CN109559286A - 一种方差梯度约束法红外图像边缘保持去噪方法 - Google Patents

一种方差梯度约束法红外图像边缘保持去噪方法 Download PDF

Info

Publication number
CN109559286A
CN109559286A CN201811378400.0A CN201811378400A CN109559286A CN 109559286 A CN109559286 A CN 109559286A CN 201811378400 A CN201811378400 A CN 201811378400A CN 109559286 A CN109559286 A CN 109559286A
Authority
CN
China
Prior art keywords
edg
direction gradient
gradient
thd
new
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
Application number
CN201811378400.0A
Other languages
English (en)
Other versions
CN109559286B (zh
Inventor
阙隆成
祝威
张熙冉
李小飞
周云
蒋亚东
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811378400.0A priority Critical patent/CN109559286B/zh
Publication of CN109559286A publication Critical patent/CN109559286A/zh
Application granted granted Critical
Publication of CN109559286B publication Critical patent/CN109559286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种方差梯度约束法红外图像边缘保持去噪方法，以目标像素点为中心，获得M*P窗口的像素区域，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；获得新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度；获得M*P窗口的像素区域中所有像素点灰度值的方差，对方差进行归一化处理，将新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度、以及方差归一化值作为目标像素点的去噪因子参与去噪处理。

Description

一种方差梯度约束法红外图像边缘保持去噪方法
技术领域
本发明涉及红外图像去噪技术领域，具体涉及一种方差梯度约束法红外图像边缘保持去噪方法。
背景技术
在去噪技术领域中，对于普通图像，一般采用的去噪方法是中值滤波法，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。中值滤波法对消除椒盐噪声非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大。
红外图像，是用红外传感器将红外转换的电信号，由于不同的探测器对相同的红外辐射产生不同的响应，导致红外图像中包含大量的噪声，称为固定模式噪声，通过非均匀校正算法可以抑制这样的噪声；还有一种读出电路造成的竖条纹噪声对图像视觉效果有很大的影响，竖条纹在图像中表现为位置和强度相对固定，且在列方向上具有一定的稳定性。用非均匀校正的算法不能消除竖条纹噪声。传统的算法中，在消除竖条纹噪声的同时，图像上的边缘信息也会被削弱。因此，为了解决，在去噪时，对边缘区域的保持，因此，我们需要设计一种专门针对红外图像的去噪方法。
发明内容
本发明的目的在于提供一种方差梯度约束法红外图像边缘保持去噪方法，该方法能有效的保护好图像边缘区域。
本发明的具体技术方案为：
一种方差梯度约束法红外图像边缘保持去噪方法，
在待去噪红外图像中，获得任意一个目标像素点；
以目标像素点为中心，获得M*P窗口的像素区域，M和P均为≥3的奇数；
获得像素区域A中所有像素点的灰度值；
以目标像素点为中心原点，分别获得目标像素点与周边8个方向上的像素点之间的灰度差，这8个方向分别为正东方向、正西方向、正北方向、正南方向、东北方向、西北方向、东南方向、西南方向，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；
分别对X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小进行阈值约束后获得新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度；
获得M*P窗口的像素区域中所有像素点灰度值的方差，对方差进行归一化处理，得到方差归一化值；
将新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度、以及方差归一化值作为目标像素点的去噪因子参与去噪处理，其处理方法为：对新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度进行求和后作为噪声估计值，将方差归一化值作为约束条件对噪声估计值进行约束得到约束噪声估计值，然后用当前目标像素点的灰度值减去约束噪声估计值后得到目标像素点新的灰度值。
本发明的设计原理为：
在图像处理领域，像素点都是行列整列排布的，每个像素点都有自己的参数信息，在本发明中，选择目标像素点后，以像素点位中心，然后扩大目标像素点周边窗口，选择3*3或3*5或5*5或3*5或M*P窗口(M、P为大于等于3的奇数)可以使得目标像素点无论从水平方向还是竖直方向还是斜向上都是位于中心位置，然后，本发明采用以目标像素点为中心起始点，计算出目标像素点与周边8个方向上相邻像素点之间的灰度差，然后合并同一方向上的灰度差获得梯度，然后让该梯度作为估计噪声值，采用方差归一化值对其进行约束，得到约束估计噪声值参与对目标像素点的处理，相当于是对目标像素点周边的所有像素点的之间的变化过程进行了一次整理，让目标像素点的灰度值重新设置，对方差归一化处理是为了约束图像边缘部分，再结合对方向梯度的约束，使得图像看起来较为平滑，使得其与周边像素，无论是哪个方向看起来都是与周边像素点较为接近。而采用梯度算法，在本领域中，一般是为了寻找图像中物体轮廓边缘像素，其本身并不是作为去噪算法。且传统的梯度算法采用的行间梯度或列间梯度，也就是1向梯度的方法，没有采用8向灰度差后构建出3向梯度的这种做法，在本发明中，其目的是为了重新设置图像中目标像素点，因此采用了8向灰度差，让周边像素都参与目标像素点的重新设定。因此其连续性不会受红外图像条纹区域的影响。
优选的，M和P均为3时，获得X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的具体方法为：
其中，以目标像素点为中心原点构建坐标系，8个方向包括：目标像素点指向像素点A(i,j-1)的正西方向，目标像素点指向像素点A(i,j+1)的正东方向；目标像素点指向像素点B(i-1,j)的正北方向，目标像素点指向像素点B(i+1,j)的正南方向，目标像素点指向像素点C(i-1,j-1)的西北方向，目标像素点指向像素点C(i+1,j+1)的东南方向；目标像素点指向像素点D(i-1,j+1)的东北方向，目标像素点指向像素点D(i+1,j-1)的西南方向；
获得目标像素点与像素点A(i,j-1)的灰度差X1、获得目标像素点与像素点A(i,j+1)的灰度差X2，以灰度差X1和灰度差X2之和构建X方向梯度；
获得目标像素点与像素点B(i-1,j)的灰度差Y1、获得目标像素点与像素点B(i+1,j)的灰度差Y2，以灰度差Y1和灰度差Y2之和构建Y方向梯度；
获得目标像素点与像素点C(i-1,j-1)的灰度差XY1、获得目标像素点与像素点C(i+1,j+1)的灰度差XY2，以灰度差XY1和灰度差XY2之和XY方向梯度；
获得目标像素点与像素点D(i-1,j+1)的灰度差YX1、获得目标像素点与像素点D(i+1,j-1)的灰度差YX2，以灰度差YX1和灰度差YX2之和YX方向梯度。
在坐标系中，所述像素点D(i-1,j+1)位于45°方向上，像素点C(i-1,j-1)位于135°方向上，像素点D(i+1,j-1)位于225°方向上，像素点C(i+1,j+1)位于315°方向上。
记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)，
edg_y＝I(i,j)-I(i-1,j)+I(i,j)-I(i+1,j)，
edg_xy＝I(i,j)-I(i-1,j-1)+I(i,j)-I(i+1,j+1)，
edg_yx＝I(i,j)-I(i+1,j-1)+I(i,j-I(i-1,j+1)，
其中，I(i,j)为目标像素点的灰度值，I(i,j-1)为像素点A(i,j-1)的灰度值，I(i,j+1)为像素点A(i,j+1)的灰度值，I(i-1,j)为像素点B(i-1,j)的灰度值，I(i+1,j)为像素点B(i+1,j)的灰度值，I(i-1,j-1)为像素点C(i-1,j-1)的灰度值，I(i+1,j+1)为像素点C(i+1,j+1)的灰度值，I(i+1,j-1)为像素点D(i+1,j-1)的灰度值，I(i-1,j+1)为像素点D(i-1,j+1)的灰度值。
对X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小进行阈值约束后获得新的X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的方法为：
设thd_p为阈值，记edg_x为原X方向梯度，edg_y为原Y方向梯度，edg_xy为原XY方向梯度，edg_yx为原xy方向梯度，记edg_xa为新X方向梯度，edg_ya为新Y方向梯度，edg_xya为新XY方向梯度，edg_yxa为新xy方向梯度，thd_p一般取值为1。
若edg_x≥thd_p，则edg_xa＝thd_p，若edg_x≤-thd_p，则edg_xa＝-thd_p，若thd_p＞edg_x＞-thd_p，则edg_xa＝edg_x，
若edg_y≥thd_p，则edg_ya＝thd_p，若edg_y≤-thd_p，则edg_ya＝-thd_p，若thd_p＞edg_y＞-thd_p，则edg_ya＝edg_y，
若edg_xy≥thd_p，则edg_xya＝thd_p，若edg_xy≤-thd_p，则edg_xya＝-thd_p，若thd_p＞edg_xy＞-thd_p，则edg_xya＝edg_xy，
若edg_yx≥thd_p，则edg_yxa＝thd_p，若edg_yx≤-thd_p，则edg_yxa＝-thd_p，若thd_p＞edg_yx＞-thd_p，则edg_yxa＝edg_yx。
上述约束可以概括为对各方向梯度进行-1到1的约束，如各方向梯度大于等于1或小于等于-1，则新方向梯度取对应的阈值，如没有被约束到，则取其本身的方向梯度作为新方向梯度。
将获得M*P窗口的像素区域中所有像素点灰度值的方差记为Var(i，j)，归一化方差记为G(i，j)，则G(i，j)＝Var(i，j)/(Var(i，j)+eps)，eps为探测器噪声。eps一般取值为50-100。
在去噪处理时，还引入有可调节的增益作为去噪因子。
去噪处理的计算公式为：
Dout(i,j)＝I(i,j)-G(i,j)*gain*(edg_xa+edg_ya+edg_xya+edg_yxa)或Dout(i,j)＝I(i,j)-A(i,j)*(edg_xa+edg_ya+edg_xya+edg_yxa)；
其中Dout(i,j)为目标像素点去噪后的灰度值，I(i,j)为目标像素点的灰度值，G(i,j)为方差归一化后的值；gain为可调节的增益，edg_xa为新X方向梯度，edg_ya为新Y方向梯度，edg_xya为新XY方向梯度，edg_yxa为新xy方向梯度。gain的取值范围为0-1。
所述待去噪红外图像为整个原始输入的原始红外图像或对原始输入的原始红外图像进行边缘化识别后的获得的红外图像边缘区域图像。
本发明与现有技术相比，具有如下的优点和有益效果：去除噪声同时保护图像细节。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明中3*3窗口内所有像素点的灰度值图。
图2是所有像素点在方向系内的位置图。
图3是中值法去噪后的数据图。
图4是本发明去噪后的数据图。
图5是本发明以人物为目标进行去噪前后对比图。
图6是本发明以物品为目标进行去噪前后对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一
如图1所示：
一种方差梯度约束法红外图像边缘保持去噪方法，
在待去噪红外图像中，获得任意一个目标像素点；
以目标像素点为中心，获得M*P窗口的像素区域，M和P均为≥3的奇数；
获得像素区域A中所有像素点的灰度值；
以目标像素点为中心原点，分别获得目标像素点与周边8个方向上的像素点之间的灰度差，这8个方向分别为正东方向、正西方向、正北方向、正南方向、东北方向、西北方向、东南方向、西南方向，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；
分别对X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小进行阈值约束后获得新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度；
获得M*P窗口的像素区域中所有像素点灰度值的方差，对方差进行归一化处理，得到方差归一化值；
将新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度、以及方差归一化值作为目标像素点的去噪因子参与去噪处理，其处理方法为：对新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度进行求和后作为噪声估计值，将方差归一化值作为约束条件对噪声估计值进行约束得到约束噪声估计值，然后用当前目标像素点的灰度值减去约束噪声估计值后得到目标像素点新的灰度值。
本发明的设计原理为：
在图像处理领域，像素点都是行列整列排布的，每个像素点都有自己的参数信息，在本发明中，选择目标像素点后，以像素点位中心，然后扩大目标像素点周边窗口，选择3*3或3*5或5*5或3*5或M*P窗口(M、P为大于等于3的奇数)可以使得目标像素点无论从水平方向还是竖直方向还是斜向上都是位于中心位置，然后，本发明采用以目标像素点为中心起始点，计算出目标像素点与周边8个方向上相邻像素点之间的灰度差，然后合并同一方向上的灰度差获得梯度，然后让该梯度作为估计噪声值，采用方差归一化值对其进行约束，得到约束估计噪声值参与对目标像素点的处理，相当于是对目标像素点周边的所有像素点的之间的变化过程进行了一次整理，让目标像素点的灰度值重新设置，对方差归一化处理是为了约束图像边缘部分，再结合对方向梯度的约束，使得图像看起来较为平滑，使得其与周边像素，无论是哪个方向看起来都是与周边像素点较为接近。而采用梯度算法，在本领域中，一般是为了寻找图像中物体轮廓边缘像素，其本身并不是作为去噪算法。且传统的梯度算法采用的行间梯度或列间梯度，也就是1向梯度的方法，没有采用8向灰度差后构建出3向梯度的这种做法，在本发明中，其目的是为了重新设置图像中目标像素点，因此采用了8向灰度差，让周边像素都参与目标像素点的重新设定。因此其连续性不会受红外图像条纹区域的影响。
优选的，M和P均为3时，获得X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的具体方法为：
其中，以目标像素点为中心原点构建坐标系，8个方向包括：目标像素点指向像素点A(i,j-1)的正西方向，目标像素点指向像素点A(i,j+1)的正东方向；目标像素点指向像素点B(i-1,j)的正北方向，目标像素点指向像素点B(i+1,j)的正南方向，目标像素点指向像素点C(i-1,j-1)的西北方向，目标像素点指向像素点C(i+1,j+1)的东南方向；目标像素点指向像素点D(i-1,j+1)的东北方向，目标像素点指向像素点D(i+1,j-1)的西南方向；
获得目标像素点与像素点A(i,j-1)的灰度差X1、获得目标像素点与像素点A(i,j+1)的灰度差X2，以灰度差X1和灰度差X2之和构建X方向梯度；
获得目标像素点与像素点B(i-1,j)的灰度差Y1、获得目标像素点与像素点B(i+1,j)的灰度差Y2，以灰度差Y1和灰度差Y2之和构建Y方向梯度；
获得目标像素点与像素点C(i-1,j-1)的灰度差XY1、获得目标像素点与像素点C(i+1,j+1)的灰度差XY2，以灰度差XY1和灰度差XY2之和XY方向梯度；
获得目标像素点与像素点D(i-1,j+1)的灰度差YX1、获得目标像素点与像素点D(i+1,j-1)的灰度差YX2，以灰度差YX1和灰度差YX2之和YX方向梯度。
在坐标系中，所述像素点D(i-1,j+1)位于45°方向上，像素点C(i-1,j-1)位于135°方向上，像素点D(i+1,j-1)位于225°方向上，像素点C(i+1,j+1)位于315°方向上。
记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)，
edg_y＝I(i,j)-I(i-1,j)+I(i,j)-I(i+1,j)，
edg_xy＝I(i,j)-I(i-1,j-1)+I(i,j)-I(i+1,j+1)，
edg_yx＝I(i,j)-I(i+1,j-1)+I(i,j-I(i-1,j+1)，
其中，I(i,j)为目标像素点的灰度值，I(i,j-1)为像素点A(i,j-1)的灰度值，I(i,j+1)为像素点A(i,j+1)的灰度值，I(i-1,j)为像素点B(i-1,j)的灰度值，I(i+1,j)为像素点B(i+1,j)的灰度值，I(i-1,j-1)为像素点C(i-1,j-1)的灰度值，I(i+1,j+1)为像素点C(i+1,j+1)的灰度值，I(i+1,j-1)为像素点D(i+1,j-1)的灰度值，I(i-1,j+1)为像素点D(i-1,j+1)的灰度值。
对X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小进行阈值约束后获得新的X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的方法为：
设thd_p为阈值，记edg_x为原X方向梯度，edg_y为原Y方向梯度，edg_xy为原XY方向梯度，edg_yx为原xy方向梯度，记edg_xa为新X方向梯度，edg_ya为新Y方向梯度，edg_xya为新XY方向梯度，edg_yxa为新xy方向梯度，thd_p一般取值为1或2。
若edg_x≥thd_p，则edg_xa＝thd_p，若edg_x≤-thd_p，则edg_xa＝-thd_p，若thd_p＞edg_x＞-thd_p，则edg_xa＝edg_x，
若edg_y≥thd_p，则edg_ya＝thd_p，若edg_y≤-thd_p，则edg_ya＝-thd_p，若thd_p＞edg_y＞-thd_p，则edg_ya＝edg_y，
若edg_xy≥thd_p，则edg_xya＝thd_p，若edg_xy≤-thd_p，则edg_xya＝-thd_p，若thd_p＞edg_xy＞-thd_p，则edg_xya＝edg_xy，
若edg_yx≥thd_p，则edg_yxa＝thd_p，若edg_yx≤-thd_p，则edg_yxa＝-thd_p，若thd_p＞edg_yx＞-thd_p，则edg_yxa＝edg_yx。
上述约束可以概括为对各方向梯度进行-1到1的约束，如各方向梯度大于等于1或小于等于-1，则新方向梯度取对应的阈值，如没有被约束到，则取其本身的方向梯度作为新方向梯度。
将获得M*P窗口的像素区域中所有像素点灰度值的方差记为Var(i，j)，归一化方差记为G(i，j)，则G(i，j)＝Var(i，j)/(Var(i，j)+eps)，eps为探测器噪声。eps一般取值为50-300。
在去噪处理时，还引入有可调节的增益作为去噪因子。
去噪处理的计算公式为：
Dout(i,j)＝I(i,j)-G(i,j)*gain*(edg_xa+edg_ya+edg_xya+edg_yxa)或Dout(i,j)＝I(i,j)-A(i,j)*(edg_xa+edg_ya+edg_xya+edg_yxa)；
其中Dout(i,j)为目标像素点去噪后的灰度值，I(i,j)为目标像素点的灰度值，G(i,j)为方差归一化后的值；gain为可调节的增益，edg_xa为新X方向梯度，edg_ya为新Y方向梯度，edg_xya为新XY方向梯度，edg_yxa为新xy方向梯度。gain的取值范围为0-1，该值越大，去噪效果越明显，可根据实际需要进行调节。
所述待去噪红外图像为整个原始输入的原始红外图像或对原始输入的原始红外图像进行边缘化识别后的获得的红外图像边缘区域图像。
在本实施例中，以3*3的窗口进行计算，设gain为1，eps为50，thd_p为1。
原始输入窗口如图3所示，在图3中，分别计算灰度值为50和67为中心点的像素点，分别采用中值算法滤波后，灰度值50则变换为灰度值60,灰度值67则变换为60，可以看出其变换量非常大。
如图4，采用本发明：
以灰度值50的像素点为中心点，对其周边3*3的窗口进行求方差Var(i，j)为21.3，求方向梯度：edg_x＝-29，edg_y＝-7，edg_xy＝-21，edg_yx＝-23，方差归一化后的值为：0.3，对各方向梯度约束后，edg_xa＝-1，edg_ya＝-1，edg_xya＝-1，edg_yxa＝-1，最终计算后的目标像素点的灰度值为：51.2，记原目标像素点的灰度值有50变为51.2。
以灰度值67的像素点为中心点，对其周边3*3的窗口进行求方差Var(i，j)为39.5，求方向梯度：edg_x＝36，edg_y＝11，edg_xy＝21，edg_yx＝13，方差归一化后的值为：0.44，对各方向梯度约束后，edg_xa＝1，edg_ya＝1，edg_xya＝1，edg_yxa＝1，最终计算后的目标像素点的灰度值为：65.2，记原目标像素点的灰度值有67变为65.2。
其数据如图3、图4所示，本发明基于上述方案后，将和中值法进行比较为例说明本发明对于边缘保持的优势；在图3中，分别计算灰度值为50和67为中心点的像素点，分别采用中值算法滤波后，灰度值50则变换为灰度值60,灰度值67则变换为60，可以看出其变换量非常大，而采用本发明后，50变换为51.2,67变换为65.2。因此，对于本发明而言，可以看出，其变换量更趋向于相邻数据，对于红外图像而言，其52、50、52的灰度值的像素点，相比前后两列的数据而言，其实质是一个条纹区域，而采用中值法，其50变为60，首先差异很大，会造成条纹区域的更大噪点，因此不如本发明能保持原始图像，与原始图像相比，其相邻周边的像素点都做了上述处理后，其值是向某中心值趋向的，且不会由于红外图像条纹区域的异常造成突变的变换。其最终图像非常均匀能有效缓解条纹强度。
如图5、图6.都是在Thd_p＝1,gain＝0.4的条件下，完成的，左图是原始未去噪图，右图为去噪图，可以看出，右图的边缘保持的非常清晰，整个画面很平滑，去噪效果明显。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，
在待去噪红外图像中，获得任意一个目标像素点；
以目标像素点为中心，获得M*P窗口的像素区域，M和P均为≥3的奇数；
获得像素区域A中所有像素点的灰度值；
以目标像素点为中心原点，分别获得目标像素点与周边8个方向上的像素点之间的灰度差，这8个方向分别为正东方向、正西方向、正北方向、正南方向、东北方向、西北方向、东南方向、西南方向，对正东方向和正西方向上求得的所有灰度差进行求和形成X方向梯度，对正北方向和正南方向上求得的所有灰度差求和形成Y方向梯度，对西北方向和东南方向上求得的所有灰度差求和形成XY方向梯度，对东北方向和西南方向上求得的所有灰度差求和YX方向梯度；
分别对X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小进行阈值约束后获得新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度；
获得M*P窗口的像素区域中所有像素点灰度值的方差，对方差进行归一化处理，得到方差归一化值；
将新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度、以及方差归一化值作为目标像素点的去噪因子参与去噪处理，其处理方法为：对新X方向梯度、新Y方向梯度、新XY方向梯度、新YX方向梯度进行求和后作为噪声估计值，将方差归一化值作为约束条件对噪声估计值进行约束得到约束噪声估计值，然后用当前目标像素点的灰度值减去约束噪声估计值后得到目标像素点新的灰度值。
2.根据权利要求1所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，M和P均为3时，获得X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的具体方法为：
其中，以目标像素点为中心原点构建坐标系，8个方向包括：目标像素点指向像素点A(i,j-1)的正西方向，目标像素点指向像素点A(i,j+1)的正东方向；目标像素点指向像素点B(i-1,j)的正北方向，目标像素点指向像素点B(i+1,j)的正南方向，目标像素点指向像素点C(i-1,j-1)的西北方向，目标像素点指向像素点C(i+1,j+1)的东南方向；目标像素点指向像素点D(i-1,j+1)的东北方向，目标像素点指向像素点D(i+1,j-1)的西南方向；
获得目标像素点与像素点A(i,j-1)的灰度差X1、获得目标像素点与像素点A(i,j+1)的灰度差X2，以灰度差X1和灰度差X2之和构建X方向梯度；
获得目标像素点与像素点B(i-1,j)的灰度差Y1、获得目标像素点与像素点B(i+1,j)的灰度差Y2，以灰度差Y1和灰度差Y2之和构建Y方向梯度；
获得目标像素点与像素点C(i-1,j-1)的灰度差XY1、获得目标像素点与像素点C(i+1,j+1)的灰度差XY2，以灰度差XY1和灰度差XY2之和XY方向梯度；
获得目标像素点与像素点D(i-1,j+1)的灰度差YX1、获得目标像素点与像素点D(i+1,j-1)的灰度差YX2，以灰度差YX1和灰度差YX2之和YX方向梯度。
3.根据权利要求2所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，在坐标系中，所述像素点D(i-1,j+1)位于45°方向上，像素点C(i-1,j-1)位于135°方向上，像素点D(i+1,j-1)位于225°方向上，像素点C(i+1,j+1)位于315°方向上。
4.根据权利要求2所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，记edg_x为X方向梯度，edg_y为Y方向梯度，edg_xy为XY方向梯度，edg_yx为xy方向梯度，
edg_x＝I(i,j)-I(i,j-1)+I(i,j)-I(i,j+1)，
edg_y＝I(i,j)-I(i-1,j)+I(i,j)-I(i+1,j)，
edg_xy＝I(i,j)-I(i-1,j-1)+I(i,j)-I(i+1,j+1)，
edg_yx＝I(i,j)-I(i+1,j-1)+I(i,j-I(i-1,j+1)，
其中，I(i,j)为目标像素点的灰度值，I(i,j-1)为像素点A(i,j-1)的灰度值，I(i,j+1)为像素点A(i,j+1)的灰度值，I(i-1,j)为像素点B(i-1,j)的灰度值，I(i+1,j)为像素点B(i+1,j)的灰度值，I(i-1,j-1)为像素点C(i-1,j-1)的灰度值，I(i+1,j+1)为像素点C(i+1,j+1)的灰度值，I(i+1,j-1)为像素点D(i+1,j-1)的灰度值，I(i-1,j+1)为像素点D(i-1,j+1)的灰度值。
5.根据权利要求1所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，
对X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的大小进行阈值约束后获得新的X方向梯度、Y方向梯度、XY方向梯度、YX方向梯度的方法为：
设thd_p为阈值，记edg_x为原X方向梯度，edg_y为原Y方向梯度，edg_xy为原XY方向梯度，edg_yx为原xy方向梯度，记edg_xa为新X方向梯度，edg_ya为新Y方向梯度，edg_xya为新XY方向梯度，edg_yxa为新xy方向梯度，
若edg_x≥thd_p，则edg_xa＝thd_p，若edg_x≤-thd_p，则edg_xa＝-thd_p，若thd_p＞edg_x＞-thd_p，则edg_xa＝edg_x，
若edg_y≥thd_p，则edg_ya＝thd_p，若edg_y≤-thd_p，则edg_ya＝-thd_p，若thd_p＞edg_y＞-thd_p，则edg_ya＝edg_y，
若edg_xy≥thd_p，则edg_xya＝thd_p，若edg_xy≤-thd_p，则edg_xya＝-thd_p，若thd_p＞edg_xy＞-thd_p，则edg_xya＝edg_xy，
若edg_yx≥thd_p，则edg_yxa＝thd_p，若edg_yx≤-thd_p，则edg_yxa＝-thd_p，若thd_p＞edg_yx＞-thd_p，则edg_yxa＝edg_yx。
6.根据权利要求1所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，
将获得M*P窗口的像素区域中所有像素点灰度值的方差记为Var(i，j)，归一化方差记为G(i，j)，则G(i，j)＝Var(i，j)/(Var(i，j)+eps)，eps为探测器噪声。
7.根据权利要求1所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，
在去噪处理时，还引入有可调节的增益作为去噪因子。
8.根据权利要求1所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，
去噪处理的计算公式为：
Dout(i,j)＝I(i,j)-G(i,j)*gain*(edg_xa+edg_ya+edg_xya+edg_yxa)或Dout(i,j)＝I(i,j)-A(i,j)*(edg_xa+edg_ya+edg_xya+edg_yxa)；
其中Dout(i,j)为目标像素点去噪后的灰度值，I(i,j)为目标像素点的灰度值，G(i,j)为方差归一化后的值；gain为可调节的增益，edg_xa为新X方向梯度，edg_ya为新Y方向梯度，edg_xya为新XY方向梯度，edg_yxa为新xy方向梯度。
9.根据权利要求1-8中任意一项所述的一种方差梯度约束法红外图像边缘保持去噪方法，其特征在于，所述待去噪红外图像为整个原始输入的原始红外图像或对原始输入的原始红外图像进行边缘化识别后的获得的红外图像边缘区域图像。
CN201811378400.0A 2018-11-19 2018-11-19 一种方差梯度约束法红外图像边缘保持去噪方法 Active CN109559286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811378400.0A CN109559286B (zh) 2018-11-19 2018-11-19 一种方差梯度约束法红外图像边缘保持去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811378400.0A CN109559286B (zh) 2018-11-19 2018-11-19 一种方差梯度约束法红外图像边缘保持去噪方法

Publications (2)

Publication Number Publication Date
CN109559286A true CN109559286A (zh) 2019-04-02
CN109559286B CN109559286B (zh) 2022-12-06

Family

ID=65866436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811378400.0A Active CN109559286B (zh) 2018-11-19 2018-11-19 一种方差梯度约束法红外图像边缘保持去噪方法

Country Status (1)

Country Link
CN (1) CN109559286B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674238A (zh) * 2021-08-16 2021-11-19 浙江大华技术股份有限公司 坏点检测方法、装置、电子设备和存储介质

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060029253A1 (en) * 2004-07-30 2006-02-09 Euclid Discoveries Llc Apparatus and method for processing video data
CN101050961A (zh) * 2007-04-30 2007-10-10 西南林学院 一种基于地性线的卫星遥感图像几何精纠正方法
CN101950414A (zh) * 2010-09-02 2011-01-19 西安电子科技大学 自然图像非局部均值去噪方法
US20110317916A1 (en) * 2010-06-28 2011-12-29 The Hong Kong Polytechnic University Method and system for spatial-temporal denoising and demosaicking for noisy color filter array videos
US20120281923A1 (en) * 2011-05-02 2012-11-08 Yeda Research And Development Co., Ltd. Device, system, and method of image processing utilizing non-uniform image patch recurrence
CN103530896A (zh) * 2013-09-25 2014-01-22 电子科技大学 一种红外图像的图像压缩和细节增强方法
CN103761731A (zh) * 2014-01-02 2014-04-30 河南科技大学 一种基于非下采样轮廓波变换的红外空中小目标检测方法
CN105894472A (zh) * 2016-04-14 2016-08-24 辽宁师范大学 基于非下采样小波变换的改进四阶偏微分图像去噪方法
CN105957030A (zh) * 2016-04-26 2016-09-21 成都市晶林科技有限公司 一种应用于红外热像仪图像细节增强和噪声抑制方法
CN106910169A (zh) * 2017-01-26 2017-06-30 苏州大学 一种防止边缘模糊的图像椒盐噪声去除方法
CN106991661A (zh) * 2017-03-31 2017-07-28 重庆大学 融合kl变换与灰色关联度的非局部均值去噪方法
CN107016652A (zh) * 2017-03-14 2017-08-04 中国人民解放军空军工程大学 一种基于多尺度特征的红外噪声抑制和细节增强方法
CN107274337A (zh) * 2017-06-20 2017-10-20 长沙全度影像科技有限公司 一种基于改进光流的图像拼接方法
CN107507169A (zh) * 2017-07-28 2017-12-22 深圳市安健科技股份有限公司 双能减影参数的估算方法及计算机可读存储介质
CN107516295A (zh) * 2016-06-15 2017-12-26 诺基亚技术有限公司 去除图像中的噪声的方法和装置
CN107705274A (zh) * 2017-08-21 2018-02-16 中国核电工程有限公司 一种基于数学形态学多尺度的微光与红外图像融合方法
CN108198193A (zh) * 2018-01-16 2018-06-22 北京航空航天大学 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法
US20180197277A1 (en) * 2017-01-09 2018-07-12 Samsung Electronics Co., Ltd. Image denoising with color-edge contrast preserving
CN108648162A (zh) * 2018-05-16 2018-10-12 浙江大学 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法
CN108833311A (zh) * 2018-05-22 2018-11-16 杭州电子科技大学 联合时域聚类去噪与均衡判决的变换域二次估计方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060029253A1 (en) * 2004-07-30 2006-02-09 Euclid Discoveries Llc Apparatus and method for processing video data
CN101050961A (zh) * 2007-04-30 2007-10-10 西南林学院 一种基于地性线的卫星遥感图像几何精纠正方法
US20110317916A1 (en) * 2010-06-28 2011-12-29 The Hong Kong Polytechnic University Method and system for spatial-temporal denoising and demosaicking for noisy color filter array videos
CN101950414A (zh) * 2010-09-02 2011-01-19 西安电子科技大学 自然图像非局部均值去噪方法
US20120281923A1 (en) * 2011-05-02 2012-11-08 Yeda Research And Development Co., Ltd. Device, system, and method of image processing utilizing non-uniform image patch recurrence
CN103530896A (zh) * 2013-09-25 2014-01-22 电子科技大学 一种红外图像的图像压缩和细节增强方法
CN103761731A (zh) * 2014-01-02 2014-04-30 河南科技大学 一种基于非下采样轮廓波变换的红外空中小目标检测方法
CN105894472A (zh) * 2016-04-14 2016-08-24 辽宁师范大学 基于非下采样小波变换的改进四阶偏微分图像去噪方法
CN105957030A (zh) * 2016-04-26 2016-09-21 成都市晶林科技有限公司 一种应用于红外热像仪图像细节增强和噪声抑制方法
CN107516295A (zh) * 2016-06-15 2017-12-26 诺基亚技术有限公司 去除图像中的噪声的方法和装置
US20180197277A1 (en) * 2017-01-09 2018-07-12 Samsung Electronics Co., Ltd. Image denoising with color-edge contrast preserving
CN106910169A (zh) * 2017-01-26 2017-06-30 苏州大学 一种防止边缘模糊的图像椒盐噪声去除方法
CN107016652A (zh) * 2017-03-14 2017-08-04 中国人民解放军空军工程大学 一种基于多尺度特征的红外噪声抑制和细节增强方法
CN106991661A (zh) * 2017-03-31 2017-07-28 重庆大学 融合kl变换与灰色关联度的非局部均值去噪方法
CN107274337A (zh) * 2017-06-20 2017-10-20 长沙全度影像科技有限公司 一种基于改进光流的图像拼接方法
CN107507169A (zh) * 2017-07-28 2017-12-22 深圳市安健科技股份有限公司 双能减影参数的估算方法及计算机可读存储介质
CN107705274A (zh) * 2017-08-21 2018-02-16 中国核电工程有限公司 一种基于数学形态学多尺度的微光与红外图像融合方法
CN108198193A (zh) * 2018-01-16 2018-06-22 北京航空航天大学 一种利用改进直觉模糊聚类算法分割红外舰船图像的方法
CN108648162A (zh) * 2018-05-16 2018-10-12 浙江大学 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法
CN108833311A (zh) * 2018-05-22 2018-11-16 杭州电子科技大学 联合时域聚类去噪与均衡判决的变换域二次估计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DALEI WU: "A compressive sensing method for noise reduction of speech and audio signals", 《2011 IEEE 54TH INTERNATIONAL MIDWEST SYMPOSIUM ON CIRCUITS AND SYSTEMS (MWSCAS)》 *
KUN WANG: "Infrared image segmentation of aircraft skin damage based on the game between MRF and improved GVF snake", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
刘勍: "现代数字图像噪声滤除技术及其评价", 《自动化与仪器仪表》 *
李恪: "基于灰度梯度映射函数的舰船热尾流红外图像分割", 《激光与红外》 *
陈家益: "修剪中值检测的自适应加权中值滤波算法", 《计算机科学与探索》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674238A (zh) * 2021-08-16 2021-11-19 浙江大华技术股份有限公司 坏点检测方法、装置、电子设备和存储介质
CN113674238B (zh) * 2021-08-16 2024-06-11 浙江大华技术股份有限公司 坏点检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN109559286B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN109584174A (zh) 一种梯度最小法红外图像边缘保持去噪方法
CN109903241B (zh) 一种tof相机系统的深度图像校准方法及系统
Zhuo et al. Defocus map estimation from a single image
CN110717942B (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
Chung et al. A non-parametric blur measure based on edge analysis for image processing applications
Richards Iterative noncoherent angular superresolution (radar)
JP5315157B2 (ja) 情報処理装置、ライン状ノイズ低減処理方法、及びプログラム
CN105957058B (zh) 一种星图的预处理方法
CN109272520B (zh) 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法
CN103164846B (zh) 一种基于转向核估计的红外条纹非均匀性校正方法
CN110874827B (zh) 湍流图像复原方法、装置、终端设备及计算机可读介质
CN110428466B (zh) 一种非均匀性校正的方法和设备
CN107727231B (zh) 一种对光谱成像仪条带噪声进行修正的方法
US20150350576A1 (en) Raw Camera Noise Reduction Using Alignment Mapping
CN109559286A (zh) 一种方差梯度约束法红外图像边缘保持去噪方法
Tanbakuchi et al. Adaptive pixel defect correction
Bhattacharya et al. Evaluating performance of some common filtering techniques for removal of Gaussian noise in images
Andruk et al. Processing of CCD images of star fields without the frame of a flat field by using new software in program shell of MIDAS/ROMAFOT
CN111899200A (zh) 一种基于3d滤波的红外图像增强方法
Shi et al. Restoration of atmospheric turbulence degraded images
CN114998571B (zh) 基于固定尺寸标志物的图像处理及颜色检测方法
CN114820376A (zh) 条带噪声的融合校正方法、装置、电子设备及存储介质
Zwart et al. Improved motion estimation for restoring turbulence-distorted video
CN113506212A (zh) 一种改进的基于pocs的高光谱图像超分辨率重建方法
CN111652820A (zh) 校正红外图像条纹非均匀性的方法、装置与图像处理系统

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