CN109615599B - 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 - Google Patents
基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 Download PDFInfo
- Publication number
- CN109615599B CN109615599B CN201811525767.0A CN201811525767A CN109615599B CN 109615599 B CN109615599 B CN 109615599B CN 201811525767 A CN201811525767 A CN 201811525767A CN 109615599 B CN109615599 B CN 109615599B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- template
- pixels
- processed
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 45
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 230000014759 maintenance of location Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000003860 storage 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
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于分类选优的双边滤波算法,将图像中的各像素依次选定为中心像素,在中心像素周围按高斯滤波标准差选取第一模板,选取第一模板内结构相似像素生成第二模板,在第二模板内对像素进行双边滤波算法,以此得到中心像素的处理像素值,最后根据各处理像素值得到处理后的图像。本发明还公开了基于分类选优的双边滤波算法实现的高光谱图像空谱特征提取方法。本发明算法极大的限制了待处理图像选定邻域内的非结构相似像素,提高了结构相似像素的权重及其对输出像素值的影响,提高了待处理图像特征区域信息的保留度,增强了待处理图像的双边滤波算法输出效果。
Description
技术领域
本发明涉及图像处理算法领域,尤其是涉及基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法。
背景技术
双边滤波算法是一种非线性滤波器,它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样,双边滤波算法也是采用加权平均的方法,用周边像素亮度值的加权平均代表某个像素的强度,所用的加权平均基于高斯分布。双边滤波算法的具体公式如下:
其中,
ωs,t表示模板Ns内像素t的权重,Ns表示窗口大小为(2δα+1)×(2δα+1)的模板,s表示模板Ns中心像素位置,t表示模板Ns任意像素的位置,Is和It分别表示位置s和t的像素值,δα和δγ分别表示高斯滤波标准差和高斯滤波模糊度,是空间距离函数,是像素值之差函数,这两个函数使用高斯递减函数来定义:
综上,双边滤波算法是结合图像的空间近邻度和像素值相似度的一种折衷处理,相对基于扩散的滤波来说,具有简单、非迭代、局部的特点,双边滤波算法通过空间距离和像素值之差加权限制非结构相似像素的影响,所以在边缘附近,离得较远的像素不会太多影响到边缘上的像素值,这样就保证了边缘附近像素值的保存,然而,由于双边滤波算法仍是一种图像邻域像素值的加权平均处理方法,因此,它仍将不同程度地模糊图像的特征区域。现有技术公开了一种基于双边滤波的按图像特征像素检测方法的去噪技术,但是这种技术所使用的方法在图像处理过程中的自适应能力不强。
发明内容
本发明提供基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法,用于增强待处理图像双边滤波算法输出效果。
本发明通过以下技术方案解决技术问题:
基于分类选优的双边滤波算法,其特征在于,包括如下步骤:
①在待处理图像中选定中心像素s,在中心像素s周围按高斯滤波标准差δα选取窗口大小为(2δα+1)×(2δα+1)的第一模板Ns,计算第一模板Ns内任意像素t与中心像素s的像素值之差dist(Is-It),并取其均值Ys:
其中,δα为正数;
②以均值Ys作为阈值对第一模板Ns内的任意像素t进行分类选优,选择dist(Is-It)≤Ys的任意像素t生成第二模板N′s:
③对第二模板N′s内对的像素进行双边滤波算法计算,得出中心像素s的处理像素值O′s:
其中,
ωs,t′表示像素t′的权重,s为第一模板Ns中心像素,t′表示第二模板N′s内的任意像素,Is表示中心像素s的像素值,It′表示t′的像素值,δγ表示高斯滤波模糊度,是s和t′的空间距离函数,是s和t′的像素值之差函数;
④在待处理图像中选取下一像素作为新的中心像素,执行步骤①至③,得到该像素对应的处理像素值;
⑤重复步骤④,直至待处理图像中每个像素均作为中心像素,获取每个像素对应的处理像素值;
⑥将待处理图像中获得的所有处理像素值用于输出图像。
进一步的,步骤①中,高斯滤波标准差δα为1,第一模板Ns窗口大小为3×3。
基于权利要求1或2所述的基于分类选优的双边滤波算法实现的高光谱图像空谱特征提取方法,其特征在于:将维数为d、像素总数为n的高光谱I=(I1,I2,…In)∈Rd×n输入包括步骤①~⑥的基于分类选优的双边滤波器,按高斯滤波标准差为δα和高斯滤波模糊度为δγ得到高光谱I的空谱特征O′=(O′1,O′2,…O′n)∈Rd×n。
进一步的,采用降维算法将维数为d、像素总数为n的高光谱I=(I1,I2,…In)∈Rd×n从d维降到k维后再输入包括步骤①~⑥的基于分类选优的双边滤波器,其中,d、k为正整数。
进一步的,所述降维算法采用主成分分析法。
有益效果:
本发明在进行双边滤波算法之前,依次将图像内的每个像素选为中心像素,对各中心像素邻域内的非结构相似像素进行剔除,然后再对剩下的结构相似像素的像素值进行双边滤波计算得出各中心像素的处理像素值,最后根据各处理像素值得到处理后的图像。因此,本发明算法极大的限制了待处理图像选定邻域内的非结构相似像素,提高了结构相似像素的权重及其对输出像素值的影响,提高了待处理图像特征区域信息的保留度,降低了待处理图像经处理后的模糊度,增强了待处理图像的双边滤波算法输出效果。
附图说明
图1是现有双边滤波算法的示意图;
图2是基于分类选优双边滤波算法示意图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
如图1和图2所示,在选定邻域内,阴影部分的像素为结构相似像素,阴影部分元素组成了待处理图像的特征区域,白色部分与阴影部分的像素值之差很大,因此白色部分的像素为非结构相似像素。参照图1,现有的双边滤波算法是以邻域内的所有像素为样本计算待处理图像内的中心像素s的像素值,然后以计算得出的像素值输出图像,这使得在选定邻域内的非结构相似像素数量很多时,将使待处理图像的特征区域经双边滤波算法处理后变得模糊。
为了减少待处理图像选定邻域内非结构相似像素的影响,本发明对待处理图像选定邻域内的像素进行分类选优:选取邻域内的结构相似像素进行双边滤波算法,从而得出邻域中心像素的像素值。
本发明所提供的算法具体步骤如下:
①在待处理图像中选定一像素作为中心像素s,在中心像素s周围按高斯滤波标准差δα选取窗口大小为(2δα+1)×(2δα+1)的第一模板Ns,计算第一模板Ns内任意像素t到中心像素s的像素值之差dist(Is-It),并取其均值Ys,其中,δα为正数。这一步骤的表达式如下:
②对第一模板Ns内的任意像素t以均值Ys作为阈值进行分类选优:选择dist(Is-It)≤Ys的任意像素t生成第二模板N′s,而将dist(Is-It)>Ys的任意像素t直接滤除,因此,第二模板N′s保留了第一模板Ns内的像素值之差较小的结构相似像素,剔除了像素值之差较大的非结构相似像素。这一步骤的表达式如下:
③在第二模板N′s内对像素进行双边滤波算法处理,计算得到中心像素s处理像素值O′s。这一步骤的表达式如下:
其中,
ωs,t′表示像素t′的权重,s为第一模板Ns中心像素,t′表示第二模板N′s内的任意像素,Is和It′分别表示s和t′的像素值,δγ表示高斯滤波模糊度,是s和t′的空间距离函数,是s和t′的像素值之差函数;
④在待处理图像中选取下一像素作为新的中心像素,执行步骤①至③,得到该像素对应的处理像素值;
⑤重复步骤④,直至待处理图像中每个像素均作为中心像素,获取每个像素对应的处理像素值;
⑥将待处理图像中获得的所有处理像素值用于输出图像。
上述方案中,高斯滤波大小δα取值大于或等于1,高斯滤波大小δα的取值越大,则待处理图像经处理输出后会越模糊,优选的,高斯滤波大小δα为1,则在中心像素s周围选取一个3x3的第一模板Ns,此时,第一模板Ns内共有9个像素,中心像素s位于中心处,中心像素s周围的8个像素为任意像素t,且第一模板Ns内的任意像素t离中心像素s距离最近。
现有技术公开了一种基于双边滤波的按图像特征像素检测方法的去噪技术,依据中心像素邻域中相似像素占全部邻域像素比例,决定其是否为特征像素,对于特征像素选用邻域内结构相似像素进行双边滤波,对于非特征像素,则选用领域内全部像素进行双边滤波。但是这种方法的图像特征像素按照邻域内相似像素占邻域内像素总数的比例来确定,这个比例需要与设定一比例阈值比较,这一比例阈值在图像处理阶段是唯一的,因此,使用这种去噪技术时,需要额外考虑比例阈值,而且比例阈值的选择优劣会影响图像降噪输出结果。参照图2并结合上述方案可知,本发明算法结构相似像素的选择是按照邻域中心像素s与任意像素t的像素值之差平均值Ys为依据的,在同一图像内,不同中心像素s对应的邻域内的Ys是不同的,而且Ys的变化与邻域所包含的特征信息相关,因此Ys可以自适应变化,提高了结构相似像素的权重及其对输出像素值O′s的影响,极大的保留了待处理图像的特征区域信息,降低了待处理图像经处理输出后的模糊度,增强了待处理图像双边滤波算法输出效果。
本发明将上述算法应用在高光谱图像空谱特征提取:对维数为d、像素总数为n的高光谱I=(I1,I2,…In)∈Rd×n按如下步骤进行处理,设定的高斯滤波标准差为δα、高斯滤波模糊度为δγ,其中,d为正整数,n为正整数:
A)将高光谱I的第i帧特征成分(1≤i≤d)输入基于分类选优的双边滤波器;
B)选择第i帧特征成分一个像素作为中心像素s,使用上述公式(6):
计算第一模板Ns内中心像素s和任意像素t之间的像素值之差平均值Ys;
C)以Ys为阈值,按上述公式(7):
在第一模板Ns内选择像素值之差dist(Is-It)小于阈值Ys的结构相似像素,生成第二模板N′s;
D)在第二模板N′s内按上述公式(9):
计算第二模板N′s中像素t′的像素值权系数;
E)在第二模板N′s使用公式(8):
得出经过分类选优的双边滤波器后的中心像素s的处理像素值O′s;
F)将高光谱I第i帧的下一个像素作为中心像素,重复步骤B)-E),直至处理完高光谱I第i帧内所有的像素,按每一个像素的处理像素值O′s对应得到高光谱I第i帧特征成分O′i;
G)对高光谱I的下一帧重复步骤A)-F),直至处理完高光谱I内所有的帧,按每一帧特征成分O′i对应得到高光谱I的空谱特征O′=(O′1,O′2,…O′n)∈Rd×n。
实际应用中,高光谱I=(I1,I2,…In)∈Rd×n的光谱维度不等,也就是d不同,有的高光谱图像甚至包括上百个连续分布的波段,整个数据相当于是图像立方体,但并不是所有的波段都有着同等的重要性,为了兼顾空谱特征O′提取的效果和处理效率,可先在上述A)步骤前对高光谱I进行降维处理,使高光谱I从d维降到k维,降维后的高光谱为I′=(I′1,I′2,…I′n)∈Rk×n,然后再按上述步骤A)-G)对高光谱I′=(I′1,I′2,…I′n)∈Rk×n进行处理,得到高光谱I′=(I′1,I′2,…I′n)∈Rk×n的空谱特征O′=(O′1,O′2,…O′n)∈Rk×n,优选的,降维处理使用主成分分析算法(PCA算法)。
需要说明的是,以上所述只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (5)
1.基于分类选优的双边滤波算法,其特征在于,包括如下步骤:
①在待处理图像中选定中心像素s,在中心像素s周围按高斯滤波标准差δα选取窗口大小为(2δα+1)×(2δα+1)的第一模板Ns,计算第一模板Ns内任意像素t与中心像素s的像素值之差dist(Is-It),并取其均值Ys:
其中,δα为正数;
②以均值Ys作为阈值对第一模板Ns内的任意像素t进行分类选优,选择dist(Is-It)≤Ys的任意像素t生成第二模板N′s:
③对第二模板N′s内对的像素进行双边滤波算法计算,得出中心像素s的处理像素值O′s:
其中,
ωs,t′表示像素t′的权重,s为第一模板Ns中心像素,t′表示第二模板N′s内的任意像素,Is表示中心像素s的像素值,It′表示t′的像素值,δγ表示高斯滤波模糊度,是s和t′的空间距离函数,是s和t′的像素值之差函数;
④在待处理图像中选取下一像素作为新的中心像素,执行步骤①至③,得到该像素对应的处理像素值;
⑤重复步骤④,直至待处理图像中每个像素均作为中心像素,获取每个像素对应的处理像素值;
⑥将待处理图像中获得的所有处理像素值用于输出图像。
2.如权利要求1所述的基于分类选优的双边滤波算法,其特征在于:步骤①中,高斯滤波标准差δα为1,第一模板Ns窗口大小为3×3。
3.基于权利要求1或2所述的基于分类选优的双边滤波算法实现的高光谱图像空谱特征提取方法,其特征在于:将维数为d、像素总数为n的高光谱I=(I1,I2,…In)∈Rd×n输入包括步骤①~⑥的基于分类选优的双边滤波器,按高斯滤波标准差为δα和高斯滤波模糊度为δγ得到高光谱I的空谱特征O′=(O′1,O′2,…O′n)∈Rd×n。
4.如权利要求3所述的高光谱图像空谱特征提取方法,其特征在于:采用降维算法将维数为d、像素总数为n的高光谱I=(I1,I2,…In)∈Rd×n从d维降到k维后再输入包括步骤①~⑥的基于分类选优的双边滤波器,其中,d、k为正整数。
5.如权利要求4所述的高光谱图像空谱特征提取方法,其特征在于:所述降维算法采用主成分分析法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525767.0A CN109615599B (zh) | 2018-12-13 | 2018-12-13 | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525767.0A CN109615599B (zh) | 2018-12-13 | 2018-12-13 | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615599A CN109615599A (zh) | 2019-04-12 |
CN109615599B true CN109615599B (zh) | 2022-05-06 |
Family
ID=66008241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525767.0A Active CN109615599B (zh) | 2018-12-13 | 2018-12-13 | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615599B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163874B (zh) * | 2019-05-21 | 2022-05-20 | 北部湾大学 | 基于同质区域分割的双边滤波算法 |
CN112233051B (zh) * | 2020-09-09 | 2024-05-10 | 浙江大华技术股份有限公司 | 一种中值滤波方法、中值滤波装置和计算机可读存储介质 |
CN116777797A (zh) * | 2023-06-28 | 2023-09-19 | 广州市明美光电技术有限公司 | 各向异性导向滤波的明场显微图像清晰化方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955903A (zh) * | 2014-05-09 | 2014-07-30 | 东南大学 | 一种权值窗口自适应非局部均值图像去噪方法 |
CN105303542A (zh) * | 2015-09-22 | 2016-02-03 | 西北工业大学 | 基于梯度加权的自适应sfim图像融合算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9639923B2 (en) * | 2015-07-08 | 2017-05-02 | National Taiwan University | Bilateral filter and a method thereof |
-
2018
- 2018-12-13 CN CN201811525767.0A patent/CN109615599B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955903A (zh) * | 2014-05-09 | 2014-07-30 | 东南大学 | 一种权值窗口自适应非局部均值图像去噪方法 |
CN105303542A (zh) * | 2015-09-22 | 2016-02-03 | 西北工业大学 | 基于梯度加权的自适应sfim图像融合算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109615599A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10339643B2 (en) | Algorithm and device for image processing | |
EP3937481A1 (en) | Image display method and device | |
US8285033B2 (en) | Bi-affinity filter: a bilateral type filter for color images | |
US10152781B2 (en) | Method for image processing using local statistics convolution | |
CN109615599B (zh) | 基于分类选优的双边滤波算法及高光谱图像空谱特征提取方法 | |
Li et al. | A hybrid framework for underwater image enhancement | |
Zhang et al. | A naturalness preserved fast dehazing algorithm using HSV color space | |
CN106780417A (zh) | 一种光照不均图像的增强方法及系统 | |
JP2007020176A (ja) | 画像のコントラスト強調方法、画像のコントラスト強調システム、及び画像が局所的コントラスト強調を受けるかどうかを判定する方法 | |
US8160380B2 (en) | Bi-affinity filter: A bilateral type filter for color images | |
CN110298792B (zh) | 低光照图像增强与去噪方法、系统及计算机设备 | |
Lepcha et al. | A deep journey into image enhancement: A survey of current and emerging trends | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
Singh et al. | Multiscale reflection component based weakly illuminated nighttime image enhancement | |
CN112308793A (zh) | 一种新型的非均匀光照图像对比度和细节增强方法 | |
CN116246138A (zh) | 基于全卷积神经网络的红外-可见光图像目标级融合方法 | |
Singh et al. | FRN: Fusion and recalibration network for low-light image enhancement | |
CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 | |
Al-Ameen | Expeditious contrast enhancement for grayscale images using a new swift algorithm | |
CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
CN115661111A (zh) | 一种胶囊内窥镜胃肠微光图像的自适应增强方法 | |
Mukaida et al. | Low-light image enhancement method by soft-closing using local histogram | |
CN108986052B (zh) | 一种自适应的图像去光照方法和系统 | |
Zhang et al. | SCRNet: a Retinex Structure-based Low-light Enhancement Model Guided by Spatial Consistency |
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 |