CN109978782A - 一种数字全息再现图像中散斑噪声的去除方法及装置 - Google Patents
一种数字全息再现图像中散斑噪声的去除方法及装置 Download PDFInfo
- Publication number
- CN109978782A CN109978782A CN201910205341.5A CN201910205341A CN109978782A CN 109978782 A CN109978782 A CN 109978782A CN 201910205341 A CN201910205341 A CN 201910205341A CN 109978782 A CN109978782 A CN 109978782A
- Authority
- CN
- China
- Prior art keywords
- reconstructed image
- digital holography
- image
- recorded
- target area
- 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.)
- Pending
Links
- 238000001093 holography Methods 0.000 title claims abstract description 156
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 230000002708 enhancing effect Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 61
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 238000003709 image segmentation Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000005693 optoelectronics Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004183 nursing diagnosis Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Holo Graphy (AREA)
Abstract
本发明实施例提供一种数字全息再现图像中散斑噪声的去除方法及装置，所述方法包括：获得数字全息再现图像；确定所述数字全息再现图像中被记录物体所在的目标区域；对所述目标区域内的数字全息再现图像进行细节增强；去除细节增强后的数字全息再现图像中的散斑噪声。可见，在去除数字全息再现图像中的散斑噪声之前，通过对数字全息再现图像中被记录物体所在的目标区域进行细节增强，使得数字全息再现图像中被记录物体的细节增强，在去除数字全息再现图像中的散斑噪声时，能够避免数字全息再现图像中被记录物体的纹理模糊，使数字全息再现图像中被记录物体的细节信息得到有效保留，进而使得数字全息再现图像能够很好的再现被记录物体的3D信息。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种数字全息再现图像中散斑噪声的去除方法及装置。
背景技术
数字全息(Digital Holography，DH)是用光电传感器件，例如：电荷耦合器件(Charge-coupled Device，CCD)、互补金属氧化物半导体(Complementary Metal-Oxide-Semiconductor，CMOS)传感器等，代替干板记录全息图，然后将全息图存入计算机，用计算机模拟光学衍射过程来再现被记录物体的三维(3Dimensions，3D)信息的技术。
然而，由于光源的相干性，导致全息图中被添加了散斑噪声，进而导致数字全息再现图像中也被添加了散斑噪声，使数字全息再现图像的质量严重劣化，降低了数字全息再现图像的信噪比。
目前，为提高数字全息再现图像的质量，通常直接去除数字全息再现图像中的散斑噪声，采用的方法主要包括：中值滤波算法、小波变换算法、重建多个全息图并取其平均强度、Lee滤波算法、非局部均值(Non Local Means，NLM)滤波算法、三维块匹配(Block-Matching 3Dimensions，BM3D)滤波算法等。
但是，利用上述方法直接去除数字全息再现图像中的散斑噪声，会使数字全息再现图像边缘的纹理模糊，导致数字全息再现图像中许多重要的细节信息丢失，进而造成数字全息再现图像不能很好的再现被记录物体的3D信息。
发明内容
鉴于上述问题，本发明实施例的目的是提供一种数字全息再现图像中散斑噪声的去除方法及装置，能够避免数字全息再现图像边缘的纹理模糊，保留数字全息再现图像中重要的细节信息，使得数字全息再现图像能够很好的再现被记录物体的3D信息。
第一方面，本发明实施例提供一种数字全息再现图像中散斑噪声的去除方法，所述方法包括：获得数字全息再现图像；确定所述数字全息再现图像中被记录物体所在的目标区域；对所述目标区域内的数字全息再现图像进行细节增强；去除细节增强后的数字全息再现图像中的散斑噪声。
第二方面，本发明实施例提供一种数字全息再现图像中散斑噪声的去除装置，所述装置包括：接收模块，被配置为获得数字全息再现图像；确定模块，被配置为确定所述数字全息再现图像中被记录物体所在的目标区域；增强模块，被配置为对所述目标区域内的数字全息再现图像进行细节增强；去噪模块，被配置为去除细节增强后的数字全息再现图像中的散斑噪声。
第三方面，本发明实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述一个或多个技术方案中的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述一个或多个技术方案中的方法。
本发明实施例提供的数字全息再现图像中散斑噪声的去除方法及装置，在获得数字全息再现图像后，确定数字全息再现图像中被记录物体所在的目标区域；然后，对目标区域内的数字全息再现图像进行细节增强；最后，去除细节增强后的数字全息再现图像中的散斑噪声。可见，在去除数字全息再现图像中的散斑噪声之前，通过对数字全息再现图像中被记录物体所在的目标区域进行细节增强，使得数字全息再现图像中被记录物体的细节增强，在去除数字全息再现图像中的散斑噪声时，能够避免数字全息再现图像中被记录物体的纹理模糊，使数字全息再现图像中被记录物体的细节信息得到有效保留，进而使得数字全息再现图像能够很好的再现被记录物体的3D信息。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例中的数字全息再现图像中散斑噪声的去除方法的流程示意图一；
图2为本发明实施例中的数字全息再现图像中散斑噪声的去除方法的流程示意图二；
图3为本发明实施例中的花瓶的相关图像；
图4为本发明实施例中的人和马的相关图像；
图5为本发明实施例中的去除散斑噪声后的图像的灰度值与参考图像的灰度值的对比图；
图6为本发明实施例中的数字全息再现图像中散斑噪声的去除装置的结构示意图；
图7为本发明实施例中的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种数字全息再现图像中散斑噪声的去除方法及装置，在实际应用中，由于数字全息再现图像中存在散斑噪声，使数字全息再现图像的质量严重劣化，降低了数字全息再现图像的信噪比，进而限制了数字全息再现图像在一些应用上的发展，这些应用例如是：生物样品的定量相位3D成像、生物学和医学中的透明样品的定量无标记显微技术、芯片上的点护理诊断全息显微技术、三维粒子跟踪、三维光学显示、国土安全与加密、光学安全与加密、压缩全息成像、用于娱乐的全息显示、采用远红外照明记录和显示大尺寸现实世界物体等。然而，通过采用本发明实施例提供的数字全息再现图像中散斑噪声的去除方法及装置，能够去除数字全息再现图像中的散斑噪声，并且能够使数字全息再现图像中的细节信息得到有效保留，使得数字全息再现图像能够很好的再现被记录物体的3D信息，进而能够促进上述应用的进一步发展。
接下来，对本发明实施例提供的数字全息再现图像中散斑噪声的去除方法进行详细说明。
图1为本发明实施例中的数字全息再现图像中散斑噪声的去除方法的流程示意图一，参见图1所示，该方法可以包括：
S101：获得数字全息再现图像。
在这里，数字全息再现图像可以是指利用光电传感器件记录被记录物体的全息图，然后通过计算机模拟光学衍射，对全息图进行重构后得到的图像。
S102：确定数字全息再现图像中被记录物体所在的目标区域。
具体来说，数字全息再现图像中包括有被记录物体和背景，需要从背景中识别出被记录物体，进而确定被记录物体所在的目标区域。在这里，可以根据数字全息再现图像中被记录物体和背景的特征的复杂程度，采用但不限于以下三种方式确定数字全息再现图像中被记录物体所在的目标区域：
第一种方式：当数字全息再现图像中被记录物体的特征的复杂程度低于背景的特征的复杂程度时，可以直接在数字全息再现图像中确定出被记录物体所在的目标区域。
由于数字全息再现图像中被记录物体的特征的复杂程度低于背景的特征的复杂程度，因此，在数字全息再现图像中能够容易地直接确定出被记录物体，进而能够准确地确定出被记录物体所在的目标区域，提高识别目标区域的准确性，同时还能够提高识别目标区域的速度。
第二种方式：当数字全息再现图像中被记录物体的特征的复杂程度高于背景的特征的复杂程度时，可以先确定数字全息再现图像中背景所在的背景区域，然后对数字全息再现图像中的全部区域与背景区域进行减法处理，最后将进行减法处理后的区域作为目标区域。
由于数字全息再现图像中背景的特征的复杂程度低于被记录物体的特征的复杂程度，因此，先在数字全息再现图像中确定出特征复杂程度较低的背景，能够准确地识别出背景所在的背景区域，进而再基于整个图像的区域和背景区域，能够准确地得到被记录物体所在的目标区域，提高识别目标区域的准确性。
第三种方式：当数字全息再现图像中被记录物体的特征的复杂程度与背景的特征的复杂程度相同时，先采用第一种方式确定出被记录物体的目标区域一，再采用第二种方式确定出被记录物体的目标区域二，然后，取目标区域一与目标区域二的并集，并作为目标区域三，最后，将目标区域三作为被记录物体在数字全息再现图像中的目标区域。
由于数字全息再现图像中被记录物体的特征的复杂程度与背景的特征的复杂程度相同，无论是采用上述第一种方式，还是采用上述第二种方式确定出的被记录物体的目标区域的准确性都不会产生较大的变化，因此，对采用第一种方式确定出的被记录物体的目标区域一，与采用第二种方式确定出的被记录物体的目标区域二进行取并集处理，得到合并后的目标区域三，并将目标区域三作为被记录物体的目标区域，能够降低在确定被记录物体的目标区域时遗漏被记录物体实际位于的区域，提高识别被记录物体的目标区域的准确性。
至此，通过采用上述任意一种方式就能够确定出数字全息再现图像中被记录物体所在的目标区域了。
S103：对目标区域内的数字全息再现图像进行细节增强。
在这里，主要是增强目标区域内的数字全息再现图像中被记录物体的纹理信息。具体的，可以通过增加被记录物体在数字全息再现图像中的灰度值来增强被记录物体的纹理信息。在具体实施过程中，可以包括但不限于以下两种方法增加被记录物体在数字全息再现图像中的灰度值：
第一种方法：将被记录物体在数字全息再现图像中的每个像素对应的灰度值进行翻倍。例如：被记录物体在数字全息再现图像中存在4个像素，这4个像素的灰度值分别是20、180、80、56，将这4个像素的灰度值分别进行翻倍，得到翻倍后的这4个像素的灰度值分别为40、255、160、112。
第二种方法：将被记录物体在数字全息再现图像中的每个像素对应的灰度值都增加一个相同的常数，这个常数可以根据需要增强细节的程度而定，当需要增强细节的程度较高时，可以将这个常数设置的高一些，相反，当需要增强细节的程度较低时，可以将这个常数设置的低一些，当然，也可以根据其它条件确定该常数，在此不做具体限定。例如：被记录物体在数字全息再现图像中存在4个像素，这4个像素的灰度值分别是20、180、80、56，将这4个像素的灰度值分别增加80，得到翻倍后的这4个像素的灰度值分别为100、255、160、136。
在此需要注意的是，无论是使用上述第一种方法，还是使用上述第二种方法增加被记录物体在数字全息再现图像中的灰度值，由于灰度值最高为255，若翻倍后或增加常数后的灰度值超过255，则以255作为翻倍后或增加常数后的灰度值。
此时，已经对数字全息再现图像中被记录物体的细节信息进行了增强，再对图像进行去噪，也只会减弱图像中的细节信息，仍然会有效保留图像中的细节。
S104：去除细节增强后的数字全息再现图像中的散斑噪声。
在具体实施过程中，可以采用中值滤波算法、小波变换算法、重建多个全息图并取其平均强度、Lee滤波算法、NLM滤波算法、BM3D滤波算法等算法中的一个或多个算法去除细节增强后的数字全息再现图像中的散斑噪声，当然，也可以采用其它算法去除细节增强后的数字全息再现图像中的散斑噪声，在此不做限定。
需要说明的是，当采用上述某一种算法去除细节增强后的数字全息再现图像中的散斑噪声之后，散斑噪声的去除效果并不明显，可以再次增强去除散斑噪声后的数字全息再现图像中目标区域的细节，进而再采用上述另一种算法去除细节增强后的数字全息再现图像中的散斑噪声，直到散斑噪声的去除效果有提升为止，能够提高数字全息再现图像中散斑噪声的去除效果。
示例性的，假设第一次增强目标区域内细节的数字全息再现图像为图像A，采用算法a对图像A中的散斑噪声进行去除之后得到图像B，而当图像B中还存在较多的散斑噪声时，再执行步骤S103对图像B中目标区域内的细节进行增强，得到图像C，然后采用算法b对图像C中的散斑噪声进行去除，如此重复执行步骤S103，并采用与前面不同的算法去除经过步骤S103处理后的图像，直到最终的图像中的散斑噪声的去除效果有提升为止。
由上述内容可知，本发明实施例提供的数字全息再现图像中散斑噪声的去除方法，在获得数字全息再现图像后，确定数字全息再现图像中被记录物体所在的目标区域；然后，对目标区域内的数字全息再现图像进行细节增强；最后，去除细节增强后的数字全息再现图像中的散斑噪声。可见，在去除数字全息再现图像中的散斑噪声之前，通过对数字全息再现图像中被记录物体所在的目标区域进行细节增强，使得数字全息再现图像中被记录物体的细节增强，在去除数字全息再现图像中的散斑噪声时，能够避免数字全息再现图像中被记录物体的纹理模糊，使数字全息再现图像中被记录物体的细节信息得到有效保留，进而使得数字全息再现图像能够很好的再现被记录物体的3D信息。
基于前述实施例，作为图1所示方法的细化和扩展，本发明实施例还提供了一种数字全息再现图像中散斑噪声的去除方法。图2为本发明实施例中的数字全息再现图像中散斑噪声的去除方法的流程示意图二，参见图2所示，该方法可以包括：
S201：获得数字全息再现图像。
S202：采用图像分割算法将数字全息再现图像中的被记录物体与背景分割。
在具体实施过程中，一种实施方式是：通过采用图像分割算法，能够自动的识别出数字全息再现图像中的背景，进而自动的将该背景与其周围的物体(即被记录物体)分割开，即自动的将被记录物体与背景区分开来。另一种实施方式是：通过采用图像分割算法，能够自动的识别出数字全息再现图像中的被记录物体，进而自动的将该被记录物体与其周围的物体(即背景)分割开，即自动的将被记录物体与背景区分开来。再一种实施方式是：通过采用图像分割算法，能够自动的识别出数字全息再现图像中被记录物体与背景的分界线，进而基于该分界线，自动的将被记录物体与背景分割开。当然，通过采用图像分割算法，还能够通过其它方式自动的将被记录物体与背景分割开，在此不做限定。
可见，相比于采用人工手动的方法分割数字全息再现图像中的被记录物体和背景，采用图像分割算法能够更快的分割数字全息再现图像中的被记录物体和背景，能够提高目标区域的识别速度，进而提高数字全息再现图像的处理速度。
示例性的，可以采用基于阈值的图像分割算法、基于区域的图像分割算法、基于边缘的图像分割算法、基于特定理论的图像分割算法、基于基因编码的图像分割算法、基于小波变换的图像分割算法、基于神经网络的图像分割算法等算法自动的将被记录物体与背景分割开，当然，也可以采用其它图像分割算法自动的将被记录物体与背景分割开，在此不做限定。
在实际应用中，可以采用交互式图像分割算法分割数字全息再现图像中的被记录物体和背景。具体的，用户可以在数字全息再现图像中对被记录物体进行标记，以标记出图像的前景信息，还可以在图像中对背景进行标记，以标记出图像的背景信息，然后，该算法根据用户标记的前景信息和背景信息对图像中被记录物体和背景进行分割。在这里，对图像中的被记录物体或背景进行标记，例如是在图像中被记录物体或背景上画一条线，当然，也可以采用其它方式对图像中的被记录物体或背景进行标记，在此不做限定。可见，采用交互式图像分割算法，通过人机交互的方式对数字全息再现图像中的被记录物体和背景进行分割，在提高图像分割速度的同时，还能够提高图像分割的准确率，使图像中被记录物体和背景的分割结果更加符合真实情况。
S203：确定分割得到的被记录物体所在的目标区域。
在这里，在将被记录物体与背景分割开之后，基于被记录物体的轮廓以及该轮廓在数字全息再现图像中的位置，确定被记录物体所在的目标区域。
S204：将目标区域内的数字全息再现图像作为引导图像，将数字全息再现图像作为输入图像。
S205：根据引导图像的特征，采用引导滤波算法，对输入图像中的被记录物体进行细节增强。
具体来说，在采用引导滤波算法对输入图像中被记录物体的细节信息进行增强时，将引导图像作为基准，能够避免对输入图像中的背景进行细节增强，确保增强的是输入图像中被记录物体的细节信息，由于引导滤波算法还具有去除噪声的作用，所以输入图像中被记录物体所在区域的噪声的增强效果并不明显，整体看来，主要增强的是数字全息再现图像中被记录物体的细节，此时，由于已去除了图像中的部分噪声，所以，也为后面去除散斑噪声提供了较好的输入图像，进一步优化去除散斑噪声的效果。
S206：去除细节增强后的数字全息再现图像中的散斑噪声。
由上述内容可知，本发明实施例提供的数字全息再现图像中散斑噪声的去除方法，在获得数字全息再现图像后，确定数字全息再现图像中被记录物体所在的目标区域；然后，对目标区域内的数字全息再现图像进行细节增强；最后，去除细节增强后的数字全息再现图像中的散斑噪声。可见，在去除数字全息再现图像中的散斑噪声之前，通过对数字全息再现图像中被记录物体所在的目标区域进行细节增强，使得数字全息再现图像中被记录物体的细节增强，在去除数字全息再现图像中的散斑噪声时，能够避免数字全息再现图像中被记录物体的纹理模糊，使数字全息再现图像中被记录物体的细节信息得到有效保留，进而使得数字全息再现图像能够很好的再现被记录物体的3D信息。
接下来，以两个具体实例来说明本发明实施例中的方法对散斑噪声的去除效果。
实例一：图3为本发明实施例中的花瓶的相关图像，参见图3所示，图中3a为花瓶的参考图像，该参考图像为理想图像，其中并不存在散斑噪声，能够真实的表现出花瓶的细节信息，图中3b为花瓶的数字全息再现图像，该图像中存在散斑噪声，图中3c、3d、3e、3f分别为采用Lee滤波算法、BM3D滤波算法、NLM滤波算法、本发明实施例中的方法对3b中的散斑噪声进行去除后得到的图像。
在视觉效果上对比3c、3d、3e、3f可以发现，3f相比于3c、3d、3e，能够对3b中的散斑噪声进行很好的抑制，与3a相比，细节信息也得到了有效的保留，能够很好的再现花瓶的3D信息。
在客观指标上对3c、3d、3e、3f进行对比，参见表1，表1为3c、3d、3e、3f的客观指标：
表1
| PSNR | RMSE | SSIM | SI(背景区域) | SI(信号区域) | |
| 3c | 14.54 | 33.67 | 0.39 | 0.43 | 0.74 |
| 3d | 15.76 | 27.36 | 0.45 | 0.32 | 0.56 |
| 3e | 15.97 | 36.82 | 0.48 | 0.29 | 0.54 |
| 3f | 26.41 | 14.42 | 0.64 | 0.01 | 0.29 |
其中，PSNR为峰值信噪比，是信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值，PSNR越大，代表图像失真越少；RMSE为均方根误差，RMSE越小，代表图像与真实图像之间的偏差越小，SSIM为结构相似性，SSIM越大，代表图像与真实图像的相似度越高，SI为散斑指数，SI越小，代表图像中的散斑噪声越少。
通过将表1中的客观指标进行对比可以看出，3f相比于3c、3d、3e，图像的失真有所减小，图像与真实图像之间的偏差有所减小、相似度有所增加，背景区域的散斑噪声基本得到抑制，信号区域的散斑噪声所有降低，这里的信号区域就是指被记录物体所在的区域，即花瓶所在的区域。
由此可见，无论是在视觉效果上，还是在客观指标上，采用本发明实施例提供的数字全息再现图像中散斑噪声的去除方法，在去除数字全息再现图像中的散斑噪声同时，还能够使图像中被记录物体的细节信息得到有效保留，进而使得图像能够很好的再现被记录物体的3D信息。
实例二：图4为本发明实施例中的人和马的相关图像，参见图4所示，图中4a为人和马的参考图像，该参考图像为理想图像，其中并不存在散斑噪声，能够真实的表现出人和马的细节信息，图中4b为人和马的数字全息再现图像，该图像中存在散斑噪声，图中4c、4d、4e、4f分别为采用Lee滤波算法、BM3D滤波算法、NLM滤波算法、本发明实施例中的方法对4b中的散斑噪声进行去除后得到的图像。
在视觉效果上对比4c、4d、4e、4f可以发现，4f相比于4c、4d、4e，能够对4b中的散斑噪声进行很好的抑制，与4a相比，细节信息也得到了有效的保留，能够很好的再现人和马的3D信息。
在客观指标上对4c、4d、4e、4f进行对比，参见表2，表2为4c、4d、4e、4f的客观指标：
表2
| PSNR | RMSE | SSIM | SI(背景区域) | SI(信号区域) | |
| 4c | 14.79 | 30.06 | 0.37 | 0.35 | 0.73 |
| 4d | 14.86 | 28.99 | 0.41 | 0.21 | 0.51 |
| 4e | 14.52 | 30.16 | 0.45 | 0.27 | 0.64 |
| 4f | 27.61 | 15.67 | 0.76 | 0.01 | 0.32 |
其中，PSNR为峰值信噪比，是信号最大可能功率和影响它的表示精度的破坏性噪声功率的比值，PSNR越大，代表图像失真越少；RMSE为均方根误差，RMSE越小，代表图像与真实图像之间的偏差越小，SSIM为结构相似性，SSIM越大，代表图像与真实图像的相似度越高，SI为散斑指数，SI越小，代表图像中的散斑噪声越少。
通过将表2中的客观指标进行对比可以看出，4f相比于4c、4d、4e，图像的失真有所减小，图像与真实图像之间的偏差有所减小、相似度有所增加，背景区域的散斑噪声基本得到抑制，信号区域的散斑噪声所有降低，这里的信号区域就是指被记录物体所在的区域，即人和马所在的区域。
此外，还可以将4c、4d、4e、4f的同一区域的灰度值分别与4a对应的区域的灰度值进行对比，以确定去噪后的图像的细节保留效果。图5为本发明实施例中的去除散斑噪声后的图像的灰度值与参考图像的灰度值的对比图，参见图5所示，图中5a、5b、5c、5d分别为采用Lee滤波算法、BM3D滤波算法、NLM滤波算法、本发明实施例中的方法对数字全息再现图像进行去噪后的图像的灰度值与参考图像的灰度值的对比图。
通过对比图5中的5a、5b、5c、5d可知，4f与4a的灰度值曲线基本一致，保留了4a的细节信息，抑制了4b中的散斑噪声，而4c、4d、4e的灰度值曲线与4a的灰度值曲线有很大的差异，模糊了4a的细节信息，无法根本性抑制4b中的散斑噪声。
由此可见，无论是在视觉效果上，还是在客观指标上，采用本发明实施例提供的数字全息再现图像中散斑噪声的去除方法，在去除数字全息再现图像中的散斑噪声同时，还能够使图像中被记录物体的细节信息得到有效保留，进而使得图像能够很好的再现被记录物体的3D信息。
基于同一发明构思，作为对上述方法的实现，本发明实施例还提供了一种数字全息再现图像中散斑噪声的去除装置。图6为本发明实施例中的数字全息再现图像中散斑噪声的去除装置的结构示意图，参见图6所示，该装置60可以包括：接收模块601，被配置为获得数字全息再现图像；确定模块602，被配置为确定数字全息再现图像中被记录物体所在的目标区域；增强模块603，被配置为对目标区域内的数字全息再现图像进行细节增强；去噪模块604，被配置为去除细节增强后的数字全息再现图像中的散斑噪声。
基于前述实施例，确定模块，具体被配置为采用图像分割算法将数字全息再现图像中的被记录物体与背景分割；确定分割得到的被记录物体所在的目标区域。
基于前述实施例，确定模块，具体被配置为采用交互式图像分割算法将数字全息再现图像中的被记录物体与背景分割。
基于前述实施例，增强模块，具体被配置为将目标区域内的数字全息再现图像作为引导图像，将数字全息再现图像作为输入图像；根据引导图像的特征，采用引导滤波算法，对输入图像中的被记录物体进行细节增强。
这里需要指出的是：以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
基于同一发明构思，作为对上述方法的实现，本发明实施例还提供了一种电子设备。图7为本发明实施例中的电子设备的结构示意图，参见图7所示，该电子设备70可以包括：至少一个处理器701；以及与处理器701连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器701用于调用存储器702中的程序指令，以执行上述一个或多个实施例中的方法。
这里需要指出的是：以上电子设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明实施例的电子设备的实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述一个或多个实施例中的方法。
这里需要指出的是：以上计算机可读存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明实施例的计算机可读存储介质的实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数字全息再现图像中散斑噪声的去除方法，其特征在于，所述方法包括：
获得数字全息再现图像；
确定所述数字全息再现图像中被记录物体所在的目标区域；
对所述目标区域内的数字全息再现图像进行细节增强；
去除细节增强后的数字全息再现图像中的散斑噪声。
2.根据权利要求1所述的方法，其特征在于，所述确定所述数字全息再现图像中被记录物体所在的目标区域，包括：
采用图像分割算法将所述数字全息再现图像中的被记录物体与背景分割；
确定分割得到的被记录物体所在的目标区域。
3.根据权利要求2所述的方法，其特征在于，所述采用图像分割算法将所述数字全息再现图像中的被记录物体与背景分割，包括：
采用交互式图像分割算法将所述数字全息再现图像中的被记录物体与背景分割。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述对所述目标区域内的数字全息再现图像进行细节增强，包括：
将所述目标区域内的数字全息再现图像作为引导图像，将所述数字全息再现图像作为输入图像；
根据所述引导图像的特征，采用引导滤波算法，对所述输入图像中的被记录物体进行细节增强。
5.一种数字全息再现图像中散斑噪声的去除装置，其特征在于，所述装置包括：
接收模块，被配置为获得数字全息再现图像；
确定模块，被配置为确定所述数字全息再现图像中被记录物体所在的目标区域；
增强模块，被配置为对所述目标区域内的数字全息再现图像进行细节增强；
去噪模块，被配置为去除细节增强后的数字全息再现图像中的散斑噪声。
6.根据权利要求5所述的装置，其特征在于，所述确定模块，具体被配置为采用图像分割算法将所述数字全息再现图像中的被记录物体与背景分割；确定分割得到的被记录物体所在的目标区域。
7.根据权利要求6所述的装置，其特征在于，所述确定模块，具体被配置为采用交互式图像分割算法将所述数字全息再现图像中的被记录物体与背景分割。
8.根据权利要求5至7中任一项所述的装置，其特征在于，所述增强模块，具体被配置为将所述目标区域内的数字全息再现图像作为引导图像，将所述数字全息再现图像作为输入图像；根据所述引导图像的特征，采用引导滤波算法，对所述输入图像中的被记录物体进行细节增强。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；
以及与所述处理器连接的至少一个存储器、总线；
其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910205341.5A CN109978782A (zh) | 2019-03-18 | 2019-03-18 | 一种数字全息再现图像中散斑噪声的去除方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910205341.5A CN109978782A (zh) | 2019-03-18 | 2019-03-18 | 一种数字全息再现图像中散斑噪声的去除方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109978782A true CN109978782A (zh) | 2019-07-05 |
Family
ID=67079388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910205341.5A Pending CN109978782A (zh) | 2019-03-18 | 2019-03-18 | 一种数字全息再现图像中散斑噪声的去除方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978782A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007664A (zh) * | 2019-12-18 | 2020-04-14 | 中国科学院光电技术研究所 | 一种高衍射效率、低散斑噪声的衍射光学元件的设计方法 |
| CN111985555A (zh) * | 2020-08-19 | 2020-11-24 | 中国科学院上海微系统与信息技术研究所 | 毫米波三维全息图像去噪方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4223340A (en) * | 1979-05-11 | 1980-09-16 | Rca Corporation | Image detail improvement in a vertical detail enhancement system |
| CN103186888A (zh) * | 2011-12-30 | 2013-07-03 | Ge医疗系统环球技术有限公司 | 一种去除ct图像噪声的方法及装置 |
| CN103473742A (zh) * | 2013-09-11 | 2013-12-25 | 天津工业大学 | 反射式离轴数字全息再现像中的噪声抑制新方法 |
| CN105852816A (zh) * | 2016-05-16 | 2016-08-17 | 浙江大学 | 一种全通道调制编码的角度复合散斑降噪方法与系统 |
| CN105954994A (zh) * | 2016-06-30 | 2016-09-21 | 深圳先进技术研究院 | 无透镜数字全息显微成像的图像增强方法 |
| CN106384337A (zh) * | 2016-09-07 | 2017-02-08 | 上海理工大学 | 一种激光散斑血流成像的增强方法 |
| CN106447635A (zh) * | 2016-09-30 | 2017-02-22 | 微美光速资本投资管理（北京）有限公司 | 一种裸眼3d图像增强方法 |
| CN107085838A (zh) * | 2017-06-02 | 2017-08-22 | 新疆大学 | 全息图噪声的去除方法及装置 |
| US9807301B1 (en) * | 2016-07-26 | 2017-10-31 | Microsoft Technology Licensing, Llc | Variable pre- and post-shot continuous frame buffering with automated image selection and enhancement |
| CN108562541A (zh) * | 2018-04-23 | 2018-09-21 | 南京大学 | 基于矩阵分解的无透镜全息显微散斑噪声去除方法及装置 |
-
2019
- 2019-03-18 CN CN201910205341.5A patent/CN109978782A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4223340A (en) * | 1979-05-11 | 1980-09-16 | Rca Corporation | Image detail improvement in a vertical detail enhancement system |
| CN103186888A (zh) * | 2011-12-30 | 2013-07-03 | Ge医疗系统环球技术有限公司 | 一种去除ct图像噪声的方法及装置 |
| CN103473742A (zh) * | 2013-09-11 | 2013-12-25 | 天津工业大学 | 反射式离轴数字全息再现像中的噪声抑制新方法 |
| CN105852816A (zh) * | 2016-05-16 | 2016-08-17 | 浙江大学 | 一种全通道调制编码的角度复合散斑降噪方法与系统 |
| CN105954994A (zh) * | 2016-06-30 | 2016-09-21 | 深圳先进技术研究院 | 无透镜数字全息显微成像的图像增强方法 |
| US9807301B1 (en) * | 2016-07-26 | 2017-10-31 | Microsoft Technology Licensing, Llc | Variable pre- and post-shot continuous frame buffering with automated image selection and enhancement |
| CN106384337A (zh) * | 2016-09-07 | 2017-02-08 | 上海理工大学 | 一种激光散斑血流成像的增强方法 |
| CN106447635A (zh) * | 2016-09-30 | 2017-02-22 | 微美光速资本投资管理（北京）有限公司 | 一种裸眼3d图像增强方法 |
| CN107085838A (zh) * | 2017-06-02 | 2017-08-22 | 新疆大学 | 全息图噪声的去除方法及装置 |
| CN108562541A (zh) * | 2018-04-23 | 2018-09-21 | 南京大学 | 基于矩阵分解的无透镜全息显微散斑噪声去除方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007664A (zh) * | 2019-12-18 | 2020-04-14 | 中国科学院光电技术研究所 | 一种高衍射效率、低散斑噪声的衍射光学元件的设计方法 |
| CN111985555A (zh) * | 2020-08-19 | 2020-11-24 | 中国科学院上海微系统与信息技术研究所 | 毫米波三维全息图像去噪方法 |
| CN111985555B (zh) * | 2020-08-19 | 2021-04-13 | 中国科学院上海微系统与信息技术研究所 | 毫米波三维全息图像去噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Superpixel segmentation with fully convolutional networks | |
| Li et al. | Fast guided global interpolation for depth and motion | |
| Yang | Hardware-efficient bilateral filtering for stereo matching | |
| Min et al. | Depth video enhancement based on weighted mode filtering | |
| Komodakis et al. | Image completion using efficient belief propagation via priority scheduling and dynamic pruning | |
| US20220239844A1 (en) | Neural 3D Video Synthesis | |
| US20080007747A1 (en) | Method and apparatus for model based anisotropic diffusion | |
| Drouyer et al. | Sparse stereo disparity map densification using hierarchical image segmentation | |
| KR20200144398A (ko) | 클래스 증가 학습을 수행하는 장치 및 그의 동작 방법 | |
| CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、系统及介质 | |
| CN109325996B (zh) | 用于生成信息的方法和装置 | |
| US20220084278A1 (en) | Method and device for rendering point cloud-based data | |
| US11954755B2 (en) | Image processing device and operation method thereof | |
| CN109978782A (zh) | 一种数字全息再现图像中散斑噪声的去除方法及装置 | |
| CN112037186A (zh) | 一种基于多视图模型融合的冠脉血管提取方法及装置 | |
| CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
| Jung et al. | Multi-task learning framework for motion estimation and dynamic scene deblurring | |
| Farella et al. | Analysing key steps of the photogrammetric pipeline for Museum artefacts 3D digitisation | |
| CN109961061A (zh) | 一种边缘计算视频数据结构化方法及系统 | |
| WO2023070421A1 (en) | Methods and apparatus to perform mask-based depth enhancement for multi-view systems | |
| Georgantzoglou et al. | Image Processing with MATLAB and GPU | |
| US11605001B2 (en) | Weight demodulation for a generative neural network | |
| JP2023547454A (ja) | 画像フレームシーケンスの信号対雑音比を改善するための方法および画像処理デバイス | |
| Tran et al. | Encoder–decoder network with guided transmission map: Robustness and applicability | |
| CN112017190A (zh) | 一种用于血管分割补全的全局网络构建和训练方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |