CN110599422A - 一种基于边缘保护的加权平均椒盐噪声降噪算法 - Google Patents

Abstract

本发明公开了一种椒盐噪声降噪算法，包括椒盐噪声检测器、基于边缘保护的滤波器。其中椒盐噪声检测器用于查找定值椒盐噪声，并以噪声像素为中心确定一个自适应的窗口，窗口的大小根据窗口内的噪声密度进行调节。基于边缘保护的滤波器通过窗口内的无损像素值的加权平均值来替代中心的噪声像素值来实现的；其中，加权平均值是根据与中心噪声像素的距离来确定加权的大小；“基于边缘保护”是指根据设计的边缘检测器检测中心噪声像素是否位于图像的边缘，然后根据判断的结果对与同在图像边缘的无损像素添加附加的权值，以实现边缘保护的目的。

Description

一种基于边缘保护的加权平均椒盐噪声降噪算法

技术领域

本发明涉及一种椒盐噪声(冲击噪声)的图像降噪方法，具体为一种基于边缘保护的加权平均椒盐噪声降噪算法。

背景技术

图像降噪是图像预处理中的重要的环节，图像降噪对于后续图像的显示、分割、测量、识别等的精度和准确度具有重要的影响。

在图像采集、成像与图像信号传输过程中将不可避免地受到噪声的干扰。

随着科技的发展和生活水平的提高，人们对图像的质量的要求越来越高，图像的降噪对于图像的质量的提高具有重要的作用。

随着技术的发展，图像采集与传输系统的抗干扰能力越来越强，但是随着电气设备的增多，干扰类型以及干扰源也越来越多，一种有效的图像降噪算法，对于系统的稳定性和鲁棒性的提高具有重要的意义。

多年来，研究者们提出了各种各样的降噪算法，但是先前的降噪算法一般存在着下述缺点：一是降噪效果不佳；二是会损伤图像的边缘细节，使图像的边缘变得模糊；三是需要的计算量过大，或者需要大量的资源对算法进行训练。

基于先前降噪算法的缺点，本发明提出的降噪算法(PA)的优越性在于：在降噪性能优于大多数降噪算法的同时，可以更好地保护图像的边缘细节，且算法的计算量偏小，可以提高系统的响应速度，实现实时降噪的目的。

本发明的另一个重要的优势是，本发明中的算法提供了很多可调节的参数，如用于边缘判断的阈值、用于调节权值的惩罚因子与权值函数关系式、以及缩放因子等。这使得本发明中的降噪算法具有更大的灵活性，可以根据不同类型的图像，不断调节上述参数，以使得降噪效果达到最佳。

发明内容

本发明的目的可以通过以下技术方案实现：

本发明适用于彩色图像、灰度图像等多种类型的图像中椒盐噪声的去除；将输入的噪声图像转化为二维或三维矩阵，以供后续的降噪处理。

本发明提出的一种基于边缘保护的加权平均椒盐噪声降噪算法，包括椒盐噪声检测器、基于边缘保护的滤波器；

所述的椒盐噪声检测器用于检测定值椒盐噪声，椒盐噪声检测器从第一个像素到最后一个像素依次遍历，若像素值为0或255，则认为该像素是噪声像素；否则认为该像素是无损像素；

椒盐噪声检测器以检测出的噪声像素为中心，创建一个自适应大小的像素窗口；

像素窗口的具体定义如下：

式中，为中心像素值p_i，j对应的像素窗口中包含的所有像素值组成的方形矩阵，p_x，y为窗口内的任意像素值，(i，j)为当前像素值p_i，j的坐标，m为像素窗口的边长；

所述的基于边缘保护的滤波器，包括边缘检测器和加权平均滤波器；

所述的边缘检测器用于检测当前噪声像素是否位于图像的边缘上；所述的加权平均滤波器用于对图像进行降噪处理，具体表现为：首先求得像素窗口内所有无损像素的加权平均值，之后将加权平均值来取代中心噪声像素值，实现降噪。

进一步地，创建一个自适应大小的像素窗口的过程中，每个中心像素对应的窗口大小由窗口内所包含的噪声像素密度所决定，噪声密度越大，窗口尺寸越大；窗口大小与噪声密度的关系式定义如下：

所述的噪声密度，其计算方法为：窗口内噪声像素的数量与窗口内所包含像素数量的比值.即：

式中，d_i，j为窗口内的噪声密度，为窗口内的噪声像素的数量，m_i，j为当前窗口的尺寸。

进一步地，所述的边缘检测器定义了8种类型的图像边缘，并将窗口内的像素分成图像边缘上以及边缘两侧共三个像素集合；其中，边缘两侧的像素集合分别标记为A_i，j和B_i，j。

进一步地，边缘检测器将像素窗口内的像素分成三个像素集合中，若图像边缘两侧的像素集合A_i，j和B_i，j满足以下关系式，则认为像素窗口内的中心噪声像素位于图像边缘上；

|min(A_i，j)-max(B_i，j)|＝th_i，j≥th或min(B_i，j)-max(A_i，j)＝th_i，j≥th；

式中，th为判断边缘所设定的阈值，具体为给定的常数；th_i，j为集合A_i，j与集合B_i，j中最接近的两个元素的差值；min()为最小值函数，用于求得括号内给定集合的最小值，max()为最大值函数，用于求得括号内给定集合的最大值。

进一步地，加权平均滤波器对图像进行降噪处理的具体步骤如下：

步骤一：将与中心噪声像素距离相同的像素放入到同一个集合中；

步骤二：求得窗口内与中心噪声像素距离相同的无损像素的和；

步骤三：确定与中心像素不同距离的像素值的权值

步骤四：检测噪声像素是否位于图像边缘上，并确定边缘缩放因子；

步骤五：根据权值与边缘缩放因子求得像素窗口内所有无损像素的加权平均值，并用该加权平均值来取代中心噪声像素值。

进一步地，步骤一中将与中心噪声像素距离相同的像素放入到同一个集合中，集合的定义如下所示：

式中，为与中心像素距离为的窗口内的所有像素值的集合；p_x，y为窗口内坐标为(x，y)的任一像素值；M_i，j为集合{3，5，7，9}的子集，且M_i，j中的元素小于等于窗口的尺寸。

进一步地，步骤二中求得窗口内与中心像素距离相同的无损像素的和中，对于与中心像素距离为的无损像素的和的求解公式如下式所示：

式中，α_x，y为噪声判定因子，若像素p_x，y被判定为噪声像素，则α_x，y＝0；否则，α_x，y＝1；与中心像素距离为的无损像素的和。

进一步地，步骤四中确定边缘缩放因子，缩放因子的定义如下：

式中，K_i，j为缩放因子；th_i，j为集合A_i，j与集合B_i，j中最接近的两个元素的差值；K为常数。

进一步地，所述的加权平均值，其定义为：

式中，为窗口中心的噪声像素；M_i，j＝{n∈{35，7，9}|n≤m_i，j}；n为集合M_i，j中的元素；为与中心像素为的无损像素的权值，权值由权值调节模型进行调节；为处于图像边缘上的无损像素的像素值的和；为处于图像边缘上的无损像素的数量。

进一步地，所述的权值调节模型，其作用是在实际应用中便于对权值进行调节，权值调节模型的定义如下：

式中，为惩罚因子，用于表示对与中心像素距离为的无损像素的惩罚程度；d_i，j为噪声密度；表示与中心像素距离为的像素所对应的权值；f()为不同权值之间的函数关系式，即权值函数关系式，所述的权值函数关系式指代一切可描述不同权值之间关系的函数关系，具体包括：线性函数、指数函数、幂函数、对数函数和分段函数。

本发明的有益效果：

1、本发明提出的降噪算法的优越性在于：在降噪性能优于大多数降噪算法的同时，可以更好地保护图像的边缘细节，且算法的计算量偏小，可以提高系统的响应速度，实现实时降噪的目的。

2、本发明的另一个重要的优势是，本发明中的算法提供了很多可调节的参数，如用于边缘判断的阈值、用于调节权值的惩罚因子与权值函数关系式、以及缩放因子等。这使得本发明中的降噪算法具有更大的灵活性，可以根据不同类型的图像，不断调节上述参数，以使得降噪效果达到最佳。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明中算法计算流程简图；

图2.1-2.8为边缘检测器划分的8种图像边缘类型；

图3为不同算法的PSNR、SSIM和IEF评价结果对比；

图4为本发明中算法在不同噪声密度下的降噪结果；

图5为在90％噪声密度下，不同算法对边缘保护优劣的可视化结果比较。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1、图2.1-2.8和图3-5所示，本发明提出的一种基于边缘保护的加权平均椒盐噪声降噪算法，包括椒盐噪声检测器、基于边缘保护的滤波器；

所述的椒盐噪声检测器用于检测定值椒盐噪声，椒盐噪声检测器从第一个像素到最后一个像素依次遍历，若像素值为0或255，则认为该像素是噪声像素；否则认为该像素是无损像素；

椒盐噪声检测器以检测出的噪声像素为中心，创建一个自适应大小的像素窗口；

像素窗口的具体定义如下：

式中，为中心像素值p_i，j对应的像素窗口中包含的所有像素值组成的方形矩阵，p_x，y为窗口内的任意像素值，(i，j)为当前像素值p_i，j的坐标，m为像素窗口的边长；

所述的基于边缘保护的滤波器，包括边缘检测器和加权平均滤波器；

所述的边缘检测器用于检测当前噪声像素是否位于图像的边缘上；所述的加权平均滤波器用于对图像进行降噪处理，具体表现为：首先求得像素窗口内所有无损像素的加权平均值，之后将加权平均值来取代中心噪声像素值，实现降噪。

其中，创建一个自适应大小的像素窗口的过程中，每个中心像素对应的窗口大小由窗口内所包含的噪声像素密度所决定，噪声密度越大，窗口尺寸越大；窗口大小与噪声密度的关系式定义如下：

所述的噪声密度，其计算方法为：窗口内噪声像素的数量与窗口内所包含像素数量的比值，即：

式中，d_i，j为窗口内的噪声密度，为窗口内的噪声像素的数量，m_i，j为当前窗口的尺寸。

其中，所述的边缘检测器定义了8种类型的图像边缘，并将窗口内的像素分成图像边缘上以及边缘两侧共三个像素集合；其中，边缘两侧的像素集合分别标记为A_i，j和B_i，j。

其中，边缘检测器将像素窗口内的像素分成三个像素集合中，若图像边缘两侧的像素集合A_i，j和B_i，j满足以下关系式，则认为像素窗口内的中心噪声像素位于图像边缘上；

|min(A_i，j)-max(B_i，j)|＝th_i，j≥th或min(B_i，j)-max(A_i，j)＝th_i，j≥th；

式中，th为判断边缘所设定的阈值，具体为给定的常数；th_i，j为集合A_i，j与集合B_i，j中最接近的两个元素的差值；min()为最小值函数，用于求得括号内给定集合的最小值，max()为最大值函数，用于求得括号内给定集合的最大值。

其中，加权平均滤波器对图像进行降噪处理的具体步骤如下：

步骤一：将与中心噪声像素距离相同的像素放入到同一个集合中；

步骤二：求得窗口内与中心噪声像素距离相同的无损像素的和；

步骤三：确定与中心像素不同距离的像素值的权值

步骤四：检测噪声像素是否位于图像边缘上，并确定边缘缩放因子；

步骤五：根据权值与边缘缩放因子求得像素窗口内所有无损像素的加权平均值，并用该加权平均值来取代中心噪声像素值。

其中，步骤一中将与中心噪声像素距离相同的像素放入到同一个集合中，集合的定义如下所示：

式中，为与中心像素距离为的窗口内的所有像素值的集合；p_x，y为窗口内坐标为(x，y)的任一像素值；M_i，j为集合{3，5，7，9}的子集，且M_i，j中的元素小于等于窗口的尺寸。

其中，步骤二中求得窗口内与中心像素距离相同的无损像素的和中，对于与中心像素距离为的无损像素的和的求解公式如下式所示：

式中，α_x，y为噪声判定因子，若像素p_x，y被判定为噪声像素，则α_x，y＝0；否则，α_x，y＝1；与中心像素距离为的无损像素的和。

其中，步骤四中确定边缘缩放因子，缩放因子的定义如下：

式中，K_i，j为缩放因子；th_i，j为集合A_i，j与集合B_i，j中最接近的两个元素的差值；K为常数。

其中，所述的加权平均值，其定义为：

式中，为窗口中心的噪声像素；M_i，j＝{n∈{3 5，7，9}|n≤m_i，j}；n为集合M_i，j中的元素；为与中心像素为的无损像素的权值，权值由权值调节模型进行调节；为处于图像边缘上的无损像素的像素值的和；为处于图像边缘上的无损像素的数量。

其中，所述的权值调节模型，其作用是在实际应用中便于对权值进行调节，权值调节模型的定义如下：

式中，为惩罚因子，用于表示对与中心像素距离为的无损像素的惩罚程度；d_i，j为噪声密度；表示与中心像素距离为的像素所对应的权值；f()为不同权值之间的函数关系式，即权值函数关系式，所述的权值函数关系式指代一切可描述不同权值之间关系的函数关系，具体包括：线性函数、指数函数、幂函数、对数函数和分段函数。

降噪效果评价算法用于对本发明所提出的降噪算法(PA)进行评价，该降噪效果评价算法具体包括：PSNR(峰值信噪比)评价、SSIM(结构相似度指数)评价和IEF(图像增强因子)评价。

PSNR、SSIM和IEF等图像质量评价参数为现有技术中很成熟的技术，故此处不再赘述。

本发明在具体的实施过程中，其实施方式较为简单，共分为三个步骤：

第一步，准备好需要进行降噪处理的被椒盐噪声污染的图片；

第二步，打开本发明中的降噪程序，对可调节的参数进行设置，如用于边缘判断的阈值、用于调节权值的惩罚因子与权值函数关系式、以及缩放因子等；

第三步，运行程序，提取降噪结果以及降噪效果评估结果，包括降噪后的图片、PSNR、SSIM、及IEF的值。

结合本发明中的附图进行详细说明；

本发明中算法的计算步骤如附图1所示；先将输入的噪声图像进行数字化，将图像转化为矩阵。然后对于矩阵中的每一个像素值，判断其是否为噪声像素，若不是，则判断下一个像素值；否则以该像素为中心，创建一个自适应大小的像素窗口。根据像素窗口中噪声密度的大小，对窗口的大小进行调整。判断上述噪声像素是否位于图像边缘上，根据判断结果给予图像边缘上的无损像素不同的权值。对上述像素窗口中的像素值，将与中心像素距离相同的无损像素值放入到不同的集合中，然后对不同的集合给予不同的权值。接着依据上述两步的结果计算窗口内的加权平均值，用以代替窗口中心的噪声像素。再判断当前像素是否是最后一个像素，若是则终止计算；否则移向下一个像素，再重复上述步骤。最后对降噪后的图像的降噪效果进行评价。

为了体现本发明提出的降噪算法的优点，将本发明中的算法(PA)与先前提出的经典降噪算法如中值滤波器(MF)、DBA、NAFSM、DBUTMF进行了比较。并采用降噪效果评价算法中的评价参数：PSNR、SSIM与IEF，对不同降噪算法的降噪效果进行比较。其结果如附图3所示。

由附图3可知，三种评价参数均表明：本发明提出的算法的降噪效果优于先前的经典降噪算法。

附图4中显示了在“Lena”图片在噪声密度分别为10％、50％、70％和90％的情况下，本发明所提出的降噪算法的降噪效果的可视化结果。

附图5中显示了本发明提出的算法在90％的噪声密度下的边缘保护效果，并将其与中值滤波器(MF)和DBA算法的边缘保护效果进行了比较。可知，本文算法的边缘保护效果最好。

本发明提出的降噪算法的优越性在于：在降噪性能优于大多数降噪算法的同时，可以更好地保护图像的边缘细节，且算法的计算量偏小，可以提高系统的响应速度，实现实时降噪的目的。

本发明的另一个重要的优势是，本发明中的算法提供了很多可调节的参数，如用于边缘判断的阈值、用于调节权值的惩罚因子与权值函数关系式、以及缩放因子等。这使得本发明中的降噪算法具有更大的灵活性，可以根据不同类型的图像，不断调节上述参数，以使得降噪效果达到最佳。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，包括椒盐噪声检测器、基于边缘保护的滤波器；

所述的椒盐噪声检测器用于检测定值椒盐噪声，椒盐噪声检测器从第一个像素到最后一个像素依次遍历，若像素值为0或255，则认为该像素是噪声像素；否则认为该像素是无损像素；

椒盐噪声检测器以检测出的噪声像素为中心，创建一个自适应大小的像素窗口；

像素窗口的具体定义如下：

式中，为中心像素值p_i，j对应的像素窗口中包含的所有像素值组成的方形矩阵，p_x，y为窗口内的任意像素值，(i，j)为当前像素值p_i，j的坐标，m为像素窗口的边长；

所述的基于边缘保护的滤波器，包括边缘检测器和加权平均滤波器；

所述的边缘检测器用于检测当前噪声像素是否位于图像的边缘上；所述的加权平均滤波器用于对图像进行降噪处理，具体表现为：首先求得像素窗口内所有无损像素的加权平均值，之后将加权平均值来取代中心噪声像素值，实现降噪。

2.根据权利要求1所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，创建一个自适应大小的像素窗口的过程中，每个中心像素对应的窗口大小由窗口内所包含的噪声像素密度所决定，噪声密度越大，窗口尺寸越大；窗口大小与噪声密度的关系式定义如下：

所述的噪声密度，其计算方法为：窗口内噪声像素的数量与窗口内所包含像素数量的比值，即：

式中，d_i，j为窗口内的噪声密度，为窗口内的噪声像素的数量，m_i，j为当前窗口的尺寸。

3.根据权利要求1所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，所述的边缘检测器定义了8种类型的图像边缘，并将窗口内的像素分成图像边缘上以及边缘两侧共三个像素集合；其中，边缘两侧的像素集合分别标记为A_i，j和B_i，j。

4.根据权利要求3所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，边缘检测器将像素窗口内的像素分成三个像素集合中，若图像边缘两侧的像素集合A_i，j和B_i，j满足以下关系式，则认为像素窗口内的中心噪声像素位于图像边缘上；

|min(A_i，j)-max(B_i，j)|＝th_i，j≥th或min(B_i，j)-max(A_i，j)＝th_i，j≥th；

式中，th为判断边缘所设定的阈值，具体为给定的常数；th_i，j为集合A_i，j与集合B_i，j中最接近的两个元素的差值；min()为最小值函数，用于求得括号内给定集合的最小值，max()为最大值函数，用于求得括号内给定集合的最大值。

5.根据权利要求1所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，加权平均滤波器对图像进行降噪处理的具体步骤如下：

步骤一：将与中心噪声像素距离相同的像素放入到同一个集合中；

步骤二：求得窗口内与中心噪声像素距离相同的无损像素的和；

步骤三：确定与中心像素不同距离的像素值的权值

步骤四：检测噪声像素是否位于图像边缘上，并确定边缘缩放因子；

步骤五：根据权值与边缘缩放因子求得像素窗口内所有无损像素的加权平均值，并用该加权平均值来取代中心噪声像素值。

6.根据权利要求5所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，步骤一中将与中心噪声像素距离相同的像素放入到同一个集合中，集合的定义如下所示：

式中，为与中心像素距离为的窗口内的所有像素值的集合；p_x，y为窗口内坐标为(x，y)的任一像素值；M_i，j为集合{3，5，7，9}的子集，且M_i，j中的元素小于等于窗口的尺寸。

7.根据权利要求5所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，步骤二中求得窗口内与中心像素距离相同的无损像素的和中，对于与中心像素距离为的无损像素的和的求解公式如下式所示：

式中，α_x，y为噪声判定因子，若像素p_x，y被判定为噪声像素，则α_x，y＝0；否则，α_x，y＝1；与中心像素距离为的无损像素的和。

8.根据权利要求5所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，步骤四中确定边缘缩放因子，缩放因子的定义如下：

式中，K_i，j为缩放因子；th_i，j为集合A_i，j与集合B_i，j中最接近的两个元素的差值；K为常数。

9.根据权利要求1或5任一项所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，所述的加权平均值，其定义为：

式中，为窗口中心的噪声像素；M_i，j＝{n∈{35，7，9}|n≤m_i，j}；n为集合M_i，j中的元素；为与中心像素为的无损像素的权值，权值由权值调节模型进行调节；为处于图像边缘上的无损像素的像素值的和；为处于图像边缘上的无损像素的数量。

10.根据权利要求9所述的一种基于边缘保护的加权平均椒盐噪声降噪算法，其特征在于，所述的权值调节模型，其作用是在实际应用中便于对权值进行调节，权值调节模型的定义如下：

式中，为惩罚因子，用于表示对与中心像素距离为的无损像素的惩罚程度；d_i，j为噪声密度；表示与中心像素距离为的像素所对应的权值；f()为不同权值之间的函数关系式，即权值函数关系式，所述的权值函数关系式指代一切可描述不同权值之间关系的函数关系，具体包括：线性函数、指数函数、幂函数、对数函数和分段函数。