi,j与其他像素点的距离之和;对所有S排序,得到最小值Smin,Smin所对应的矢量即为滤波窗口下矢量中值滤波输出结果vVMF;依次对含脉冲噪声的像素点进行矢量中值滤波处理,得到脉冲噪声滤波的图像;
(2)若待处理像素点xi,j不含脉冲噪声,则原样输出,得到脉冲噪声滤波的图像。
2.根据权利要求1所述的彩色图像混合噪声的去除方法,其特征在于,所述步骤S2具体按照以下步骤进行:
步骤S21、在由步骤S1得到的脉冲噪声滤波的图像中取图块R,使用块匹配群组把所有与R相似的图块和R组成一个图组,依次操作最终将整个图像中所有相似的图块进行块匹配分组,得到若干个由相似图块组成的第一图组;
步骤S22、第一图组进行三维块变换处理,利用硬阈值滤波减弱图像噪声,然后对硬阈值滤波后的结果进行逆三维变换;
步骤S23、对于逆三维变换后进行逐块估计,同一个相似块会出现多个估计值,结合图块R和与R相似的图块的相似度对所有估计值进行加权平均,聚合得到二维图块的估值,即得到基本估计的图像;
步骤S24、对基本估计的图像中按照步骤S21得到若干个由相似图块组成的第二图组,并结合步骤S21中的第一图组;
步骤S25、将第二图组和第一图组进行三维块变换,随后使用维纳滤波进行能量谱系数收缩,将维纳滤波后的第二图组和第一图组进行逆三维变换,对于逆三维变换后进行逐块估计,逆三维变换会在第一图组和第二图组的同一位置会出现多个估计值,将所有估计值并进行加权平均,聚合得到最终估计的图像。
3.根据权利要求2所述的彩色图像混合噪声的去除方法,其特征在于,所述步骤S21块匹配群组采用K均值聚类方法。
4.根据权利要求2所述的彩色图像混合噪声的去除方法,其特征在于,所述步骤S22三维块变换处理采用离散余弦变换处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836410.8A CN109003247B (zh) | 2018-07-26 | 2018-07-26 | 彩色图像混合噪声的去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836410.8A CN109003247B (zh) | 2018-07-26 | 2018-07-26 | 彩色图像混合噪声的去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003247A CN109003247A (zh) | 2018-12-14 |
CN109003247B true CN109003247B (zh) | 2021-06-15 |
Family
ID=64598303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810836410.8A Active CN109003247B (zh) | 2018-07-26 | 2018-07-26 | 彩色图像混合噪声的去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003247B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884908B (zh) * | 2019-03-14 | 2020-04-14 | 青岛创高世纪信息科技有限公司 | 云平台、设备控制方法及系统、可读存储介质 |
CN113533220A (zh) * | 2021-07-25 | 2021-10-22 | 吉林大学 | 一种基于高光谱成像技术的煤炭种类识别方法 |
CN117434153B (zh) * | 2023-12-20 | 2024-03-05 | 吉林蛟河抽水蓄能有限公司 | 基于超声波技术的道路无损检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087365A (zh) * | 2006-06-10 | 2007-12-12 | 中兴通讯股份有限公司 | 一种滤除图像混合噪声的方法 |
CN104159003A (zh) * | 2014-08-21 | 2014-11-19 | 武汉大学 | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及系统 |
CN105550997A (zh) * | 2015-12-08 | 2016-05-04 | 天津津航计算技术研究所 | 一种基于多个变换域的三维匹配图像去噪方法 |
CN106073743A (zh) * | 2015-04-27 | 2016-11-09 | 塔塔顾问服务有限公司 | 用于光学体积描记图信号的噪声清除的方法和系统 |
CN106327436A (zh) * | 2016-08-10 | 2017-01-11 | 广东工业大学 | 一种基于多通道噪声检测的滤波方法及装置 |
CN107392864A (zh) * | 2017-07-01 | 2017-11-24 | 南京理工大学 | 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639050B2 (en) * | 2010-10-19 | 2014-01-28 | Texas Instruments Incorporated | Dynamic adjustment of noise filter strengths for use with dynamic range enhancement of images |
-
2018
- 2018-07-26 CN CN201810836410.8A patent/CN109003247B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087365A (zh) * | 2006-06-10 | 2007-12-12 | 中兴通讯股份有限公司 | 一种滤除图像混合噪声的方法 |
CN104159003A (zh) * | 2014-08-21 | 2014-11-19 | 武汉大学 | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及系统 |
CN106073743A (zh) * | 2015-04-27 | 2016-11-09 | 塔塔顾问服务有限公司 | 用于光学体积描记图信号的噪声清除的方法和系统 |
CN105550997A (zh) * | 2015-12-08 | 2016-05-04 | 天津津航计算技术研究所 | 一种基于多个变换域的三维匹配图像去噪方法 |
CN106327436A (zh) * | 2016-08-10 | 2017-01-11 | 广东工业大学 | 一种基于多通道噪声检测的滤波方法及装置 |
CN107392864A (zh) * | 2017-07-01 | 2017-11-24 | 南京理工大学 | 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 |
Non-Patent Citations (2)
Title |
---|
Detail Preserving Mixed Noise Removal by DWM Filter and BM3D;Takuro YAMAGUCHI et al.;《IEICE TRANS. FUNDAMENTALS》;20171130;第2451-2457页 * |
Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering;Kostadin Dabov et al.;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20070831;第2080-2095页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109003247A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Optimized feature extraction for learning-based image steganalysis | |
CN110992275A (zh) | 一种基于生成对抗网络的细化单幅图像去雨方法 | |
CN111275643B (zh) | 基于通道和空间注意力的真实噪声盲去噪网络系统及方法 | |
CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
CN110751612A (zh) | 多通道多尺度卷积神经网络的单幅图像去雨方法 | |
CN110533614B (zh) | 一种结合频域和空域的水下图像增强方法 | |
CN108875623B (zh) | 一种基于图像特征融合对比技术的人脸识别方法 | |
CN112465727A (zh) | 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法 | |
CN110930327A (zh) | 基于级联深度残差网络的视频去噪方法 | |
CN111986275A (zh) | 一种多模态半色调图像的逆半色调化方法 | |
Wang et al. | No-reference stereoscopic image quality assessment using quaternion wavelet transform and heterogeneous ensemble learning | |
CN111611962A (zh) | 基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法 | |
Pham et al. | Low-light image enhancement for autonomous driving systems using DriveRetinex-Net | |
CN111259792A (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN108090914B (zh) | 基于统计建模与像素分类的彩色图像分割方法 | |
CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
Chen et al. | Convolutional Autoencoder For Single Image Dehazing. | |
CN115965844B (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
CN111047537A (zh) | 一种图像去噪中恢复细节的系统 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN114399440B (zh) | 图像处理方法、图像处理网络训练方法、装置及电子设备 | |
CN111223050A (zh) | 一种实时图像边缘检测算法 | |
Choi et al. | Fast super-resolution algorithm using ELBP classifier | |
CN113781333A (zh) | 一种基于引导滤波的gan网络对水下图像进行处理的方法 |
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 |