CN109840896B

CN109840896B - 一种基于梯度和自适应曲率特征的图像去噪方法

Info

Publication number: CN109840896B
Application number: CN201910151604.9A
Authority: CN
Inventors: 胡跃明; 黄丹
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2019-02-28
Filing date: 2019-02-28
Publication date: 2023-06-16
Anticipated expiration: 2039-02-28
Also published as: CN109840896A

Abstract

本发明公开了一种基于梯度和自适应曲率特征的图像去噪方法，包括：S1，将待检测图像上添加噪音，将添加噪音后的待检测图像输入到柔性IC封装基板上；S2，将柔性IC封装基板上的待检测图像灰度化；S3，利用基于梯度和自适应曲率特征的图像去噪模型按照预设的迭代次数对灰度化后的待检测图像进行迭代去噪；S4，在1到预设的曲率系数α的最大值n之间循环曲率系数，确定PSNR最大的去噪后的图像，作为输出图像，n≥2。本方案在基于梯度和自适应曲率特征的图像去噪模型中加入了水平集曲率作为检测因子，在去除噪音的同时有效的增强图像尖锐边缘，保留更多细节特征，增加了FICS缺陷检测的精准度。

Description

一种基于梯度和自适应曲率特征的图像去噪方法

技术领域

本发明涉及高密度柔性印制基板图像处理中的去噪技术领域，具体涉及一种基于梯度和自适应曲率特征的图像去噪方法。

背景技术

柔性IC封装基板(flexible integrated circuit packaging substrates,FICS)是推动高密度倒装芯片技术飞速发展的重要载体，其制造工艺技术横跨半导体芯片制程、先进封装和印制电路三大领域。特别是随着IC制造工艺进入7-14纳米制程，FICS的线宽线距也进入10u以下制程。在精密电子缺陷检测中，FICS图像的采集过程会随机产生加性高斯噪声或泊松噪声，图像的传输过程中会产生椒盐噪声；在精密电子缺陷检测中较少考虑伽马噪声、指数噪声。图像去噪就是减少任何可能存在的退化从而增强图像的技术。

目前，去除噪声的方法有：空间域滤波、变换域滤波、形态学去噪。空间域滤波是直接在空间域中对某点像素邻域内的像素直接进行某种运算得出结果，常见的空间域图像去噪方法有邻域平均法、中值滤波、低通滤波等；变换域滤波是将图像从空间域转换到变换域，对变换域中的变换系数进行相应处理，再将图像从变换域转换到空间域从而达到去除图像噪声的目的，常见的变换域滤波有：傅立叶变换、沃尔什-哈达玛变换、余弦变换、K-L变换以及小波变换等；形态学去噪声是将开运算与闭运算结合去噪声，此方法适用的图像类型是图像中的对象尺寸都比较大，且没有微小细节，对这类图像去噪效果会较好。在传统的去噪方法中，去噪音的同时丢失了图像的部分高频信息，弱化图像的边缘细节，降低了FICS缺陷检测的精准度。

发明内容

本发明的目的是为了克服以上现有技术存在的不足，提供了一种基于梯度和自适应曲率特征的图像去噪方法。

本发明的目的通过以下的技术方案实现：

一种基于梯度和自适应曲率特征的图像去噪方法，包括：

S1，将待检测图像上添加噪音，将添加噪音后的待检测图像输入到柔性IC封装基板上；

S2，将柔性IC封装基板上的待检测图像灰度化；

S3，利用基于梯度和自适应曲率特征的图像去噪模型按照预设的迭代次数对灰度化后的待检测图像进行迭代去噪；

S4，在1到预设的曲率系数_α的最大值n之间循环曲率系数，确定PSNR最大的去噪后的图像，作为输出图像，n≥2。

优选地，所述基于梯度和自适应曲率特征的图像去噪模型表示如下：

其中，k为水平集曲率，k的公式表示为式子(2)，|k|为水平集曲率的模值，div为散度算子，

为梯度算子，I₀为初始图像，I为I₀与高斯核卷积得到，α为曲率系数，

为扩散系数，l为梯度阈值，I_ij分别表示图像在(i,j)点处的灰度值，MN表示图像像素点的个数，l的公式表示为式子(3)：

优选地，所述基于梯度和自适应曲率特征的图像去噪模型中，当

时，/>

对灰度化后的待检测图像进行平滑滤波；当

时，/>

对灰度化后的待检测图像在边缘上的扩散停止。

优选地，设平面曲线C上的某点s，其单位切向量为T＝(cosθ,sinθ)，单位法向量为N＝(-sinθ,cosθ)＝(n₁,n₂)，θ为单位切向量T与x轴之间的夹角，则曲率k为单位切向量与法向量的旋转角速度，对法向量求偏导得：

又因为：

公式(4)可变为：

将公式(6)带入cosθ²+sinθ²＝1中得：

设平面封闭曲线C，C{(x,y),I(x,y)＝0}，I(x,y)可视为空间中的曲面，I(x,y)＝0可视为曲面与xoy平面上的交线，此方程为曲线的隐式表达；I(x,y)称为水平集，I(x,y)＝0称为零水平集；由于切向速度只影响曲线的参数化，不影响曲线的形状和几何特征，所以当曲线表示确定，水平集沿曲线切线方向保持不变；对零水平集上某点沿切线方向求方向导数，则：

由式子(8)可知，I(x,y)的梯度矢量

与曲线切向量T＝(cosθ,sinθ)相互垂直，即为I(x,y)的梯度矢量/>

与曲线法向量为N＝(-sinθ,cosθ)＝(n₁,n₂)相互平行，所以水平集的单位法向量也可表示为：

对式子(9)取正号，并将其带入式子(13)得到水平集曲率k为：

本发明相对于现有技术具有如下的优点：

(1)本方案在基于梯度和自适应曲率特征的图像去噪模型中加入了水平集曲率作为检测因子，在去除噪音的同时有效的增强图像尖锐边缘，保留更多细节特征，增加了FICS缺陷检测的精准度。

(2)曲率系数α自适应的调节曲率与梯度的权重使得去噪后的图像峰值信噪比最高。

(3)本发明的模型与其他模型相比，去噪效果最好，有最高的结构相似度、峰值信噪比及边缘保持指数，对具有严格要求线宽线距的FICS图像去噪具有实际工程意义。

附图说明

图1是本发明的基于梯度和自适应曲率特征的图像去噪方法的流程示意图。

图2是本发明的基于梯度和自适应曲率特征的图像去噪模型与PM模型的扩散函数对比图。

图3是本发明的基于梯度和自适应曲率特征的图像去噪模型与PM模型的扩散函数导数对比图。

图4(a)是输入到柔性IC封装基板上的不包含高斯噪音的原始图像的视觉效果图。

图4(b)是输入到柔性IC封装基板上的包含高斯噪音的原始图像的视觉效果图。

图4(c)是图4(b)中的原始图像经C模型去噪后的视觉效果图。

图4(d)是图4(b)中的原始图像经PM模型去噪后的视觉效果图。

图4(e)是图4(b)中的原始图像经GC模型去噪后的视觉效果图。

图4(f)是图4(b)中的原始图像经本发明的基于梯度和自适应曲率特征的图像去噪模型去噪后的视觉效果图。

图5(a)是输入到柔性IC封装基板上的不包含噪音的原始图像的边缘图。

图5(b)是输入到柔性IC封装基板上的包含噪音的原始图像的边缘图。

图5(c)是图5(b)中的原始图像经C模型去噪后的边缘图。

图5(d)是图5(b)中的原始图像经PM模型去噪后的边缘图。

图5(e)是图5(b)中的原始图像经GC模型去噪后的边缘图。

图5(f)是图5(b)中的原始图像经本发明的基于梯度和自适应曲率特征的图像去噪模型去噪后的边缘图。

图6(a)是输入到柔性IC封装基板上的不包含椒盐噪音的原始图像的视觉效果图。

图6(b)是输入到柔性IC封装基板上的包含椒盐噪音的原始图像的视觉效果图。

图6(c)是图6(b)中的原始图像经C模型去噪后的视觉效果图。

图6(d)是图6(b)中的原始图像经PM模型去噪后的视觉效果图。

图6(e)是图6(b)中的原始图像经GC模型去噪后的视觉效果图。

图6(f)是图6(b)中的原始图像经本发明的基于梯度和自适应曲率特征的图像去噪模型去噪后的视觉效果图。

图7(a)是输入到柔性IC封装基板上的不包含椒盐噪音的原始图像的边缘图。

图7(b)是输入到柔性IC封装基板上的包含椒盐噪音的原始图像的边缘图。

图7(c)是图7(b)中的原始图像经C模型去噪后的边缘图。

图7(d)是图7(b)中的原始图像经PM模型去噪后的边缘图。

图7(e)是图7(b)中的原始图像经GC模型去噪后的边缘图。

图7(f)是图7(b)中的原始图像经本发明的基于梯度和自适应曲率特征的图像去噪模型去噪后的边缘图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

参见图1、一种基于梯度和自适应曲率特征的图像去噪方法，包括：

S2，将柔性IC封装基板上的待检测图像灰度化；

S4，在1到预设的曲率系数α的最大值n之间循环曲率系数，确定PSNR(Peak Signalto Noise Ratio，峰值信噪比)最大的去噪后的图像，作为输出图像，n≥2。在n幅去噪图像中，确定PSNR最大的图像，作为输出图像

在步骤S2和S3之间还包括：设置迭代次数、经验系数τ、曲率系数α的最大值n。

在本实施例，所述基于梯度和自适应曲率特征的图像去噪模型表示如下：

为扩散系数，l为梯度阈值，I_ij分别表示图像在(i，j)点处的灰度值，MN表示图像像素点的个数，l的公式表示为式子(3)：

其中，所述基于梯度和自适应曲率特征的图像去噪模型中，当

时，/>

对灰度化后的待检测图像进行平滑滤波；当

时，/>

对灰度化后的待检测图像在边缘上的扩散停止。

在本实施例，所述水平集曲率k，具体推导过程如下：设平面曲线C上的某点s，其单位切向量为T＝(cosθ，sinθ)，单位法向量为N＝(-sinθ，cosθ)＝(n₁，n₂)，θ为单位切向量T与x轴之间的夹角，则曲率k为单位切向量与法向量的旋转角速度，对法向量求偏导得：

又因为：

公式(4)可变为：

将公式(6)带入cosθ²+sinθ²＝1中得：

设平面封闭曲线C，C＝{(x，y)，I(x，y)＝0}，I(x，y)可视为空间中的曲面，I(x，y)＝0可视为曲面与xoy平面上的交线，此方程为曲线的隐式表达；I(x，y)称为水平集，I(x，y)＝0称为零水平集；由于切向速度只影响曲线的参数化，不影响曲线的形状和几何特征，所以当曲线表示确定，水平集沿曲线切线方向保持不变；对零水平集上某点沿切线方向求方向导数，则：

由式子(8)可知，I(x，y)的梯度矢量

与曲线切向量T＝(cosθ，sinθ)相互垂直，即为I(x，y)的梯度矢量/>

与曲线法向量为N＝(-sinθ，cosθ)＝(n₁，n₂)相互平行，所以水平集的单位法向量也可表示为：

对式子(9)取正号，并将其带入式子(13)得到水平集曲率k为：

在本实施例，令本发明模型为

其中/>

其中：

忽略高阶项的影响，将u近似如下：

u≈I_x ²+I_y ²+2α(I_xx+I_yy) (12)

假设边缘平行于y方向，并且忽略沿y方向的微小变化，则此时u＝I_x ²+2αI_xx。当图像处于拐点时，其I_xx＝0，所以u＝I_x ²，此时扩散方程：

又因为：

下面进行PM模型对比分析，令PM模型为

其中

u＝Ix2+Iy2，同理可得：/>

与本文模型分析一致。但是，如图2、3所示，/>

对比两个模型的扩散函数，本发明所提出的模型始终大于PM模型；对比两个模型的扩散函数的导数，差别微乎其微，可以忽略。所以得到/>

即在图像的边缘处本发明所提出的模型使Ix有更快的衰减或增强，突出边缘。

继续对本发明模型分析，当图像的像素点处于角点或尖峰时，其I_x＝0，所以u＝2αI_xx，此时扩散方程：

因为I_xx≥0，所以I_t≥0，此时本发明模型可以抑制灰度值减小，保护图像细节纹理信息。

在FICS原始图像1上分别添加均值为0、方差为0.04的高斯白噪声，分别使用C模型、PM模型、GC模型与本发明提出的模型进行滤波实验，其中时间步长都为0.02，迭代次数均为200，当本发明模型的曲率系数α＝37时，PSNR最大，各个模型的阈值均为梯度阈值，经验系数τ＝0.4。各个模型去除噪音效果如图4(a)-4(f)所示，为了更好的观察图像经滤波后的边缘情况，本发明使用Canny算子对各种模型滤波后的图像进行边缘提取，如图5(a)-5(f)所示。表1表示FICS图像在高斯噪声下，经过各个模型去除噪音后的图像的评价质量指标。

表1

在FICS原始图像2上添加椒盐噪声，并分别使用C模型、P-M模型、G-C模型与发明所提出的模型进行滤波实验，其中时间步长都为0.02，迭代次数均为200，本发明模型中的曲率系数α＝40时，PSNR最大，各个模型的阈值均为梯度阈值，经验系数τ＝0.4。各个模型去除噪音效果如图6(a)-6(f)所示。为了更好的观察图像经滤波后的边缘情况，本发明使用Canny算子对各种模型滤波后的图像进行边缘提取，如图7(a)-7(f)所示。表2表示在FICS原始图像上添加椒盐噪声后，通过各个模型得到去噪后图像的评价质量指标。

表2

实验表明：本发明所提出的基于梯度和自适应曲率特征的图像去噪模型与P-M模型、C模型、GC模型相比，C模型丢失了原有图像大量的细节信息，并且存在漏边现象，P-M模型与GC模型去噪效果不佳，本发明的模型去噪效果最好，均有最高的结构相似度、峰值信噪比及边缘保持指数，与理论分析一致。本发明所提出的模型针对具有严格要求线宽线距的FICS图像去噪具有实际工程意义。

上述具体实施方式为本发明的优选实施例，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。