CN110599422B - 一种基于边缘保护的加权平均椒盐噪声降噪方法 - Google Patents

一种基于边缘保护的加权平均椒盐噪声降噪方法 Download PDF

Info

Publication number
CN110599422B
CN110599422B CN201910866143.3A CN201910866143A CN110599422B CN 110599422 B CN110599422 B CN 110599422B CN 201910866143 A CN201910866143 A CN 201910866143A CN 110599422 B CN110599422 B CN 110599422B
Authority
CN
China
Prior art keywords
pixel
noise
window
edge
pixels
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
Application number
CN201910866143.3A
Other languages
English (en)
Other versions
CN110599422A (zh
Inventor
宋云涛
胡乐星
丁开忠
吴昱城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Cas Ion Medical and Technical Devices Co Ltd
Original Assignee
Hefei Cas Ion Medical and Technical Devices Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Cas Ion Medical and Technical Devices Co Ltd filed Critical Hefei Cas Ion Medical and Technical Devices Co Ltd
Priority to CN201910866143.3A priority Critical patent/CN110599422B/zh
Publication of CN110599422A publication Critical patent/CN110599422A/zh
Application granted granted Critical
Publication of CN110599422B publication Critical patent/CN110599422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

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方法
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方法。
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方法，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：
Figure DEST_PATH_IMAGE001
式中，
Figure 100002_DEST_PATH_IMAGE002
为中心像素值
Figure DEST_PATH_IMAGE003
对应的像素窗口中包含的所有像素值组成的方形矩阵，
Figure 100002_DEST_PATH_IMAGE004
为窗口内的任意像素值，
Figure DEST_PATH_IMAGE005
为当前像素值
Figure 205973DEST_PATH_IMAGE003
的坐标，m为像素窗口
Figure 873715DEST_PATH_IMAGE002
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：
Figure 100002_DEST_PATH_IMAGE006
；
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：
Figure DEST_PATH_IMAGE007
；
式中，
Figure 100002_DEST_PATH_IMAGE008
为窗口
Figure 385337DEST_PATH_IMAGE002
内的噪声密度，
Figure DEST_PATH_IMAGE009
为窗口内的噪声像素的数量，
Figure 100002_DEST_PATH_IMAGE010
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
Figure DEST_PATH_IMAGE011
和
Figure 100002_DEST_PATH_IMAGE012
。
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
Figure 191750DEST_PATH_IMAGE011
和
Figure 913456DEST_PATH_IMAGE012
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；
Figure DEST_PATH_IMAGE013
或
Figure 100002_DEST_PATH_IMAGE014
；
式中，
Figure DEST_PATH_IMAGE015
为判断边缘所设定的阈值，具体为给定的常数；
Figure 100002_DEST_PATH_IMAGE016
为集合
Figure 463517DEST_PATH_IMAGE011
与集合
Figure 455744DEST_PATH_IMAGE012
中最接近的两个元素的差值；
Figure DEST_PATH_IMAGE017
为最小值函数，用于求得括号内给定集合的最小值，
Figure 100002_DEST_PATH_IMAGE018
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
Figure DEST_PATH_IMAGE019
；
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：
Figure 100002_DEST_PATH_IMAGE020
；
式中，
Figure DEST_PATH_IMAGE021
为与中心像素距离为
Figure 100002_DEST_PATH_IMAGE022
的窗口内的所有像素值的集合；
Figure 869276DEST_PATH_IMAGE004
为窗口内坐标为
Figure DEST_PATH_IMAGE023
的任一像素值；
Figure 100002_DEST_PATH_IMAGE024
为集合
Figure DEST_PATH_IMAGE025
的子集，且
Figure 219224DEST_PATH_IMAGE024
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
Figure 963189DEST_PATH_IMAGE022
的无损像素的和的求解公式如下式所示：
Figure 100002_DEST_PATH_IMAGE026
；
式中，
Figure DEST_PATH_IMAGE027
为噪声判定因子，若像素
Figure 980561DEST_PATH_IMAGE004
被判定为噪声像素，则
Figure 100002_DEST_PATH_IMAGE028
；否则，
Figure DEST_PATH_IMAGE029
；
Figure 100002_DEST_PATH_IMAGE030
与中心像素距离为
Figure 659936DEST_PATH_IMAGE022
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：
Figure DEST_PATH_IMAGE031
；
式中，
Figure 100002_DEST_PATH_IMAGE032
为缩放因子；
Figure 28338DEST_PATH_IMAGE016
为集合
Figure 310415DEST_PATH_IMAGE011
与集合
Figure DEST_PATH_IMAGE033
中最接近的两个元素的差值；
Figure 100002_DEST_PATH_IMAGE034
为常数。
进一步地，所述的加权平均值，其定义为：
Figure DEST_PATH_IMAGE035
；
式中，
Figure 100002_DEST_PATH_IMAGE036
为窗口中心的噪声像素；
Figure DEST_PATH_IMAGE037
；
Figure 100002_DEST_PATH_IMAGE038
为集合
Figure 792080DEST_PATH_IMAGE024
中的元素；
Figure 298148DEST_PATH_IMAGE019
为与中心像素距离为
Figure 717628DEST_PATH_IMAGE022
的无损像素的权值，权值由权值调节模型进行调节；
Figure DEST_PATH_IMAGE039
为处于图像边缘上的无损像素的像素值的和；
Figure 100002_DEST_PATH_IMAGE040
为处于图像边缘上的无损像素的数量；
Figure 239614DEST_PATH_IMAGE030
为与中心像素距离为
Figure 326519DEST_PATH_IMAGE022
的无损像素的和。
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：
Figure DEST_PATH_IMAGE041
；
Figure 100002_DEST_PATH_IMAGE042
；
式中，
Figure DEST_PATH_IMAGE043
为惩罚因子，用于表示对与中心像素距离为
Figure 613275DEST_PATH_IMAGE022
的无损像素的惩罚程度；
Figure 254472DEST_PATH_IMAGE008
为噪声密度；
Figure 100002_DEST_PATH_IMAGE044
表示与中心像素距离为
Figure DEST_PATH_IMAGE045
的像素所对应的权值；
Figure 100002_DEST_PATH_IMAGE046
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：
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。
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方法，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：
Figure 48990DEST_PATH_IMAGE001
式中，
Figure 990401DEST_PATH_IMAGE002
为中心像素值
Figure 572692DEST_PATH_IMAGE003
对应的像素窗口中包含的所有像素值组成的方形矩阵，
Figure 966765DEST_PATH_IMAGE004
为窗口内的任意像素值，
Figure 659914DEST_PATH_IMAGE005
为当前像素值
Figure 423208DEST_PATH_IMAGE003
的坐标，m为像素窗口
Figure 441980DEST_PATH_IMAGE002
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：
Figure 323348DEST_PATH_IMAGE006
；
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：
Figure 554610DEST_PATH_IMAGE007
；
式中，
Figure 470613DEST_PATH_IMAGE008
为窗口
Figure 863548DEST_PATH_IMAGE002
内的噪声密度，
Figure DEST_PATH_IMAGE047
为窗口内的噪声像素的数量，
Figure 809376DEST_PATH_IMAGE010
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
Figure 844328DEST_PATH_IMAGE011
和
Figure 614838DEST_PATH_IMAGE012
。
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
Figure 444254DEST_PATH_IMAGE011
和
Figure 431974DEST_PATH_IMAGE012
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；
Figure 5038DEST_PATH_IMAGE013
或
Figure 630054DEST_PATH_IMAGE014
；
式中，
Figure 394486DEST_PATH_IMAGE015
为判断边缘所设定的阈值，具体为给定的常数；
Figure 472163DEST_PATH_IMAGE016
为集合
Figure 114497DEST_PATH_IMAGE011
与集合
Figure 328441DEST_PATH_IMAGE012
中最接近的两个元素的差值；
Figure 765238DEST_PATH_IMAGE017
为最小值函数，用于求得括号内给定集合的最小值，
Figure 330212DEST_PATH_IMAGE018
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
Figure 510658DEST_PATH_IMAGE019
；
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：
Figure 844687DEST_PATH_IMAGE020
；
式中，
Figure 100002_DEST_PATH_IMAGE048
为与中心像素距离为
Figure 419762DEST_PATH_IMAGE022
的窗口内的所有像素值的集合；
Figure 472032DEST_PATH_IMAGE004
为窗口内坐标为
Figure DEST_PATH_IMAGE049
的任一像素值；
Figure 659431DEST_PATH_IMAGE024
为集合
Figure 100002_DEST_PATH_IMAGE050
的子集，且
Figure 316808DEST_PATH_IMAGE024
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
Figure 328364DEST_PATH_IMAGE022
的无损像素的和的求解公式如下式所示：
Figure DEST_PATH_IMAGE051
；
式中，
Figure 336772DEST_PATH_IMAGE027
为噪声判定因子，若像素
Figure 859020DEST_PATH_IMAGE004
被判定为噪声像素，则
Figure 167642DEST_PATH_IMAGE028
；否则，
Figure 117143DEST_PATH_IMAGE029
；
Figure 878426DEST_PATH_IMAGE030
与中心像素距离为
Figure 204365DEST_PATH_IMAGE022
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：
Figure 100002_DEST_PATH_IMAGE052
；
式中，
Figure 334870DEST_PATH_IMAGE032
为缩放因子；
Figure 455272DEST_PATH_IMAGE016
为集合
Figure 969430DEST_PATH_IMAGE011
与集合
Figure 833481DEST_PATH_IMAGE033
中最接近的两个元素的差值；
Figure 851116DEST_PATH_IMAGE034
为常数。
其中，所述的加权平均值，其定义为：
Figure 407999DEST_PATH_IMAGE035
；
式中，
Figure 143874DEST_PATH_IMAGE036
为窗口中心的噪声像素；
Figure DEST_PATH_IMAGE053
；
Figure 778992DEST_PATH_IMAGE038
为集合
Figure 651133DEST_PATH_IMAGE024
中的元素；
Figure 378918DEST_PATH_IMAGE019
为与中心像素距离为
Figure 602089DEST_PATH_IMAGE022
的无损像素的权值，权值由权值调节模型进行调节；
Figure 807942DEST_PATH_IMAGE039
为处于图像边缘上的无损像素的像素值的和；
Figure 800169DEST_PATH_IMAGE040
为处于图像边缘上的无损像素的数量；
Figure 698855DEST_PATH_IMAGE030
为与中心像素距离为
Figure 642278DEST_PATH_IMAGE022
的无损像素的和。
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：
Figure 651822DEST_PATH_IMAGE041
；
Figure 764135DEST_PATH_IMAGE042
；
式中，
Figure 568143DEST_PATH_IMAGE043
为惩罚因子，用于表示对与中心像素距离为
Figure 765906DEST_PATH_IMAGE022
的无损像素的惩罚程度；
Figure 313562DEST_PATH_IMAGE008
为噪声密度；
Figure 280381DEST_PATH_IMAGE044
表示与中心像素距离为
Figure 255290DEST_PATH_IMAGE045
的像素所对应的权值；
Figure 438884DEST_PATH_IMAGE046
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 (8)

1.一种基于边缘保护的加权平均椒盐噪声降噪方法，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：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为中心像素值
Figure DEST_PATH_IMAGE006
对应的像素窗口中包含的所有像素值组成的方形矩阵，
Figure DEST_PATH_IMAGE008
为窗口内的任意像素值，
Figure DEST_PATH_IMAGE010
为当前像素值
Figure 897167DEST_PATH_IMAGE006
的坐标，m为像素窗口
Figure 283149DEST_PATH_IMAGE004
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；
所述的加权平均值，其定义为：
Figure DEST_PATH_IMAGE012
；
式中，
Figure DEST_PATH_IMAGE014
为窗口中心的噪声像素；
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE018
为集合
Figure DEST_PATH_IMAGE020
中的元素；
Figure DEST_PATH_IMAGE022
为与中心像素距离为
Figure DEST_PATH_IMAGE024
的无损像素的权值，权值由权值调节模型进行调节；
Figure DEST_PATH_IMAGE026
为处于图像边缘上的无损像素的像素值的和；
Figure DEST_PATH_IMAGE028
为处于图像边缘上的无损像素的数量；
Figure DEST_PATH_IMAGE030
为与中心像素距离为
Figure 482793DEST_PATH_IMAGE024
的无损像素的和；
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：
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE034
；
式中，
Figure DEST_PATH_IMAGE036
为惩罚因子，用于表示对与中心像素距离为
Figure 753369DEST_PATH_IMAGE024
的无损像素的惩罚程度；
Figure DEST_PATH_IMAGE038
为噪声密度；
Figure DEST_PATH_IMAGE040
表示与中心像素距离为
Figure DEST_PATH_IMAGE042
的像素所对应的权值；
Figure DEST_PATH_IMAGE044
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。
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方法，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：
Figure DEST_PATH_IMAGE046
；
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：
Figure DEST_PATH_IMAGE048
；
式中，
Figure 348167DEST_PATH_IMAGE038
为窗口
Figure 639471DEST_PATH_IMAGE004
内的噪声密度，
Figure DEST_PATH_IMAGE050
为窗口内的噪声像素的数量，
Figure DEST_PATH_IMAGE052
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方法，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
Figure DEST_PATH_IMAGE054
和
Figure DEST_PATH_IMAGE056
。
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方法，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
Figure 749247DEST_PATH_IMAGE054
和
Figure 416989DEST_PATH_IMAGE056
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；
Figure DEST_PATH_IMAGE058
或
Figure DEST_PATH_IMAGE060
；
式中，
Figure DEST_PATH_IMAGE062
为判断边缘所设定的阈值，具体为给定的常数；
Figure DEST_PATH_IMAGE064
为集合
Figure 430075DEST_PATH_IMAGE054
与集合
Figure 390816DEST_PATH_IMAGE056
中最接近的两个元素的差值；
Figure DEST_PATH_IMAGE066
为最小值函数，用于求得括号内给定集合的最小值，
Figure DEST_PATH_IMAGE068
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方法，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
Figure 551670DEST_PATH_IMAGE022
；
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方法，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：
Figure DEST_PATH_IMAGE070
；
式中，
Figure DEST_PATH_IMAGE072
为与中心像素距离为
Figure 404130DEST_PATH_IMAGE024
的窗口内的所有像素值的集合；
Figure 396357DEST_PATH_IMAGE008
为窗口内坐标为
Figure DEST_PATH_IMAGE074
的任一像素值；
Figure 763884DEST_PATH_IMAGE020
为集合
Figure DEST_PATH_IMAGE076
的子集，且
Figure 146455DEST_PATH_IMAGE020
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方法，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
Figure 687158DEST_PATH_IMAGE024
的无损像素的和的求解公式如下式所示：
Figure DEST_PATH_IMAGE078
；
式中，
Figure DEST_PATH_IMAGE080
为噪声判定因子，若像素
Figure 235688DEST_PATH_IMAGE008
被判定为噪声像素，则
Figure DEST_PATH_IMAGE082
；否则，
Figure DEST_PATH_IMAGE084
；
Figure 180642DEST_PATH_IMAGE030
与中心像素距离为
Figure 378405DEST_PATH_IMAGE024
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方法，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：
Figure DEST_PATH_IMAGE086
；
式中，
Figure DEST_PATH_IMAGE088
为缩放因子；
Figure 831121DEST_PATH_IMAGE064
为集合
Figure 63519DEST_PATH_IMAGE054
与集合
Figure 304007DEST_PATH_IMAGE056
中最接近的两个元素的差值；
Figure DEST_PATH_IMAGE090
为常数，
Figure 192329DEST_PATH_IMAGE054
和
Figure 543676DEST_PATH_IMAGE056
分别为边缘两侧的像素集合。
CN201910866143.3A 2019-09-12 2019-09-12 一种基于边缘保护的加权平均椒盐噪声降噪方法 Active CN110599422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910866143.3A CN110599422B (zh) 2019-09-12 2019-09-12 一种基于边缘保护的加权平均椒盐噪声降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910866143.3A CN110599422B (zh) 2019-09-12 2019-09-12 一种基于边缘保护的加权平均椒盐噪声降噪方法

Publications (2)

Publication Number Publication Date
CN110599422A CN110599422A (zh) 2019-12-20
CN110599422B true CN110599422B (zh) 2022-05-31

Family

ID=68859349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910866143.3A Active CN110599422B (zh) 2019-09-12 2019-09-12 一种基于边缘保护的加权平均椒盐噪声降噪方法

Country Status (1)

Country Link
CN (1) CN110599422B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709964B (zh) * 2020-06-22 2023-04-25 重庆理工大学 一种pcba目标边缘检测方法
CN113435559B (zh) * 2021-08-27 2021-12-14 深圳企业云科技股份有限公司 一种基于计算机视觉识别的标签防转移方法
CN114972123B (zh) * 2022-07-28 2022-11-29 点昀技术(南通)有限公司 图像去噪处理方法及装置、计算机设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044071A (zh) * 2010-12-28 2011-05-04 上海大学 基于fpga的单像素边缘检测方法
CN103778611A (zh) * 2014-01-26 2014-05-07 天津大学 利用边缘检测的开关加权矢量中值滤波方法
KR20180034027A (ko) * 2016-09-27 2018-04-04 청주대학교 산학협력단 영상 블러를 고려한 윤곽선 검출 장치
CN109087266A (zh) * 2018-08-09 2018-12-25 苏州大学 一种结合双边滤波的图像散斑迭代减少方法
CN109146863A (zh) * 2018-08-06 2019-01-04 深圳明创自控技术有限公司 一种路面标志线缺陷检测装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014130019A1 (en) * 2013-02-20 2014-08-28 Intel Corporation Real-time automatic conversion of 2-dimensional images or video to 3-dimensional stereo images or video

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044071A (zh) * 2010-12-28 2011-05-04 上海大学 基于fpga的单像素边缘检测方法
CN103778611A (zh) * 2014-01-26 2014-05-07 天津大学 利用边缘检测的开关加权矢量中值滤波方法
KR20180034027A (ko) * 2016-09-27 2018-04-04 청주대학교 산학협력단 영상 블러를 고려한 윤곽선 검출 장치
CN109146863A (zh) * 2018-08-06 2019-01-04 深圳明创自控技术有限公司 一种路面标志线缺陷检测装置
CN109087266A (zh) * 2018-08-09 2018-12-25 苏州大学 一种结合双边滤波的图像散斑迭代减少方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Modified directional weighted filter for removal of salt & pepper noise;Zuoyong Li 等，;《Pattern Recognition Letters》;20140110;第2014年卷;第113-120页 *
Patch-based Contour Prior Image Denoising for Salt and Pepper Noise;Bo Fu 等，;《arXiv》;20180826;第2018年卷;第1-9页 *
基于边缘保护的中值滤波算法的改进;刘莘 等，;《中国科技信息》;20150430;第2015年卷(第7期);第110-111页 *
椒盐噪声图像的非局部平均滤波算法;许光宇 等，;《计算机工程与科学》;20170630;第39卷(第6期);第1133-1140页 *

Also Published As

Publication number Publication date
CN110599422A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110599422B (zh) 一种基于边缘保护的加权平均椒盐噪声降噪方法
CN109767439B (zh) 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
CN111681174B (zh) 抑制椒盐/高斯混噪目标图像的联合滤波方法
CN103440644B (zh) 一种基于最小描述长度的多尺度图像弱边缘检测方法
CN108765332B (zh) 一种椭圆搜索窗口和参数自适应的非局部均值去噪方法
CN109377450B (zh) 一种边缘保护的去噪方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN109064418B (zh) 一种基于非局部均值的非均匀噪声图像去噪方法
CN106991661B (zh) 融合kl变换与灰色关联度的非局部均值去噪方法
CN106651813B (zh) 一种多图像块融合的非局部均值去噪方法
CN108765336A (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN110910317B (zh) 一种舌象图像增强方法
CN102298773A (zh) 一种形状自适应的非局部均值去噪方法
CN104200434B (zh) 一种基于噪声方差估计的非局部均值图像去噪方法
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN105719275A (zh) 一种并行组合的图像缺陷分割方法
CN112070717A (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN115330653A (zh) 基于边窗滤波的多源图像融合方法
CN112163606B (zh) 基于块对比度加权的红外小目标检测的方法
CN107292844B (zh) 全变差正则化变分随机共振自适应暗图像滤波增强方法
CN108805845A (zh) 小波包与偏微分方程相结合的图像去噪方法
CN106778631B (zh) 一种虹膜识别预处理过程中快速滤除伪造虹膜的异质虹膜分类器设计方法
CN108647693A (zh) 一种基于二元显著性特征的海面红外目标检测方法
CN104966271B (zh) 基于生物视觉感受野机制的图像去噪方法

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