CN109598723B - 一种图像噪声检测方法及装置 - Google Patents

一种图像噪声检测方法及装置 Download PDF

Info

Publication number
CN109598723B
CN109598723B CN201811512161.3A CN201811512161A CN109598723B CN 109598723 B CN109598723 B CN 109598723B CN 201811512161 A CN201811512161 A CN 201811512161A CN 109598723 B CN109598723 B CN 109598723B
Authority
CN
China
Prior art keywords
detected
region
point
image
search
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
CN201811512161.3A
Other languages
English (en)
Other versions
CN109598723A (zh
Inventor
贾若然
昌玮
王涛
刘登
牛鑫
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.)
Iflytek Zhiyu (Anhui) Technology Co.,Ltd.
Original Assignee
Iflytek Information Technology Co Ltd
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 Iflytek Information Technology Co Ltd filed Critical Iflytek Information Technology Co Ltd
Priority to CN201811512161.3A priority Critical patent/CN109598723B/zh
Publication of CN109598723A publication Critical patent/CN109598723A/zh
Application granted granted Critical
Publication of CN109598723B publication Critical patent/CN109598723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种图像噪声检测方法及装置，该方法包括：在获取到待检测图像后，可以将待检测图像中的每一像素点作为待检测点，然后，选择每一待检测点对应的待检测区域，其中，该待检测区域包括对应的待检测点以及该待检测点的周边像素点，接着，判断待检测图像中是否存在该待检测区域的相似纹理区域，若不存在相似纹理区域，则可以确定该待检测区域所包含的待检测点为噪声点。可见，本申请通过判断待检测图像中每一待检测点对应的待检测区域是否存在相似纹理区域的方式，来判断每一待检测点是否为噪声点，从而可以提高噪声检测结果的准确性，避免出现误判和漏判的情况。

Description

一种图像噪声检测方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种图像噪声检测方法及装置。
背景技术
随着平安城市、大安防的发展，监控摄像机的数量在不断增加、其功能也在不断智能化，因此，在不需要人为干预的情况下，可以利用计算机视觉技术和人工智能技术对监控视频信号进行处理、分析和理解，以通过对序列图像自动进行分析，实现对监控场景中的运动物体进行定位、识别和跟踪，并在此基础上分析和判断运动物体的行为，这样，能在异常情况发生时及时发出警报或提供有用信息，有效地协助安全人员处理安全事件。
但是，计算机视觉技术和人工智能技术要求输入的视频图像质量达到一定的标准才能发挥人工智能算法的作用，但海量的监控摄像机视频质量分析给监控系统的维护工作带来了新的挑战。如何及时了解前端视频设备的视频质量情况，检测出视频监控画面中是否具有椒盐、高斯等噪声现象，对于成千上万个监控摄像机能否进一步实现智能监控具有重要意义。
现有的图像噪声检测方法，通常采用局部滤波的方式进行检测，即，对于图像中的各个像素点，结合每一像素点及其周边像素点的像素值来判断该像素点是否是噪声点，但这种局部处理方式对图像梯度较为敏感，容易将图像中梯度丰富处的像素点判断为噪声点，鲁棒性较差，容易出现误判和漏判的情况。
发明内容
本申请实施例的主要目的在于提供一种图像噪声检测方法及装置，能够提高噪声检测结果的准确性。
本申请实施例提供了一种图像噪声检测方法，包括：
获取待检测图像，并将所述待检测图像中的每一像素点作为待检测点；
选择所述待检测点对应的待检测区域，所述待检测区域包括所述待检测点以及所述待检测点的周边像素点；
判断所述待检测图像中是否存在所述待检测区域的相似纹理区域；
若不存在所述相似纹理区域，则确定所述待检测点为噪声点。
可选的，所述判断所述待检测图像中是否存在所述待检测区域的相似纹理区域，包括：
选择所述待检测点对应的搜索区域，所述搜索区域包括所述待检测点且所述搜索区域大于所述待检测区域；
对于所述搜索区域内的各个不同的搜索子区域，确定所述搜索子区域与所述待检测区域之间的相似度；
根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域。
可选的，所述搜索区域为N行M列的像素点阵列，所述搜索子区域与所述待检测区域均为n行m列的像素点阵列，各个所述搜索子区域中不存在所述待检测区域。
可选的，所述确定所述搜索子区域与所述待检测区域之间的相似度，包括：
生成表征所述搜索子区域与所述待检测区域之间的相似度的相似值；
则，所述根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域，包括：
计算各个搜索子区域对应的各个相似值的和值；
若所述和值大于预设阈值，则确定所述待检测图像中存在所述待检测区域的相似纹理区域。
可选的，所述选择所述待检测点对应的待检测区域之后，还包括：
若所述待检测区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
可选的，所述选择所述待检测点对应的搜索区域之后，还包括：
若所述搜索区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
可选的，所述方法还包括：
统计存在相似纹理区域的所述待检测区域的个数；
根据统计的个数在所述待检测图像的像素点总数中的占比，确定所述待检测图像含有噪声的程度。
可选的，所述待检测图像为灰度图像。
本申请实施例还提供了一种图像噪声检测装置，包括：
图像获取单元，用于获取待检测图像，并将所述待检测图像中的每一像素点作为待检测点；
区域选择单元，用于选择所述待检测点对应的待检测区域，所述待检测区域包括所述待检测点以及所述待检测点的周边像素点；
区域判断单元，用于判断所述待检测图像中是否存在所述待检测区域的相似纹理区域；
噪声点确定单元，用于若不存在所述相似纹理区域，则确定所述待检测点为噪声点。
可选的，所述区域判断单元包括：
搜索区域选择子单元，用于选择所述待检测点对应的搜索区域，所述搜索区域包括所述待检测点且所述搜索区域大于所述待检测区域；
相似度确定子单元，用于对于所述搜索区域内的各个不同的搜索子区域，确定所述搜索子区域与所述待检测区域之间的相似度；
纹理区域判断子单元，用于根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域。
可选的，所述搜索区域为N行M列的像素点阵列，所述搜索子区域与所述待检测区域均为n行m列的像素点阵列，各个所述搜索子区域中不存在所述待检测区域。
可选的，所述相似度确定子单元具体用于：
生成表征所述搜索子区域与所述待检测区域之间的相似度的相似值；
则，所述纹理区域判断子单元包括：
和值计算子单元，用于计算各个搜索子区域对应的各个相似值的和值；
纹理区域确定子单元，用于若所述和值大于预设阈值，则确定所述待检测图像中存在所述待检测区域的相似纹理区域。
可选的，所述装置还包括：
像素点填充单元，用于在选择所述待检测点对应的待检测区域之后，若所述待检测区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
可选的，所述区域判断单元还包括：
像素点填充子单元，用于在选择所述待检测点对应的搜索区域之后，若所述搜索区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
可选的，所述装置还包括：
个数统计单元，用于统计存在相似纹理区域的所述待检测区域的个数；
程度确定单元，用于根据统计的个数在所述待检测图像的像素点总数中的占比，确定所述待检测图像含有噪声的程度。
可选的，所述待检测图像为灰度图像。
本申请实施例还提供了一种图像噪声检测装置，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述图像噪声检测方法中的任意一种实现方式。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述图像噪声检测方法中的任意一种实现方式。
本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述图像噪声检测方法中的任意一种实现方式。
本申请实施例提供的一种图像噪声检测方法及装置，在获取到待检测图像后，可以将待检测图像中的每一像素点作为待检测点，然后，选择每一待检测点对应的待检测区域，其中，该待检测区域包括对应的待检测点以及该待检测点的周边像素点，接着，判断待检测图像中是否存在该待检测区域的相似纹理区域，若不存在相似纹理区域，则可以确定该待检测区域所包含的待检测点为噪声点，若存在相似纹理区域，则可以确定该待检测区域所包含的待检测点并不是噪声点。可见，本申请实施例通过判断待检测图像中每一待检测点对应的待检测区域是否存在相似纹理区域的方式，来判断每一待检测点是否为噪声点，从而可以提高噪声检测结果的准确性，避免出现误判和漏判的情况。
附图说明
为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种图像噪声检测方法的流程示意图；
图2为本申请实施例提供的待检测区域和搜索区域的示意图；
图3为本申请实施例提供的判断待检测图像中是否存在待检测区域的相似纹理区域的流程示意图；
图4为本申请实施例提供的待检测区域和搜索区域以及搜索子区域的示意图；
图5为本申请实施例提供的在搜索区域中遍历搜索子区域的示意图；
图6为本申请实施例提供的为待检测区域填充像素点的示意图；
图7为本申请实施例提供的确定待检测图像含有噪声的程度的示意图；
图8为本申请实施例提供的一种图像噪声检测装置的组成示意图。
具体实施方式
在一些图像噪声检测方法中，通常是采用局部滤波的方式，对于待检测图像中的每一像素点，只结合该像素点及其周边像素点的像素值来判断该像素点是否是噪声点，但这种局部滤波方式对图像梯度较为敏感，容易将图像中梯度丰富处的像素点判定为噪声点，比如，若某一像素点及其周边局部像素点处的梯度较为丰富，则利用这种局部滤波方式对其进行检测时，容易将其误判为噪声点，导致检测结果不准确，因此，采用这种局部滤波方式检测噪声点时，鲁棒性较差，容易出现误判和漏判的情况。
为解决上述缺陷，本申请实施例提供了一种图像噪声检测方法，对待检测图像中的每一待检测的像素点，首先确定出包含该像素点及其周边像素点的区域，作为该像素点对应的待检测区域，然后，判断出待检测图像中是否存在与该待检测区域具有较高纹理相似性的区域，用以判断出该待检测的像素点是否为噪声点。
具体来讲，通常情况下，若该待检测的像素点对应的待检测区域在待检测图像中存在与其具有较高纹理相似性的区域，则表明该像素点不是噪声点，反之，则表明该像素点为噪声点，这是因为，对于噪声点来说，由于噪声存在随机性，所以在待检测图像中很难找到与含有噪声点的区域存在较高纹理相似性的区域。可见，本申请实施例不再采用现有的局部滤波的方式对待检测图像进行噪声检测，而是通过判断待检测图像中每一像素点对应的待检测区域是否存在与其具有较高纹理相似性的区域的方式，来判断每一像素点是否为噪声点，这种检测方式鲁棒性较强，可以提高噪声检测结果的准确性，从而避免出现误判和漏判的情况。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
第一实施例
参见图1，为本实施例提供的一种图像噪声检测方法的流程示意图，该方法包括以下步骤：
S101：获取待检测图像，并将该待检测图像中的每一像素点作为待检测点。
在本实施例中，将采用本实施例实现噪声检测的任一图像定义为待检测图像，并将待检测图像中的每一像素点定义为待检测点。需要说明的是，本实施例不限制待检测图像的类型，比如，待检测图像可以是由红(G)、绿(G)、蓝(B)三原色组成的彩色图像、也可以是灰度图像等。
当本步骤S101中的待检测图像为灰度图像时，一种可能的情况是，待检测图像的原始图像就是灰度图像，故而，可以直接将其原始图像作为待检测图像。而另一种可能的情况是，待检测图像的原始图像本身不是灰度图像，比如其原始图像是由红、绿、蓝三原色组成的彩色图像，即，待检测图像的原始图像中的每个像素点的颜色均对应一个RGB(R，G，B)值，此时，可以将其原始图像转换为灰度图像，并将该灰度图像作为待检测图像。
其中，当将彩色的原始图像转换为灰度图像时，可以利用浮点算法(如下公式(1))、整数方法(如下公式(2))、移位方法(如下公式(3))、平均值法(如下公式(4))、仅取绿色(如下公式(5))中的任意一种方法，对彩色的原始图像进行灰度转换，具体的转换方式可根据实际情况进行选择，本申请实施例对此不进行限制。
Gray＝R*0.3+G*0.59+B*0.11 (1)
Gray＝(R*30+G*59+B*11)/100 (2)
Gray＝(R*76+G*151+B*28)＞＞8 (3)
Gray＝(R+G+B)/3 (4)
Gray＝G (5)
其中，Gray表示转换后的灰度图像中每一像素点对应的灰度值。
S102：选择待检测点对应的待检测区域，其中，待检测区域包括待检测点以及待检测点的周边像素点。
在本实施例中，通过步骤S101获取到待检测图像并将该待检测图像中的每一像素点作为待检测点后，可以按照后续步骤S102-S104对每一像素点进行噪声检测。需要说明的是，在后续内容中，本实施例将以待检测图像中的某一个待检测点为准来介绍如何检测该待检测点是否为噪声点，而其它待检测点的检测方式与之类似，不再一一赘述。
在本步骤S102中，需要选择该待检测点对应的待检测区域，其中，该待检测区域指的是包括该待检测点以及该待检测点的周边像素点的区域，需要说明的是，本实施例不限制待检测区域的大小，即，不限制待检测区域所包含的像素点的个数，此外，当该待检测点属于待检测图像的边缘像素点时，其对应的待检测区域中可能只有部分像素点属于待检测图像，这种情况的处理方式将在后续第二实施例中介绍。
举例说明：如图2所示，假设图2中的整体方框代表一个待检测图像，且其中的每个小方框代表了一个像素点，每一个像素点即为一个待检测点，对于图2灰色方框中最中心位置的小方框，关于这个小方框所代表的待检测点，该待检测点对应的待检测区域可以是由该待检测点以及该待检测点周边的8个像素点组成的区域(即图2中粗线框里面包含的9个灰色小方框)。
S103：判断待检测图像中是否存在该待检测区域的相似纹理区域。
实际应用中，在判断待检测图像中每一像素点是否为噪声点时，不能仅仅从该像素点的值来判断，还需要从整个待检测图像的角度来判断，一般说来，对于待检测图像中任一不包含噪声点的小块区域来说，总能在该待检测图像中寻找出与该小块区域在纹理上较为接近的另一小块区域，但对于待检测图像中任一包含噪声点的小块区域来说，由于噪声存在随机性，所以在待检测图像中很难能找到与该包含噪声点的小块区域在纹理上存在较高相似性的区域。
基于此，在本实施例中，通过步骤S102选择待检测点对应的待检测区域后，可以判断待检测图像中是否存在该待检测区域的相似纹理区域。其中，相似纹理区域指的是待检测图像中与该待检测区域在纹理上较为接近的区域。若判断出待检测图像中不存在该待检测区域的相似纹理区域，则可继续执行步骤S104，反之，若判断出待检测图像中存在该待检测区域的相似纹理区域，则可继续执行步骤S105。
需要说明的是，本步骤S103的具体实现方式将在第二实施例中介绍。
S104：确定待检测点为噪声点。
在本实施例中，若通过步骤S103判断出待检测图像中不存在该待检测区域的相似纹理区域，则说明该待检测区域内包含的是噪声点，即，该待检测区域对应的待检测点为噪声点。
S105：确定待检测点不是噪声点。
在本实施例中，若通过步骤S103判断出待检测图像中存在该待检测区域的相似纹理区域，则说明该待检测区域内不包含噪声点，即，该待检测区域对应的待检测点并不是噪声点。
可见，关于待检测图像中的每一待检测点，均可以通过上步骤S102-S105确定出每一待检测点是否为噪声点。
进一步地，一种可选的实现方式是，本实施例还可以包括以下步骤A1-A2：
步骤A1：统计存在相似纹理区域的待检测区域的个数。
在本实现方式中，通过上述步骤判断出待检测图像中每一像素点对应的待检测区域是否存在相似纹理区域后，可以从中统计出存在相似纹理区域的待检测区域的个数，该个数也表明了待检测图像中包含的非噪声点的个数。
步骤A2：根据统计的个数在待检测图像的像素点总数中的占比，确定待检测图像含有噪声的程度。
通过步骤A1统计出存在相似纹理区域的待检测区域的个数后，即，确定了待检测图像中包含的非噪声点的个数后，可以计算出非噪声点个数在待检测图像的像素点总数中的占比，该占比值表征了待检测图像中含有噪声点的程度，即，该占比值越大，待检测图像含有噪声的程度越小，反之，则待检测图像含有噪声的程度越大。
综上，本实施例提供的一种图像噪声检测方法，在获取到待检测图像后，可以将待检测图像中的每一像素点作为待检测点，然后，选择每一待检测点对应的待检测区域，其中，该待检测区域包括对应的待检测点以及该待检测点的周边像素点，接着，判断待检测图像中是否存在该待检测区域的相似纹理区域，若不存在相似纹理区域，则可以确定该待检测区域所包含的待检测点为噪声点，若存在相似纹理区域，则可以确定该待检测区域所包含的待检测点并不是噪声点。可见，本申请实施例通过判断待检测图像中每一待检测点对应的待检测区域是否存在相似纹理区域的方式，来判断每一待检测点是否为噪声点，从而可以提高噪声检测结果的准确性，避免出现误判和漏判的情况。
第二实施例
需要说明的是，本实施例将对上述步骤S103的具体实现方式进行介绍，并对待检测图像中的一个待检测点的检测方式进行说明，其它待检测点的检测方式与之类似，不再一一赘述。
参见图3，其示出了本实施例提供的判断待检测图像中是否存在待检测区域的相似纹理区域的流程示意图，该流程包括以下步骤：
S301：选择待检测点对应的搜索区域。
其中，该搜索区域包括待检测点、且该搜索区域大于该待检测点对应的待检测区域，如第一实施例中所述，该待检测区域包括该待检测点以及该待检测点的周边像素点。
在本实施例中，为了判断出待检测图像中是否存在该待检测点对应的待检测区域的相似纹理区域，可以进一步选择该待检测点对应的搜索区域，其中，该搜索区域包括了该待检测点，并且，该待检测点对应的搜索区域大于其对应的待检测区域。举例说明：如图2所示的待检测点，该待检测点对应的待检测区域是由该待检测点以及该待检测点周边的8个像素点组成的区域(即图2中粗线框里面包含的9个小方框)，而该待检测点对应的搜索区域可以是包含了该待检测区域的更大的区域，比如，该待检测点对应的搜索区域可以取为图2中的整个灰色阴影区域(即图2中25个灰色小方框组成的阴影区域)。
S302：对于搜索区域内的各个不同的搜索子区域，确定各个搜索子区域与该待检测区域之间的相似度。
在本实施例中，通过步骤S301选择出待检测点对应的搜索区域后，可以通过依次遍历的方式，从该搜索区域中依次找出与该待检测点对应的待检测区域大小相同的多个区域，这里，将找出的每一区域定义为搜索子区域。需要说明的是，待检测区域可以包含在搜索区域之内，但搜索区域的各个搜索子区域中并不包含与待检测区域重合的区域。并且，在遍历过程中，每遍历出一个搜索子区域，即可计算该搜索子区域与待检测区域之间的相似度。
其中，一种可选的实现方式是，搜索区域可以为N行M列的像素点阵列，而搜索区域内的各个搜索子区域与待检测区域均为n行m列的像素点阵列，且各个搜索子区域中不存在该待检测区域。并且，n行m列的像素点阵列要包含在N行M列的像素点阵列中，比如，搜索区域可以为9行10列的像素点阵列，而搜索子区域与待检测区域可以均为3行3列的像素点阵列，需要说明的是，N与M的取值可以相同，也可以不同，同理，n和m的取值也可以相同，也可以不同，具体的取值可根据实际情况来确定，本申请实施例对此不进行限制。
举例说明：假设图4所示的图像为待检测图像中的待检测点x对应的搜索区域，该搜索区域为一个13行13列的像素点阵列，该待检测点x对应的待检测区域可以是由该像素点x以及该像素点x周边的8个像素点组成的区域，也就是图4中心位置的灰色区域处的9个灰色小方框，该待检测区域为一个3行3列的像素点阵列。基于此，可以通过依次遍历的方式，从该搜索区域中确定出各个3行3列的不同像素点阵列，作为各个搜索子区域，具体可以按照以下方式遍历。
具体来讲，可以从搜索区域的左上角开始第一轮遍历，在第一轮遍历过程中，从左到右依次遍历、且遍历的相邻两个搜索子区域之间以1列为单位进行变换，当遍历到搜索区域的右上角子区域后开始第二轮遍历，在第二轮遍历过程中，仍从左到右依次遍历、且遍历的相邻两个搜索子区域之间仍以1列为单位进行变换，其中，在相邻两轮的遍历过程中，上下位置的搜索子区域之间以1行为单位进行变换，这样不断地对搜索区域进行遍历，直至遍历到右下角的搜索子区域为止。例如，如图5所示的各个搜索子区域y，从左向右、从上向下即可依次遍历出各个搜索子区域。
当然，也可以采用另一种遍历方式，即，可以从搜索区域的左上角开始第一轮遍历，在第一轮遍历过程中，从上到下依次遍历、且遍历的相邻两个搜索子区域之间以1行为单位进行变换，当遍历到搜索区域的左下角子区域后开始第二轮遍历，在第二轮遍历过程中，仍从上到下依次遍历、且遍历的相邻两个搜索子区域之间仍以1行为单位进行变换，其中，在相邻两轮的遍历过程中，左右位置的搜索子区域之间以1列为单位进行变换，这样不断地对搜索区域进行遍历，直至遍历到右下角的搜索子区域为止。
需要说明的是，本实施例可以以1行、1列为变换单位进行遍历，也可以以其它变换单位进行遍历，比如以2行、2列为变换单位进行遍历，本实施例对此不进行限制。
此外，每遍历到一个搜索子区域，便计算该搜索子区域与待检测点对应的待检测区域之间的相似度，但是，当遍历到的搜索子区域与待检测点对应的待检测区域重叠时，则不计算二者的相似度。
一种可选的实现方式是，对于搜索区域中的每一搜索子区域，可以生成表征该搜索子区域与待检测区域之间的相似度的相似值，用以表征该搜索子区域与待检测区域之间的相似度的大小，具体的计算公式如下：
Figure BDA0001901059990000111
其中，yi是表征搜索区域中第i个搜索子区域与待检测区域之间的相似度大小的相似值，即，yi的取值表征了第i个搜索子区域与待检测区域在纹理上的相似程度的高低，yi值越大，表明第i个搜索子区域与待检测区域在纹理上的相似性越高，反之，yi值越小，表明第i个搜索子区域与待检测区域在纹理上的相似性越低；V(x)表示待检测区域包含的一个像素点(如图5的x区域中的每一小方框)的值，V(y)表示第i个搜索子区域中与V(x)对应像素点位置一致的像素点的值，V(x)与V(y)的值可以是对应像素点的灰度值；h为平滑参数，其控制了公式(6)所示高斯函数的衰减程度，h取值越大，表明高斯函数变化越平缓，则计算出来的yi值也就较大，反之，h取值越小，则计算出来的yi值也就较小，需要说明的是，h的具体取值可以基于经验或实验结果进行预先设定，比如，可以取为10。
S303：根据各个搜索子区域对应的各个相似度，判断待检测图像中是否存在所述待检测区域的相似纹理区域。
在本实施例中，通过步骤S302确定出各个搜索子区域与待检测区域之间的相似度后，可对表征各个搜索子区域对应的各个相似度的相似值进行处理，并根据处理结果，判断出待检测图像中是否存在该待检测区域的相似纹理区域。
具体来讲，在本实施例的一种实现方式中，本步骤S303的具体实现方式可以包括以下步骤B1-B2：
步骤B1：计算各个搜索子区域对应的各个相似值的和值。
在本实现方式中，利用上述公式(6)计算出表征各个搜索子区域与待检测区域之间的相似度的相似值后，进一步可以计算出各个搜索子区域对应的各个相似值的和值，定义为Z(x)，具体的计算公式如下：
Figure BDA0001901059990000121
其中，Z(x)是各个搜索子区域对应的各个相似值的和值，其表示待检测图像中存在待检测区域的相似纹理区域的可能性大小，Z(x)值越大，则表明在待检测图像中存在待检测区域的相似纹理区域的可能性越大，反之，Z(x)值越小，则表明在待检测图像中存在待检测区域的相似纹理区域的可能性越小；其他参数的含义与上述公式(6)中一致，在此不再赘述。
步骤B2：若所述和值大于预设阈值，则确定待检测图像中存在待检测区域的相似纹理区域。
在本实现方式中，可以预先设定一个阈值，该预设阈值可以基于经验或实验结果进行设定，若通过步骤B1计算出各个搜索子区域对应的各个相似值的和值Z(x)大于该预设阈值，则可以确定待检测图像中存在待检测区域的相似纹理区域。
其中，预设阈值是用以判断待检测区域是否具有相似纹理区域的临界值，若超过该临界值，则表明待检测区域在待检测图像中存在相似纹理区域，反之，则表明待检测区域在待检测图像中不存在相似纹理区域。比如，假设预设阈值为0.5，而通过步骤B1计算出的各个搜索子区域对应的各个相似值的和值Z(x)为0.7，由于该值超过了预设阈值(0.7>0.5)，则表明待检测区域在待检测图像中存在相似纹理区域。
需要说明的是，当某待检测点为待检测图像中的边缘像素点或距离图像边缘较近的像素点，则该待检测点所属的待检测区域中可能包括待检测图像以外的区域，在本实施例的一种实现方式中，若该待检测区域中包括待检测图像以外的区域，则为该区域填充像素点。
在本实现方式中，若某待检测点所属的待检测区域中包括待检测图像以外的区域，则在该区域填充像素点，比如填充像素值均为0的像素点。例如，如图6所示，假设待检测图像为图6中除去第一行、最后一行、第一列、最后一列的6行6列的像素点阵列，若当前的待检测点是待检测图像中像素值(如灰度值)为“18”的边缘像素点，再对应选择其周围8个元素点组成3行3列的待检测区域，即图6中粗线框内的区域，可见，该待检测区域的第一行和第一列的区域均为待检测图像以外的区域，则需要为该区域填充像素点，比如为该区域填充像素值(如灰度值)为“0”的像素点。需要说明的是，像素点填充的方式并不唯一，比如，可以将该区域第一行位置填充像素值(如灰度值)为“0”的像素点，其他位置填充像素值(如灰度值)为其他数值比如0.1的像素点，具体数值可根据实际情况来确定，本申请实施例对此不进行限制。
类似地，当某待检测点为待检测图像中的边缘像素点或距离图像边缘较近的像素点，则该待检测点对应的搜索区域中可能包括待检测图像以外的区域，在本实施例的一种实现方式中，若该搜索区域中包括待检测图像以外的区域，则为该区域填充像素点。
在本实现方式中，若某待检测点对应的搜索区域中包括待检测图像以外的区域，则在该区域填充像素点，比如填充像素值均为0的像素点。例如：基于上述实现方式中的例子，如图6所示，假设某待检测点对应的待检测区域为如图6中粗线框内的3行3列的方框区域，且该待检测点对应的搜索区域为图6所示的整体方框区域，可见，该搜索区域的第一行、第一列、最后一行、最后一列的区域均为待检测图像以外的区域，则需要为该区域填充像素点，比如为该区域填充像素值(如灰度值)为“0”的像素点。需要说明的是，像素点填充的方式并不唯一，比如可以将该区域第一行和最后一行位置填充像素值(如灰度值)为“0”的像素点，其他位置填充像素值(如灰度值)为其他数值(比如“0.1”)的像素点，具体数值可根据实际情况来确定，本申请实施例对此不进行限制。
可见，当边缘像素点或距离图像边缘较近的像素点作为待检测点时，可以为该待检测点对应的待检测区域和搜索区域填充像素点，进而判断出待检测图像中是否存在该待检测区域的相似纹理区域，进而判断出该待检测点是否为噪声点，具体过程可参见步骤S301-S303及步骤S103-S105的介绍，在此不再赘述。
进一步的，在通过以上步骤计算出表征待检测图像中各个像素点对应的待检测区域的整体纹理相似性的值Z(x)后，可以利用这些Z(x)值构成一个与对应像素点位置一致的矩阵，然后再将各个Z(x)值与预设阈值进行比较，确定出在待检测图像中存在相似纹理区域的像素点(即非噪声点)以及在待检测图像中不存在相似纹理区域的像素点(即噪声点)，再将噪声点对应的值取为0，将非噪声点对应的值取为1，以构成一个新的矩阵，并基于此，通过第一实施例中的步骤A1-A2，统计其中元素值为1的个数在总元素个数的占比，即统计非噪声点个数在待检测图像的像素点总数中的占比，从而确定出待检测图像含有噪声的程度。
举例说明：如图7所示，假设待检测图像包含的像素点为a11、a12、a13、a21、a22、a23、a31、a32、a33，并构成了3行3列的方框图，如图7左侧图所示。同时，分别计算出表征每一像素点对应的待检测区域的整体纹理相似性的值，即Z11、Z12、Z13、Z21、Z22、Z23、Z31、Z32、Z33，并构成了3行3列的方框图，如图7中间图所示。接着，再将Z11、Z12、Z13、Z21、Z22、Z23、Z31、Z32、Z33分别与预设阈值进行比较，从而判断出各个像素点是否噪声点，并将噪声点对应的值取为0，非噪声点对应的值取为1，以构成一个3行3列的方框图，如图7右侧图所示。此时，可以统计出其中元素值为1的个数在总元素个数的占比为7/9，该占比值表明待检测图像中含有的非噪声点较多，从而表明该待检测图像含有噪声的程度较低。
综上，本实施例在选择某一像素点对应的搜索区域后，通过计算搜索区域中各个搜索子区域与待检测区域的相似度的方式，判断出待检测图像中是否存在该待检测区域的相似纹理区域，用以判断出该像素点是否为噪声点，从而可以提高噪声检测结果的准确性，进而避免出现误判和漏判的情况。
第三实施例
本实施例将对一种图像噪声检测装置进行介绍，相关内容请参见上述方法实施例。
参见图8，为本实施例提供的一种图像噪声检测装置的组成示意图，该装置800包括：
图像获取单元801，用于获取待检测图像，并将所述待检测图像中的每一像素点作为待检测点；
区域选择单元802，用于选择所述待检测点对应的待检测区域，所述待检测区域包括所述待检测点以及所述待检测点的周边像素点；
区域判断单元803，用于判断所述待检测图像中是否存在所述待检测区域的相似纹理区域；
噪声点确定单元804，用于若不存在所述相似纹理区域，则确定所述待检测点为噪声点。
在本实施例的一种实现方式中，所述区域判断单元803包括：
搜索区域选择子单元，用于选择所述待检测点对应的搜索区域，所述搜索区域包括所述待检测点且所述搜索区域大于所述待检测区域；
相似度确定子单元，用于对于所述搜索区域内的各个不同的搜索子区域，确定所述搜索子区域与所述待检测区域之间的相似度；
纹理区域判断子单元，用于根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域。
在本实施例的一种实现方式中，所述搜索区域为N行M列的像素点阵列，所述搜索子区域与所述待检测区域均为n行m列的像素点阵列，各个所述搜索子区域中不存在所述待检测区域。
在本实施例的一种实现方式中，所述相似度确定子单元具体用于：
生成表征所述搜索子区域与所述待检测区域之间的相似度的相似值；
则，所述纹理区域判断子单元包括：
和值计算子单元，用于计算各个搜索子区域对应的各个相似值的和值；
纹理区域确定子单元，用于若所述和值大于预设阈值，则确定所述待检测图像中存在所述待检测区域的相似纹理区域。
在本实施例的一种实现方式中，所述装置还包括：
像素点填充单元，用于在选择所述待检测点对应的待检测区域之后，若所述待检测区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
在本实施例的一种实现方式中，所述区域判断单元还包括：
像素点填充子单元，用于在选择所述待检测点对应的搜索区域之后，若所述搜索区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
在本实施例的一种实现方式中，所述装置还包括：
个数统计单元，用于统计存在相似纹理区域的所述待检测区域的个数；
程度确定单元，用于根据统计的个数在所述待检测图像的像素点总数中的占比，确定所述待检测图像含有噪声的程度。
在本实施例的一种实现方式中，所述待检测图像为灰度图像。
进一步地，本申请实施例还提供了一种图像噪声检测装置，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述图像噪声检测方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述图像噪声检测方法的任一种实现方法。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述图像噪声检测方法的任一种实现方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种图像噪声检测方法，其特征在于，包括：
获取待检测图像，并将所述待检测图像中的每一像素点作为待检测点；
选择所述待检测点对应的待检测区域，所述待检测区域包括所述待检测点以及所述待检测点的周边像素点；
选择所述待检测点对应的搜索区域，所述搜索区域包括所述待检测点且所述搜索区域大于所述待检测区域；
对于所述搜索区域内的各个不同的搜索子区域，确定所述搜索子区域与所述待检测区域之间的相似度；
根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域；
若不存在所述相似纹理区域，则确定所述待检测点为噪声点。
2.根据权利要求1所述的方法，其特征在于，所述搜索区域为N行M列的像素点阵列，所述搜索子区域与所述待检测区域均为n行m列的像素点阵列，各个所述搜索子区域中不存在所述待检测区域。
3.根据权利要求1所述的方法，其特征在于，所述确定所述搜索子区域与所述待检测区域之间的相似度，包括：
生成表征所述搜索子区域与所述待检测区域之间的相似度的相似值；
则，所述根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域，包括：
计算各个搜索子区域对应的各个相似值的和值；
若所述和值大于预设阈值，则确定所述待检测图像中存在所述待检测区域的相似纹理区域。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述选择所述待检测点对应的待检测区域之后，还包括：
若所述待检测区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述选择所述待检测点对应的搜索区域之后，还包括：
若所述搜索区域中包括所述待检测图像以外的区域，则为该区域填充像素点。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
统计存在相似纹理区域的所述待检测区域的个数；
根据统计的个数在所述待检测图像的像素点总数中的占比，确定所述待检测图像含有噪声的程度。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述待检测图像为灰度图像。
8.一种图像噪声检测装置，其特征在于，包括：
图像获取单元，用于获取待检测图像，并将所述待检测图像中的每一像素点作为待检测点；
区域选择单元，用于选择所述待检测点对应的待检测区域，所述待检测区域包括所述待检测点以及所述待检测点的周边像素点；
区域判断单元，用于选择所述待检测点对应的搜索区域，所述搜索区域包括所述待检测点且所述搜索区域大于所述待检测区域；对于所述搜索区域内的各个不同的搜索子区域，确定所述搜索子区域与所述待检测区域之间的相似度；根据各个搜索子区域对应的各个相似度，判断所述待检测图像中是否存在所述待检测区域的相似纹理区域；
噪声点确定单元，用于若不存在所述相似纹理区域，则确定所述待检测点为噪声点。
9.一种图像噪声检测装置，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的方法。
11.一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行权利要求1-7任一项所述的方法。
CN201811512161.3A 2018-12-11 2018-12-11 一种图像噪声检测方法及装置 Active CN109598723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811512161.3A CN109598723B (zh) 2018-12-11 2018-12-11 一种图像噪声检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811512161.3A CN109598723B (zh) 2018-12-11 2018-12-11 一种图像噪声检测方法及装置

Publications (2)

Publication Number Publication Date
CN109598723A CN109598723A (zh) 2019-04-09
CN109598723B true CN109598723B (zh) 2021-09-07

Family

ID=65962436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811512161.3A Active CN109598723B (zh) 2018-12-11 2018-12-11 一种图像噪声检测方法及装置

Country Status (1)

Country Link
CN (1) CN109598723B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390679B (zh) * 2019-07-03 2022-04-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和可读存储介质
CN112991253B (zh) * 2019-12-02 2024-05-31 合肥美亚光电技术股份有限公司 中心区域确定方法、异物剔除方法、装置及检测设备
CN113012202A (zh) * 2021-03-31 2021-06-22 开放智能机器（上海）有限公司 目标跟踪方法、装置、设备、介质及程序产品
CN114998979B (zh) * 2022-08-01 2022-11-18 中国通信建设第三工程局有限公司 一种智能车联网系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1404810B1 (it) * 2011-01-26 2013-11-29 St Microelectronics Srl Riconoscimento di texture nell'elaborazione di immagini
CN102314675B (zh) * 2011-09-27 2013-06-12 西安电子科技大学 基于小波高频的贝叶斯去噪方法
CN103200676B (zh) * 2013-03-29 2016-06-15 北京邮电大学 指纹库的建立方法及装置
CN103971343A (zh) * 2014-05-21 2014-08-06 浙江宇视科技有限公司 基于相似像素点检测的图像降噪方法
CN104835127B (zh) * 2015-05-19 2019-04-26 中国农业科学院农业信息研究所 一种自适应平滑滤波方法
CN106373098B (zh) * 2016-08-30 2019-04-23 天津大学 基于非相似像素统计的随机脉冲噪声去除方法

Also Published As

Publication number Publication date
CN109598723A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN109598723B (zh) 一种图像噪声检测方法及装置
CN110084095B (zh) 车道线检测方法、车道线检测装置和计算机存储介质
CN111815570B (zh) 区域入侵检测方法及其相关装置
CN109829445B (zh) 一种视频流中的车辆检测方法
CN112330593A (zh) 基于深度学习网络的建筑物表面裂缝检测方法
CN110610150A (zh) 一种目标运动物体的跟踪方法、装置、计算设备和介质
CN112580600A (zh) 粉尘浓度检测方法、装置、计算机设备和存储介质
CN109685794B (zh) 用于手机屏幕缺陷检测相机自适应步长dpc算法及装置
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN113096103A (zh) 一种面向放空火炬的烟气智能影像感知方法
CN113918744A (zh) 相似图像检索方法、装置、存储介质及计算机程序产品
CN113808200B (zh) 一种检测目标对象移动速度的方法、装置及电子设备
CN109740527B (zh) 一种视频帧中图像处理方法
CN117336453B (zh) 一种安检图像转换方法、系统、设备及存储介质
CN114549843A (zh) 频闪条纹检测及消除方法、装置、摄像设备及存储介质
CN113569859A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN105930813B (zh) 一种在任意自然场景下检测行文本的方法
CN111583341B (zh) 云台像机移位检测方法
CN114399733A (zh) 图像检测方法、装置、设备和存储介质
CN112509072A (zh) 一种图像格式的检测以及转换方法及装置
JPH10247246A (ja) 物体検出方法
CN115146686B (zh) 一种确定目标对象安装位置的方法、装置、设备及介质
CN109934169A (zh) 一种车道线识别方法及装置
CN114037959B (zh) 一种监控画面中危险情况的检测方法及装置
CN113112502B (zh) 线缆检测方法、机器人和具有存储功能的装置

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231225

Address after: 230000, 4th floor, Building A1, Xunfei Building, No. 666 Wangjiang West Road, Shushan District, Hefei City, Anhui Province

Patentee after: Iflytek Zhiyu (Anhui) Technology Co.,Ltd.

Address before: 230088 8th-10th floor, iFLYTEK building, 666 Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province

Patentee before: IFLYTEK INTELLIGENT SYSTEM Co.,Ltd.