CN109685729A - 一种像素级阈值自适应的泊松去噪方法 - Google Patents

Abstract

本发明提供一种像素级阈值自适应的泊松去噪方法，包括：步骤S110：对含噪声图像的各颜色通道执行如下步骤：步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：步骤S112：根据所提取的低频小波分量计算所述含噪声图像的低频系数的单像素真值；步骤S113：根据所计算的低频系数的单像素真值计算高频系数的单像素阈值；步骤S114：根据所计算的高频系数的单像素阈值更新所述高频系数下的单像素值，并基于所更新的高频系数下的单像素值，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像；步骤S120：合成各颜色通道下的去噪图像得到所述含噪声图像的去噪图像。本发明改善泊松去噪。

Description

一种像素级阈值自适应的泊松去噪方法

技术领域

本发明涉及图像信号处理，尤其涉及一种像素级阈值自适应的泊松去噪方法。

背景技术

数字图像中噪声的主要来源可以归纳为两个方面，(a)探测器探测过程受到热效应与电流波动的影响，导致探测器像素值偏离正常值，此类噪声的统计规律表现为高斯分布和类高斯分布；(b)探测器端像素值受到光量子效应的影响，到达光电检测器表面的量子数目存在量子统计涨落效应，导致像素值偏离正常值，此类噪声的统计规律主要表现为泊松分布。由于阵列成像的下采样特性，噪声的出现导致图像质量下降，如清晰度降低，细节信息被掩盖等方面。

对于数字图像中的高斯类和类高斯类噪声，其噪声强度一般与信号无关，且表现为加性特征和独立同分布特点，针对此类噪声，目前已有多种有效去噪方法，且取得了很好的去噪效果；但对于数字图像中泊松分布类噪声，噪声与信号强度相关，如果利用高斯类去噪模型去噪，去噪效果通常难易令人满意。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种像素级阈值自适应的泊松去噪方法，改善数字图像中泊松分布类噪声的去噪效果。

根据本发明的一个方面，提供一种像素级阈值自适应的泊松去噪方法，包括：

步骤S110：对含噪声图像的各颜色通道执行如下步骤：

步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

步骤S112：根据所提取的低频小波分量计算所述含噪声图像的低频系数的单像素真值；

步骤S113：根据所计算的低频系数的单像素真值计算高频系数的单像素阈值；

步骤S114：根据所计算的高频系数的单像素阈值更新所述高频系数下的单像素值，并基于所更新的高频系数下的单像素值，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像

步骤S120：合成各颜色通道下的去噪图像得到所述含噪声图像的去噪图像。

可选地，所述步骤S111根据如下公式提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

其中，为该颜色通道下所述含噪声图像的低频小波分量，为该颜色通道下所述含噪声图像在水平，竖直和对角线方向的高频小波分量，s为小波分解尺度，m,n表示该小波分解尺度下各小波分量的像素位置，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通分解滤波器，ψ(x,y)为高通分解滤波器，f(x,y)是该颜色通道下所述含噪声图像的最高分辨率表示下的低通分量，x，y分别表示该颜色通道下所述含噪声图像的像素位置，M，N分别表示该颜色通道下所述含噪声图像的行和列的总数。

可选地，所述步骤S112包括：

在高频小波分量的搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数；

根据目标小波系数的加权系数，更新目标小波系数作为所述含噪声图像的低频系数的单像素真值。

可选地，所述在高频小波分量的搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数包括：

计算所述参考窗口与目标邻域窗口的邻域距离作为所述参考窗口与目标邻域窗口的相似度；

根据所述参考窗口与目标邻域窗口的相似度计算一归一化系数；

根据所述参考窗口与目标邻域窗口的相似度及所述归一化系数计算所述目标小波系数的加权系数。

可选地，

所述参考窗口与目标邻域窗口的邻域距离根据如下公式计算：

||V_s(p)-V_s(q)||²＝∑||u_s(p+z)-u_s(q+z)||²

其中，V_s(p)为包含目标小波系数的目标邻域窗口，V_s(q)为搜索窗口内的参考窗口，||V_s(p)-V_s(q)||²为所述参考窗口与目标邻域窗口的邻域距离，其中p为搜索窗口内的像素位置，q为搜索窗口内参考窗口中参考像素的像素位置，z为索引变量，用于遍历窗口内各像素。

可选地，所述归一化系数根据如下公式计算：

其中，Z_s(p)为所述归一化系数，h为平滑参数。

可选地，所述目标小波系数的加权系数根据如下公式计算：

其中，w_s(p,q)为目标小波系数的加权系数，Z_s(p)为所述归一化系数，h为平滑参数。

可选地，所述含噪声图像的低频系数的单像素真值根据如下公式计算：

其中，u_g,s(p)为所述含噪声图像的低频系数的单像素真值，u(q)为更新前的参考小波系数，w(p,q)为目标小波系数的加权系数，I表示搜索窗口。

可选地，所述高频系数的单像素阈值t_s(p)根据如下公式计算：

其中，M_s为对应小波分解尺度s的低频系数的像素均值，N_a为小波分解尺度s下低频系数包含的像素数，u_s(p)为低频系数中各像素的单像素值，p∈[1,N_a]，u_g,s(p)为低频系数的单像素真值，T_s为小波分解尺度s下的全局阈值。

可选地，所更新的高频系数下的单像素值根据如下公式计算：

u_s_new(p)＝sign(u_s(p))max[|u_s(p)|-t_s(p),0]

其中，其中u_s_new(p)为所更新的高频系数下的单像素值，sign(u_s(p))为未更新的高频系数下的单像素值，u_s(p)为低频系数中各像素的单像素值，t_s(p)为高频系数的单像素阈值。

与现有技术比较，本发明具有以下有益效果：

一方面，采用正交小波变换的低频分量(尺度系数)评估含泊松噪声像素的像素真值，小波变换中高低频分量分离具有去噪效果，低频分量为原图像近似，噪声影响小(图像噪声主要位于高频分量)，用低频分量评估泊松噪声信号真值显著降低噪声的影响，准确度高；另一方面，根据泊松噪声信号依赖性特点，给出了一种单像素阈值去噪方法，实现泊松噪声的去除。与传统基于一致性分布或局域一致性分布泊松去噪方法相比，本发明中的单像素阈值去噪更加符合泊松噪声的信号依赖性特点，同时单像素自适应阈值的计算不需要小波域系数先验信息，在保证去噪效果的同时保证了算法的广泛适用性。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1示出了根据本发明实施例的像素级阈值自适应的泊松去噪方法的流程图。

图2示出了根据本发明实施例的G通道原始图像及其小波域分量。

图3示出了根据本发明实施例的G通道泊松噪声图像及其小波域分量。

图4示出了根据本发明实施例的阈值计算后G通道图像及其小波域分量。

图5示出了根据本发明实施例的图像去噪效果对比。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或逻辑电路装置和/或微控制器装置中实现这些功能实体。

首先参见图1，图1示出了根据本发明实施例的像素级阈值自适应的泊松去噪方法的流程图。图1共示出如下步骤：

步骤S110：对含噪声图像的各颜色通道执行步骤S111至步骤S114。

具体而言，含噪声图像的颜色通道依据含噪声图像的色域图像类别而定。例如，若含噪声图像为bayer格式，则通常分为GB，B，R，GR四颜色通道；若含噪声图像为RGB图像，则分为R，G，B三个颜色通道；若含噪声图像为YUV图像，则分为Y，U，V三个颜色通道，等等。本发明并非以此为限。

步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量。

具体而言，所述步骤S111根据如下公式提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

其中，为该颜色通道下所述含噪声图像的低频小波分量，为该颜色通道下所述含噪声图像在水平，竖直和对角线方向的高频小波分量，s为小波分解尺度，m,n表示该小波分解尺度下各小波分量的像素位置，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通分解滤波器，ψ(x,y)为高通分解滤波器，f(x,y)是该颜色通道下所述含噪声图像的最高分辨率表示下的低通分量，x，y分别表示该颜色通道下所述含噪声图像的像素位置，M，N分别表示该颜色通道下所述含噪声图像的行和列的总数。

步骤S112：根据所提取的低频小波分量计算所述含噪声图像的低频系数的单像素真值。

具体而言，所述步骤S112可以包括如下步骤：在高频小波分量的搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数；根据目标小波系数的加权系数，更新目标小波系数作为所述含噪声图像的低频系数的单像素真值。

在一个具体实现中，所述在高频小波分量的搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数可以包括如下步骤：

计算所述参考窗口与目标邻域窗口的邻域距离作为所述参考窗口与目标邻域窗口的相似度。

所述参考窗口与目标邻域窗口的邻域距离根据如下公式计算：

||V_s(p)-V_s(q)||²＝∑||u_s(p+z)-u_s(q+z)||²

其中，V_s(p)为包含目标小波系数的目标邻域窗口，V_s(q)为搜索窗口内的参考窗口，||V_s(p)-V_s(q)||²为所述参考窗口与目标邻域窗口的邻域距离，其中p为搜索窗口内的像素位置，q为搜索窗口内参考窗口中参考像素的像素位置，z为索引变量，用于遍历窗口内各像素。

根据所述参考窗口与目标邻域窗口的相似度计算一归一化系数。

所述归一化系数根据如下公式计算：

其中，Z_s(p)为所述归一化系数，h为平滑参数，表征像素真值平均效应的强弱，h越大，则趋向于均值滤波，h越小，则趋向于高斯加权均值滤波，通常的h∈[2σ,4σ],σ为目标邻域窗口的标准方差。

根据所述参考窗口与目标邻域窗口的相似度及所述归一化系数计算所述目标小波系数的加权系数。

所述目标小波系数的加权系数根据如下公式计算：

其中，w_s(p,q)为目标小波系数的加权系数，Z_s(p)为所述归一化系数，h为平滑参数。

具体而言，本步骤中，因为泊松噪声的强度与像素值相关，所以泊松噪声的去除需先对各个像素点的真值(无噪声情况下的像素值)进行估计(因为像素真值是未知的)。基于小波变换，小波分解得到的低频分量(尺度系数)是对图像像素值的一个优秀估计(小波变换的固有特点之一)。图像像素值真值的估计基于分解尺度s的低频分量进行，且在每个分解尺度下均进行相应尺度下的低频分量像素真值估计，用于计算该尺度下的单像素的阈值。对像素真值的估计采用非局域均值方法，该方法的特点是能够充分利用图像中的像素的自相似信息，对相似的像素点进行平均，得到目标像素的真值。

非局域均值方法估计像素真值的过程为，在搜索窗口内，依次计算搜索窗口内的参考窗口与目标邻域窗口的相似度，相似度计算方法为高斯核加权欧氏距离法，邻域相似度由邻域距离决定。

进一步地，所述含噪声图像的低频系数的单像素真值根据如下公式计算：

其中，u_g,s(p)为所述含噪声图像的低频系数的单像素真值，u(q)为更新前的参考小波系数，w(p,q)为目标小波系数的加权系数，I表示搜索窗口。

步骤S113：根据所计算的低频系数的单像素真值计算高频系数的单像素阈值。

具体而言，所述高频系数的单像素阈值t_s(p)根据如下公式计算：

其中，M_s为对应小波分解尺度s的低频系数的像素均值，N_a为小波分解尺度s下低频系数包含的像素数，u_s(p)为低频系数中各像素的单像素值，p∈[1,N_a]，u_g,s(p)为低频系数的单像素真值，T_s为小波分解尺度s下的全局阈值。T_s的确定方法可以有多种，如Universal阈值，零均值正态分布置信区间阈值等等，本发明并非以此为限。

步骤S114：根据所计算的高频系数的单像素阈值更新所述高频系数下的单像素值，并基于所更新的高频系数下的单像素值，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像。

具体而言，所更新的高频系数下的单像素值根据如下公式计算：

u_s_new(p)＝sign(u_s(p))max[|u_s(p)|-t_s(p),0]

其中，u_s_new(p)为所更新的高频系数下的单像素值，sign(u_s(p))为未更新的高频系数下的单像素值，u_s(p)为低频系数中各像素的单像素值，t_s(p)为高频系数的单像素阈值。

然后，基于各个尺度下的低频系数和去噪之后的高频系数，利用小波逆变换得到空域的去噪图像，和ψ'(x,y)分别为低通和高通合成滤波器：

其中，即为对应尺度下更新之后得到的高频小波系数，i＝H,V,D,分别表示水平，竖直和对角线三个方向，s即为对应的分解尺度，(m，n)即表示对应的高频分量系数坐标，与像素索引p一一对应。

下面结合图2至图5描述本发明的一个具体实现。

首先，对含噪声图像进行正交小波变换，根据步骤S111中的公式haar正交小波基进行图像的小波变换，提取含噪图像小波域的低频分量和高频分量，如图3所示；为了对比，无噪声(低噪声)的对比图像及其小波分解如图2所示。

然后进行低频分量像素真值提取，像素值真值的估计基于图像小波分解尺度s的低频分量进行，采用非局域均值方法，非局域均值的搜索窗口大小设置为7X7，目标邻域窗口大小设置为3X3，参考窗口与目标邻域窗口的相似度计算方法为高斯核加权欧氏距离法(参见步骤S112中的相似度公式)，高斯核中的平滑参数h＝3σ，σ为邻域窗口的标准方差；最后根据步骤S112中的公式确定尺度系数内单像素真值u_g,s(p)。

然后进行单像素阈值自适应，确定每个分解尺度s下的全局阈值T_s＝，T_s＝median(abs(D))/0.6745,D为尺度s下的对角小波系数分量；然后以T_s作为单像素阈值调整基准，根据上述步骤S113计算尺度s下高频系数中单像素的阈值。

然后进行高频系数单像素阈值处理，前一步骤计算的单像素阈值，根据上述步骤S114中的公式更新尺度s下的三个高频系数的单像素值，得到更新之后的单像素值，图像阈值处理之后的高频分量图如图4所示。最后基于小波域各个尺度s下的低频分量和高频分量，根据公式(10)，利用小波逆变换重建时域的去噪图像。

最后，分别处理图像的各个颜色通道，若原图像为bayer格式，则通常分为GB,B,R,GR四颜色通道；若为RGB图像，则分为R,G,B三个颜色通道；若为YUV图像，则分为Y,U,V三个颜色通道；针对各类色域图像的各个颜色通道均采用上述步骤处理，去除颜色通道噪声，然后合成得到最终去噪图像，如图5所示。

以上仅仅是示意性地描述本发明的一个具体实现方式，本发明并非以此为限。

与现有技术比较，本发明具有以下有益效果：

一方面，采用正交小波变换的低频分量(尺度系数)评估含泊松噪声像素的像素真值，小波变换中高低频分量分离具有去噪效果，低频分量为原图像近似，噪声影响小(图像噪声主要位于高频分量)，用低频分量评估泊松噪声信号真值显著降低噪声的影响，准确度高；另一方面，根据泊松噪声信号依赖性特点，给出了一种单像素阈值去噪方法，实现泊松噪声的去除。与传统基于一致性分布或局域一致性分布泊松去噪方法相比，本发明中的单像素阈值去噪更加符合泊松噪声的信号依赖性特点，同时单像素自适应阈值的计算不需要小波域系数先验信息，在保证去噪效果的同时保证了算法的广泛适用性。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种像素级阈值自适应的泊松去噪方法，其特征在于，包括：

步骤S110：对含噪声图像的各颜色通道执行如下步骤：

步骤S111：采用小波变换算法提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

步骤S112：根据所提取的低频小波分量计算所述含噪声图像的低频系数的单像素真值；

步骤S113：根据所计算的低频系数的单像素真值计算高频系数的单像素阈值；

步骤S114：根据所计算的高频系数的单像素阈值更新所述高频系数下的单像素值，并基于所更新的高频系数下的单像素值，利用小波逆变换算法得到该颜色通道下所述含噪声图像的去噪图像；

步骤S120：合成各颜色通道下的去噪图像得到所述含噪声图像的去噪图像。

2.如权利要求1所述的像素级阈值自适应的泊松去噪方法，其特征在于，所述步骤S111根据如下公式提取该颜色通道下所述含噪声图像的低频小波分量和高频小波分量：

其中，为该颜色通道下所述含噪声图像的低频小波分量，为该颜色通道下所述含噪声图像在水平，竖直和对角线方向的高频小波分量，s为小波分解尺度，m,n表示该小波分解尺度下各小波分量的像素位置，H,V,D分别表示水平，竖直和对角线方向，i表示H,V,D中任一方向，为低通分解滤波器，ψ(x,y)为高通分解滤波器，f(x,y)是该颜色通道下所述含噪声图像的最高分辨率表示下的低通分量，x，y分别表示该颜色通道下所述含噪声图像的像素位置，M，N分别表示该颜色通道下所述含噪声图像的行和列的总数。

3.如权利要求1所述的像素级阈值自适应的泊松去噪方法，其特征在于，所述步骤S112包括：

在高频小波分量的搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数；

根据目标小波系数的加权系数，更新目标小波系数作为所述含噪声图像的低频系数的单像素真值。

4.如权利要求3所述的像素级阈值自适应的泊松去噪方法，其特征在于，所述在高频小波分量的搜索窗口内，依次计算参考窗口与目标邻域窗口的相似度，并基于所述相似度确定目标小波系数的加权系数包括：

计算所述参考窗口与目标邻域窗口的邻域距离作为所述参考窗口与目标邻域窗口的相似度；

根据所述参考窗口与目标邻域窗口的相似度计算一归一化系数；

根据所述参考窗口与目标邻域窗口的相似度及所述归一化系数计算所述目标小波系数的加权系数。

5.如权利要求4所述的像素级阈值自适应的泊松去噪方法，其特征在于，

所述参考窗口与目标邻域窗口的邻域距离根据如下公式计算：

||V_s(p)-V_s(q)||²＝∑||u_s(p+z)-u_s(q+z)||²

其中，V_s(p)为包含目标小波系数的目标邻域窗口，V_s(q)为搜索窗口内的参考窗口，||V_s(p)-V_s(q)||²为所述参考窗口与目标邻域窗口的邻域距离，其中p为搜索窗口内的像素位置，q为搜索窗口内参考窗口中参考像素的像素位置，z为索引变量，用于遍历窗口内各像素。

6.如权利要求5所述的像素级阈值自适应的泊松去噪方法，其特征在于，

所述归一化系数根据如下公式计算：

其中，Z_s(p)为所述归一化系数，h为平滑参数。

7.如权利要求6所述的像素级阈值自适应的泊松去噪方法，其特征在于，所述目标小波系数的加权系数根据如下公式计算：

其中，w_s(p,q)为目标小波系数的加权系数，Z_s(p)为所述归一化系数，h为平滑参数。

8.如权利要求7所述的像素级阈值自适应的泊松去噪方法，其特征在于，所述含噪声图像的低频系数的单像素真值根据如下公式计算：

其中，u_g,s(p)为所述含噪声图像的低频系数的单像素真值，u(q)为更新前的参考小波系数，w(p,q)为目标小波系数的加权系数，I表示搜索窗口。

9.如权利要求8所述的像素级阈值自适应的泊松去噪方法，其特征在于，

所述高频系数的单像素阈值t_s(p)根据如下公式计算：

其中，M_s为对应小波分解尺度s的低频系数的像素均值，N_a为小波分解尺度s下低频系数包含的像素数，u_s(p)为低频系数中各像素的单像素值，p∈[1,N_a]，u_g,s(p)为低频系数的单像素真值，T_s为小波分解尺度s下的全局阈值。

10.如权利要求9所述的像素级阈值自适应的泊松去噪方法，其特征在于，所更新的高频系数下的单像素值根据如下公式计算：

u_s_new(p)＝sign(u_s(p))max[|u_s(p)|-t_s(p),0]

其中，其中u_s_new(p)为所更新的高频系数下的单像素值，sign(u_s(p))为未更新的高频系数下的单像素值，u_s(p)为低频系数中各像素的单像素值，t_s(p)为高频系数的单像素阈值。