CN110675337A - 一种图像降噪的扩散式遍历方法 - Google Patents
一种图像降噪的扩散式遍历方法 Download PDFInfo
- Publication number
- CN110675337A CN110675337A CN201910857203.5A CN201910857203A CN110675337A CN 110675337 A CN110675337 A CN 110675337A CN 201910857203 A CN201910857203 A CN 201910857203A CN 110675337 A CN110675337 A CN 110675337A
- Authority
- CN
- China
- Prior art keywords
- noise
- image
- noise reduction
- pixels
- traversal
- 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.)
- Granted
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像降噪的扩散式遍历方法，首先将图像转化成灰度图像，对灰度图像进行噪声检测；生成一个与灰度图像矩阵相对应的噪声识别矩阵，根据噪声识别矩阵生成一个与之对应的噪声密集度矩阵；将灰度图像分成有限个数适当大小的区域；按顺序对每个区域进行扩散式遍历，同时对噪声像素进行降噪处理，直到完成整幅图像的降噪处理。
Description
技术领域
本发明涉及一种图像降噪的扩散式遍历方法，属于图像处理领域。
背景技术
人类是感官动物，而人类感官中最高级的莫过于视觉。世界的多姿多彩奥妙无穷经过肉眼传递到我们的大脑，最终形成了我们对于世界最直观的认知。图像从广义上来说是自然界事物的客观反映，是人类认知的重要来源，是获取信息和传播信息的重要媒介，对于我们而言具有无可比拟的重要性。随着科学技术的进步，数字图像技术蓬勃发展，早已成为人类生产生活活动中无可替代的重要技术。
然而，在数字图像的采集、存储、传输过程中，总会不可避免地引入各种不可预料的图像噪声，降低图像质量、破坏图像细节甚至淹没图像本身的信息，给接下来深度处理并提取图像信息造成困扰。因此，在图像前期处理阶段，图像降噪是至关重要的一环，只有做好图像降噪工作，才能为信息提取做好准备，保障提取信息的准确度。
图像降噪中常用阶段式降噪方法，这类方法将整个降噪算法分为噪声检测和噪声滤除两个阶段。
噪声检测阶段：根据数字图像中信息像素与噪声像素统计学特征的不同，利用各类量化指标将像素区分为两类：信息像素和噪声像素。分别对两类像素做出标记。
噪声滤除阶段：逐点遍历全图，若目标点属于信息像素点，不做改变：若目标点被判定为噪声像素点，则利用降噪手段，根据目标像素邻域内的像素，将噪声像素数值更改为其他数值，使图像更加接近于无噪图像。
在滤除噪声阶段，以往遍历图像的方式都是在整幅图像上，从左到右从上到下，逐行逐列逐点地进行遍历，没有对遍历方式进行深入探讨和研究，本发明正是基于此种现状，发明了扩散式遍历方法。
发明内容
本发明的目的是为了提供一种图像降噪的扩散式遍历方法。
本发明的目的是这样实现的：步骤如下：
步骤一：将图像转化成灰度图像；
步骤二：对灰度图像进行噪声检测；
步骤三：生成一个与灰度图像矩阵相对应的噪声识别矩阵；
步骤四：生成一个与噪声识别矩阵相对应的噪声密集度矩阵；
步骤五：将灰度图像分成多个区域；
步骤六：按顺序对每个区域进行扩散式遍历，同时对噪声像素进行降噪处理，直到完成整幅图像的降噪处理。
本发明还包括这样一些结构特征：
1.步骤四中所述的噪声密集度矩阵中每个噪声密集度的值代表相应位置像素周围噪声像素的密集程度。
2.步骤五中的区域划分满足：区域像素大于20×20个像素、小于45×45像素。
3.步骤六中对每个区域进行扩散式遍历时，首先根据噪声密集度矩阵找到当前区域噪声密集度最小的点，如果这样的点有多个，则选择距离区域中心最近的点定义为最优点，从最优点开始向四周扩散式遍历，按照相邻的次序依次进行，逐步遍历全体像素，同时对遍历到的噪声像素进行降噪处理，每次降噪处理后立即更新图像，使得每次降噪时参考的都是最新的灰度信息。
与现有技术相比，本发明的有益效果是：1.本发明基于降噪处理中相邻像素会对降噪结果产生影响这一特性，充分利用了第一阶段噪声检测得到的信息，从噪声污染密集程度最小的信号像素出发，可以将受污染程度小的特点扩散式传播出去。
2.本发明提供的方法将图像划分为适当大小的区域，从每个区域中噪声密集度最低的像素开始向四周扩散式遍历，并在每次处理噪声像素结束后更新图片，使得下一次处理噪声像素时能使用最新的图片信息。本方法具有优秀的增强降噪效果的作用。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1，本发明特别针对滤除噪声阶段的遍历过程，提出了一种图像降噪的扩散式遍历方法，具体步骤如下：
步骤1、将图像转化成灰度图像，获取灰度图像矩阵尺寸大小，即灰度图像矩阵的行数和列数。
步骤2、对灰度图像进行噪声检测，根据检测结果，将像素分为两类，噪声像素和信号像素。
步骤3、生成一个与灰度图像矩阵相对应的噪声识别矩阵，其中，若某点像素为噪声像素，则将噪声识别矩阵相应位置赋1；若为信号像素，则在识别矩阵相应位置赋0。
步骤4、生成一个与噪声识别矩阵相对应的噪声密集度矩阵，其中每个噪声密集度的值代表相应位置像素周围噪声像素的密集程度。
步骤5、将灰度图像分成有限个数适当大小的区域。划分区域的规则在于：区域不能过小，每个区域须包含足够数量的信息像素；区域不能过大，因为信息像素对周围像素影响效果会随距离的增加而逐渐衰减；具体：区域不能小于20×20个像素，每个区域须包含足够数量的信息像素；区域不能大于45×45，因为信息像素对周围像素影响效果会随距离的增加而逐渐衰减。
步骤6、按顺序对每个区域进行扩散式遍历，同时对噪声像素进行降噪处理，直到完成整幅图像的降噪处理：从第一个矩形区域开始，首先根据噪声密集度矩阵，找到当前区域噪声密集度最小的点，如果这样的点有多个，则选择距离区域中心最近的点定义为最优点，从最优点开始向四周扩散式遍历，原则是按照相邻的次序依次进行，逐步遍历全体像素。例如：从此点开始向本区域左上、左下、右下、右上四个方向逐行逐列遍历。与此同时，对遍历到的每个噪声像素进行降噪处理。在每次降噪处理后立即更新图像，使得每次降噪时参考的都是最新的灰度信息。具体：每个区域进行扩散式遍历时，首先找到当前区域噪声密集度最小的点，如果这样的点有多个，则选择距离区域中心最近的点定义为最优点，从最优点开始向四周扩散式遍历，原则是按照相邻的次序依次进行，逐步遍历全体像素，同时对遍历到的噪声像素进行降噪处理，每次降噪处理后立即更新图像，使得每次降噪时参考的都是最新的灰度信息。
本发明的方法还进一步包括：在处理到整幅图像的边界时，可采用镜像复制边界的处理办法，使降噪处理覆盖全体像素，不发生遗漏现象。
结合具体矩阵给出本发明的实施例：
1、读取原始图像P，对原始图像进行灰度化处理，得到灰度图像G。
2、利用噪声检测算法对灰度图像G进行检测，遍历全图所有像素，根据检测结果，生成噪声像素识别矩阵R，R与灰度图像G矩阵尺寸大小相同。若某点为噪声像素，则在噪声识别矩阵相应位置赋值为1；若是信号像素，赋值为0。
噪声像素检测算法方法不一，例如可用变窗口邻域极值判据判定：
当目标像素灰度值满足如下条件时：
其中，g(i,j)代表目标像素灰度值，代表以g(i,j)为中心的n×n大小邻域窗口内全部像素灰度值的极值，n取值范围是{3，5，7}。若目标像素是该像素多级邻域像素灰度值的极值，则判定目标像素是噪声像素，此时在噪声识别矩阵相应位置赋值为1；否则，说明目标像素是信号像素，在噪声识别矩阵相应位置赋值为0。
3、生成噪声像素分布密集度矩阵，方法不一。
例如:可以用全1卷积核
与噪声像素识别矩阵进行卷积操作，得到每个像素点和它3×3邻域范围内噪声像素数目。
4、将整幅图分为适当大小的矩形区域。例如：根据整幅图像噪声污染程度估计值η的大小划分矩形区域。
整幅图像噪声污染程度估计值η：
其中：Num是灰度图像像素总个数。
η在0～0.5范围内，取每个区域为45×45大小；
η在0.5～0.7范围内，取每个区域为30×30大小；
η在0.7～1范围内，取每个区域为20×20大小；
根据图像大小，矩形区域大小可进行适当的变化。
5、从第一个区域开始，首先根据噪声密集度矩阵，观察当前区域所对应的噪声密集度矩阵，密集度最小值所对应像素点的被污染的程度最小。若污染程度最小的像素点有多个，选择距离区域中心最近的点。从此点开始向本区域左上、左下、右下、右上四个方向，逐行逐列遍历并对遍历到的每个噪声像素使用降噪算法进行降噪处理。每处理一个噪声像素结束后，马上更新图片，在处理下一个噪声像素时利用更新后的像素信息进行降噪。
6、对所有矩形区域，依次按照步骤5进行扩散式遍历并降噪处理，直到完成全图的降噪处理。
注意：当处理的目标像素位于整幅图像的边界时，可以对边界像素进行镜像复制处理，保证全体像素的降噪工作不重不漏。
噪声检测部分和降噪部分算法的种类繁多，只要属于阶段式降噪算法，本发明的扩散式遍历方法均可增强原算法的降噪效果。
综上，本发明公开了一种图像降噪的扩散式遍历方法，首先将图像转化成灰度图像，对灰度图像进行噪声检测；生成一个与灰度图像矩阵相对应的噪声识别矩阵，根据噪声识别矩阵生成一个与之对应的噪声密集度矩阵；将灰度图像分成有限个数适当大小的区域；按顺序对每个区域进行扩散式遍历，同时对噪声像素进行降噪处理，直到完成整幅图像的降噪处理。
Claims (5)
1.一种图像降噪的扩散式遍历方法，其特征在于：步骤如下：
步骤一：将图像转化成灰度图像；
步骤二：对灰度图像进行噪声检测；
步骤三：生成一个与灰度图像矩阵相对应的噪声识别矩阵；
步骤四：生成一个与噪声识别矩阵相对应的噪声密集度矩阵；
步骤五：将灰度图像分成多个区域；
步骤六：按顺序对每个区域进行扩散式遍历，同时对噪声像素进行降噪处理，直到完成整幅图像的降噪处理。
2.根据权利要求1所述的一种图像降噪的扩散式遍历方法，其特征在于：步骤四中所述的噪声密集度矩阵中每个噪声密集度的值代表相应位置像素周围噪声像素的密集程度。
3.根据权利要求1或2所述的一种图像降噪的扩散式遍历方法，其特征在于：步骤五中的区域划分满足：区域像素大于20×20个像素、小于45×45像素。
4.根据权利要求1或2所述的一种图像降噪的扩散式遍历方法，其特征在于：步骤六中对每个区域进行扩散式遍历时，首先根据噪声密集度矩阵找到当前区域噪声密集度最小的点，如果这样的点有多个，则选择距离区域中心最近的点定义为最优点，从最优点开始向四周扩散式遍历，按照相邻的次序依次进行，逐步遍历全体像素，同时对遍历到的噪声像素进行降噪处理，每次降噪处理后立即更新图像，使得每次降噪时参考的都是最新的灰度信息。
5.根据权利要求3所述的一种图像降噪的扩散式遍历方法，其特征在于：步骤六中对每个区域进行扩散式遍历时，首先根据噪声密集度矩阵找到当前区域噪声密集度最小的点，如果这样的点有多个，则选择距离区域中心最近的点定义为最优点，从最优点开始向四周扩散式遍历，按照相邻的次序依次进行，逐步遍历全体像素，同时对遍历到的噪声像素进行降噪处理，每次降噪处理后立即更新图像，使得每次降噪时参考的都是最新的灰度信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910857203.5A CN110675337B (zh) | 2019-09-11 | 2019-09-11 | 一种图像降噪的扩散式遍历方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910857203.5A CN110675337B (zh) | 2019-09-11 | 2019-09-11 | 一种图像降噪的扩散式遍历方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110675337A true CN110675337A (zh) | 2020-01-10 |
| CN110675337B CN110675337B (zh) | 2022-10-25 |
Family
ID=69077642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910857203.5A Active CN110675337B (zh) | 2019-09-11 | 2019-09-11 | 一种图像降噪的扩散式遍历方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675337B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488941A (zh) * | 2020-11-30 | 2021-03-12 | 广西慧云信息技术有限公司 | 一种优化图片显示效果的方法 |
| CN113159058A (zh) * | 2021-05-27 | 2021-07-23 | 中国工商银行股份有限公司 | 一种图像噪声点的识别方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991003795A1 (en) * | 1989-08-28 | 1991-03-21 | Eastman Kodak Company | Digital image noise reduction of luminance and chrominance based on overlapping planar approximation |
| CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
-
2019
- 2019-09-11 CN CN201910857203.5A patent/CN110675337B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991003795A1 (en) * | 1989-08-28 | 1991-03-21 | Eastman Kodak Company | Digital image noise reduction of luminance and chrominance based on overlapping planar approximation |
| CN104978715A (zh) * | 2015-05-11 | 2015-10-14 | 中国科学院光电技术研究所 | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 |
| CN105243649A (zh) * | 2015-11-09 | 2016-01-13 | 天津大学 | 基于二次噪点检测的图像降噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李晓龙等: "基于细节保留的椒盐噪声自适应滤波算法", 《红外技术》 * |
| 王连利等: "基于灰度直方图的单一图像噪声类型识别研究", 《软件导刊》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488941A (zh) * | 2020-11-30 | 2021-03-12 | 广西慧云信息技术有限公司 | 一种优化图片显示效果的方法 |
| CN113159058A (zh) * | 2021-05-27 | 2021-07-23 | 中国工商银行股份有限公司 | 一种图像噪声点的识别方法及装置 |
| CN113159058B (zh) * | 2021-05-27 | 2022-11-11 | 中国工商银行股份有限公司 | 一种图像噪声点的识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110675337B (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110473154B (zh) | 一种基于生成对抗网络的图像去噪方法 | |
| CN108764358B (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
| CN113935992B (zh) | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 | |
| CN105701785B (zh) | 基于天空区域划分加权tv透射率优化的图像雾霾去除方法 | |
| CN112614136B (zh) | 一种红外小目标实时实例分割方法及装置 | |
| CN110675337B (zh) | 一种图像降噪的扩散式遍历方法 | |
| CN111210395B (zh) | 基于灰度值映射的Retinex水下图像增强方法 | |
| CN110490924B (zh) | 一种基于多尺度Harris的光场图像特征点检测方法 | |
| CN114494174A (zh) | 一种芯片焊接线缺陷检测方法及装置 | |
| CN113673396B (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
| CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
| CN108596840B (zh) | 一种用于深度学习评定血管网络发育水平的数据集增强方法 | |
| CN109902751B (zh) | 融合卷积神经网络和半字模板匹配的表盘数字字符识别法 | |
| CN112560034B (zh) | 基于反馈式深度对抗网络的恶意代码样本合成方法及装置 | |
| CN109003247B (zh) | 彩色图像混合噪声的去除方法 | |
| CN117611571A (zh) | 一种基于改进yolo模型的带钢表面缺陷检测方法 | |
| CN116883788A (zh) | 基于改进CycleGAN的钢材表面缺陷图像数据增强方法 | |
| CN108960285B (zh) | 一种分类模型生成方法、舌体图像分类方法及装置 | |
| CN115330637A (zh) | 一种图像锐化方法、装置、计算设备及存储介质 | |
| CN113532320B (zh) | 一种基于图像的光斑衍射环分析方法、存储介质及芯片 | |
| CN113538484B (zh) | 一种深度细化的多重信息嵌套边缘检测方法 | |
| CN109886276B (zh) | 一种表盘滚动数字字符的半字判断方法 | |
| CN117456313B (zh) | 色调曲线估计网络的训练方法、估计、映射方法及系统 | |
| CN116311262B (zh) | 一种仪器仪表信息的识别方法、系统、设备和存储介质 | |
| CN110930388B (zh) | 离焦量检测方法 |
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 |