CN111242137B - 一种基于形态成分分析的椒盐噪声滤波方法、装置 - Google Patents

一种基于形态成分分析的椒盐噪声滤波方法、装置 Download PDF

Info

Publication number
CN111242137B
CN111242137B CN202010034233.9A CN202010034233A CN111242137B CN 111242137 B CN111242137 B CN 111242137B CN 202010034233 A CN202010034233 A CN 202010034233A CN 111242137 B CN111242137 B CN 111242137B
Authority
CN
China
Prior art keywords
salt
noise
texture
image
pepper noise
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
CN202010034233.9A
Other languages
English (en)
Other versions
CN111242137A (zh
Inventor
叶坤涛
朱宝仪
李文
殷超
李晟
乐光学
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.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
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 Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN202010034233.9A priority Critical patent/CN111242137B/zh
Publication of CN111242137A publication Critical patent/CN111242137A/zh
Priority to US17/109,171 priority patent/US11410280B2/en
Application granted granted Critical
Publication of CN111242137B publication Critical patent/CN111242137B/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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20024—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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种基于形态成分分析的椒盐噪声滤波方法、装置，包括：获取含有椒盐噪声的待滤波图像；计算待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差；根据预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图；基于形态成分分析算法对已标记椒盐噪声点的待滤波图像进行稀疏重构，获得滤除椒盐噪声的纹理成分图、平滑成分图以及边缘成分图。实现了通过形态成分分析的方法过滤图像中的椒盐噪声，提高了图像的质量，同时避免了图像边缘模糊丢失图像细节。

Description

一种基于形态成分分析的椒盐噪声滤波方法、装置
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种基于形态成分分析的椒盐噪声滤波方法、装置，一种基于形态成分分析的图像混合噪声方法及电子设备。
背景技术
数字图像在采集、传输或输出的过程中，容易受到噪声干扰(常见的噪声有高斯噪声和椒盐噪声)，导致图像质量下降。为了不影响图像的压缩、检测、复原等进一步处理，有效滤除数字图像的噪声非常重要。
形态成分分析(Morphological Component Analysis，MCA)方法是对不同形态成分选取合适的特定子字典进行稀疏分解，能将数字图像分解为不同特征的成分。显然，针对不同形态成分采用不同参数或去噪方式，能有效地滤除图像噪声。但是目前，基于形态成分分析的图像去噪方法仅针对数字图像中的高斯噪声。因此，如何通过形态成分分析的图像去噪方法过滤椒盐噪声成了亟待解决的问题。
发明内容
本申请实施例的目的在于提供一种基于形态成分分析的椒盐噪声滤波方法、装置，一种基于形态成分分析的图像混合噪声方法及电子设备，以解决如何通过基于形态成分分析的图像去噪方法来过滤椒盐噪声的问题。
本发明是这样实现的：
第一方面，本申请实施例提供一种基于形态成分分析的椒盐噪声滤波方法，包括：获取含有椒盐噪声的待滤波图像；计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；将所述纹理成分图、所述平滑成分图以及所述边缘成分图进行线性融合。
在本申请中，通过上述步骤，实现了通过形态成分分析的方法过滤图像中的椒盐噪声，提高了图像的质量，同时避免了图像边缘模糊丢失图像细节。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内的各像素点之间的噪声方差，包括：获取以像素值为0或255的像素点为中心的3*3的区域，并计算所述3*3的区域内的所述像素点之间的噪声方差。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图，包括：判断所述预设区域内的各像素点之间的噪声方差与预设阈值之间的大小；若所述预设区域内的所述像素点之间的噪声方差大于等于所述预设阈值，则将所述预设区域内的位于中心的像素点作为椒盐噪声点并作标记，更新所述椒盐噪声标记图。
在本申请中，通过判断预设区域内的各像素点之间的噪声方差与预设阈值之间的大小，便于标记椒盐噪声点。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图，包括：初始化所述形态成分分析算法的参数；其中，所述参数包括迭代次数、正则化参数、停止参数、步长以及阈值；初始化所述待滤波图像中的纹理部分、平滑部分以及边缘部分；当所述阈值大于所述步长时，进行以下迭代操作：保持所述平滑部分以及所述边缘部分不变，计算所述纹理部分的修正值，对所述纹理部分的修正值进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构所述纹理部分；保持所述边缘部分以及更新后的所述纹理部分不变，计算所述平滑部分的修正值，对所述平滑部分的修正值进行曲波变换，对所述变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分；保持更新后的所述纹理部分以及更新后的所述纹理部分不变，计算所述边缘部分的修正值，对所述边缘部分的修正值进行局部离散余弦变换，对所述变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分；更新所述阈值；直至所述阈值小于等于所述步长时，则所述纹理部分为所述纹理成分图，所述平滑部分为所述平滑成分图，所述边缘部分为所述边缘成分图。
第二方面，本申请实施例提供一种基于形态成分分析的椒盐噪声滤波装置，包括：获取模块，用于获取含有椒盐噪声的待滤波图像；初始化模块，用于计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；计算模块，用于获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；标记模块，用于根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；重构模块，用于基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；融合模块，用于将所述纹理成分图、所述平滑成分图以及所述边缘成分图进行线性融合。
结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述计算模块还用于获取以像素值为0或255的像素点为中心的3*3的区域，并计算所述3*3的区域内的所述像素点之间的噪声方差。
结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述标记模块还用于判断所述预设区域内的各像素点之间的噪声方差与预设阈值之间的大小；若所述预设区域内的所述像素点之间的噪声方差大于等于所述预设阈值，则将所述预设区域内的位于中心的像素点作为椒盐噪声点并作标记，更新所述椒盐噪声标记图。
结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述重构模块还用于初始化所述形态成分分析算法的参数；其中，所述参数包括迭代次数、正则化参数、停止参数、步长以及阈值；初始化所述待滤波图像中的纹理部分、平滑部分以及边缘部分；当所述阈值大于所述步长时，进行以下迭代操作：保持所述平滑部分以及所述边缘部分不变，计算所述纹理部分的修正值，对所述纹理部分的修正值进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构所述纹理部分；保持所述边缘部分以及更新后的所述纹理部分不变，计算所述平滑部分的修正值，对所述平滑部分的修正值进行曲波变换，对所述变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分；保持更新后的所述纹理部分以及更新后的所述纹理部分不变，计算所述边缘部分的修正值，对所述边缘部分的修正值进行局部离散余弦变换，对所述变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分；更新所述阈值；直至所述阈值小于等于所述步长时，则所述纹理部分为所述纹理成分图，所述平滑部分为所述平滑成分图，所述边缘部分为所述边缘成分图。
第三方面，本申请实施例提供一种基于形态成分分析的图像混合噪声滤波方法，包括：获取含有椒盐噪声以及高斯噪声的待滤波图像；计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；设置高斯滤波参数，分别对所述纹理成分图、平滑成分图进行高斯滤波；获得目标纹理成分图以及目标平滑成分图；将所述目标纹理成分图、所述目标平滑成分图以及所述边缘成分图进行线性融合。
在本申请中，通过形态成分分析方法和高斯滤波方法，实现了对由高斯噪声、椒盐噪声叠加而成的混合噪声的去噪，有效地滤除图像中的混合噪声，提高图像质量，同时避免图像边缘模糊丢失图像细节。
第四方面，本申请实施例提供一种基于形态成分分析的图像混合噪声滤波装置，包括：获取模块，用于获取含有椒盐噪声以及高斯噪声的待滤波图像；初始化模块，用于计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；计算模块，用于获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；标记模块，用于根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；重构模块，用于基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；滤波模块，用于设置高斯滤波参数，分别对所述纹理成分图、平滑成分图进行高斯滤波；获得目标纹理成分图以及目标平滑成分图；融合模块，用于将所述目标纹理成分图、所述目标平滑成分图以及所述边缘成分图进行线性融合。
第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于运行存储在所述存储器中的程序，执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法或上述第三方面实施例提供的方法。
第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法或上述第三方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种基于形态成分分析的椒盐噪声滤波方法的步骤流程图。
图3为本申请实施例提供的一种预设区域的示意图。
图4为本申请实施例提供的含有不同密度的椒盐噪声图像以及其对应去噪后的结果图像。
图5为本申请实施例提供的一种基于形态成分分析的图像混合噪声滤波方法的步骤流程图。
图6为本申请实施例提供的含有不同比例的混合噪声图像及其对应去噪后的结果图像。
图标：100-电子设备；101-处理器；102-存储器；103-通信总线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
目前，基于形态成分分析的图像去噪方法仅针对数字图像中的高斯噪声。如何通过形态成分分析的图像去噪方法过滤椒盐噪声成了亟待解决的问题。
鉴于上述问题，本申请发明人经过研究探索，提出以下实施例以解决上述问题。
请参阅图1，图1为本申请实施例提供的一种电子设备100的结构示意图。本申请实施例中，电子设备100可以是，但不限于电脑、智能手机、平板电脑、个人数字助理(PersonalDigital Assistant，PAD)、移动上网设备(Mobile Internet Device，MID)等。
在结构上，电子设备100包括至少一个处理器101，至少一个存储器102和至少一个通信总线103。其中，通信总线103用于实现处理器101、存储器102之间的通信。数据传输装置包括至少一个可以通过软件或固件的形式存储于存储器102中或固化在电子设备100的操作系统(Operating System，OS)中的软件模块。处理器101用于获取含有椒盐噪声的待滤波图像；计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；将所述纹理成分图、所述平滑成分图以及所述边缘成分图进行线性融合。处理器101还用于获取含有椒盐噪声以及高斯噪声的待滤波图像；计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；根据所述预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；设置高斯滤波参数，分别对所述纹理成分图、平滑成分图进行高斯滤波；获得目标纹理成分图以及目标平滑成分图；将所述目标纹理成分图、所述目标平滑成分图以及所述边缘成分图进行线性融合。
其中，处理器101可以是一种集成电路芯片，具有信号处理能力。处理器101也可以是通用处理器，例如，可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器102可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器102用于存储程序，处理器101在接收到执行指令后，执行该程序。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，本申请实施例提供一种基于形态成分分析的椒盐噪声滤波方法。该方法应用于图1所示出的电子设备100中。下面，结合图2对该方法的具体流程及步骤进行描述。该方法包括：步骤S101-步骤S106。
步骤S101：获取含有椒盐噪声的待滤波图像。
首先，读取一幅含有椒盐噪声的待滤波图像，用符号I表示该待滤波图像。
步骤S102：计算待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图。
初始化该待滤波图像I。初始化待滤波图像包括：计算待滤波图像I的维度，记为[n，m]；将待滤波图像初始化为一个n*m维的全1标记矩阵。需要说明的是，待滤波图像I的维度表示图像的大小，常表示为“宽*高”，比如800(宽)*600(高)，n表示宽，m表示高。将待滤波图像初始化为一个n*m维的全1标记矩阵，作为初始椒盐噪声标记图Mask，表示n*m维的每一像素点均标记为1。
步骤S103：获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差。
获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差。需要说明的是，上述的像素值可以理解为像素点的灰度值，灰度值的范围一般从0～255，灰度值0表示黑色，灰度值255表示白色。而灰度值为0或255的像素点最有可能是椒盐噪声点，因此，于本申请实施例中，获取的是以像素值为0或255的像素点为中心的预设区域。
可选地，获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差，可以是获取以像素值为0或255的像素点为中心的3*3的区域，并计算3*3的区域内的像素点之间的噪声方差。
需要说明的是，以像素值为0或255的像素点为中心的3*3的区域，表示该区域内一共有9个像素点，这9个像素点的中心是像素值为0或255的像素点，如图3所示，虚线框所围合的区域为预设区域(即3*3的区域)，像素值为0的像素点周围有八个的像素点。以这3*3的像素点区域为预设区域，然后计算这3*3的区域内的各像素点之间的噪声方差，需要说明的是，计算的是这3*3的区域内的所有像素点之间的平均噪声方差，而不是分别计算每两个像素点之间的噪声方差。其中3*3的区域内的各像素点之间的噪声方差的计算公式为：
Figure BDA0002364840400000101
其中，I(i,j)表示3*3的区域内的某坐标位置(i,j)上像素点的像素值，means表示3*3的区域内的所有像素点的像素值的平均值，δ表示噪声方差。
通过上述公式即可求得这9个点之间的平均噪声方差。
可选地，在其他实施例中，获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差，可以是获取以像素值为0或255的像素点为中心的5*5的区域，并计算5*5的区域内的像素点之间的噪声方差。
以像素值为0或255的像素点为中心的5*5的区域，表示该区域内一共有25个像素点，这25个像素点的中心是像素值为0或255的像素点。其中5*5的区域内的各像素点之间的噪声方差的计算公式为：
Figure BDA0002364840400000102
其中，I(i,j)表示5*5的区域内的某坐标位置(i,j)上像素点的像素值，means表示5*5的区域内的所有像素点的像素值的平均值，δ表示噪声方差。
需要说明的是，预设区域可以根据实际情况而定，比如预设区域还可以是以像素值为0或255的像素点为中心的7*7的区域，对此，本申请不作限定。
步骤S104：根据预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图。
可选地，通过以下方式进行标记：首先，判断预设区域内的各像素点之间的噪声方差与预设阈值之间的大小，若预设区域内的各像素点之间的噪声方差大于等于预设阈值，则说明0或255的像素点与周围的像素点存在较大的差异，0或255的像素点是孤立的像素点，该区域内的0或255的像素点极有可能是椒盐噪声点，然后对该像素点进行标记。若预设区域内的各像素点之间的噪声方差小于预设阈值，则说明0或255的像素点与周围的像素点的差异较小，0或255的像素点不是孤立的像素点，此时不对该像素点进行处理。
其中，预设阈值可以根据实际情况而定，比如预设阈值可以是100、500、1000、1500、2000等等，本申请不作限定。
本实施例中，预设阈值为100，相应地，可以根据以下公式进行判断：
Figure BDA0002364840400000111
其中，F(i,j)表示预设区域内的像素点，δ表示上述步骤S103计算得到的预设区域内的噪声方差。
可选地，还可以通过以下方式进行标记：在步骤S103中，分别获取以像素值为0或255的像素点为中心的3*3的区域以及以像素值为0或255的像素点为中心的5*5的区域，然后分别计算所有3*3的区域内的像素点之间的噪声方差以及所有5*5的区域内的像素点之间的噪声方差，然后计算每一个以0或255的像素点为中心的5*5的区域的噪声方差减去3*3的区域的噪声方差的数值，若该数值大于一个预设值，则说明该区域内的0或255的像素点极有可能是椒盐噪声点，然后对该像素点进行标记。若该数值小于一个预设值，不对该像素点进行处理。
可以理解的是，具体采用何种方式标记椒盐噪声点，本申请不作限定。
步骤S105：基于形态成分分析算法对已标记椒盐噪声点的待滤波图像进行稀疏重构，获得滤除椒盐噪声的纹理成分图、平滑成分图以及边缘成分图。
发明人在研究中发现，在形态成分分析算法中的稀疏分解过程中，如果事先标记好图像中异常点(如椒盐噪声点)的位置，再对已标记异常点的图像进行稀疏分解重构，图像的异常点能够得到修复，因此，于本申请中充分利用形态成分分析算法的特性，对上述步骤中已标记椒盐噪声点的待滤波图像进行稀疏重构。
可选的，上述步骤S105中基于形态成分分析算法对已标记椒盐噪声点的待滤波图像进行稀疏重构，获得滤除椒盐噪声的纹理成分图、平滑成分图以及边缘成分图，可以包括：步骤S201-步骤S203。
步骤S201：初始化形态成分分析算法参数。
首先，初始化形态成分分析算法中的参数，设置迭代次数itermax＝200、正则化参数η＝0.5、停止参数ε＝10-6、步长λ＝(σ-ε)/(itermax-1)、其中σ表示阈值，σ具体为对应字典中图像系数向量的最大长度。利用椒盐噪声标记图Mask对含有椒盐噪声的待滤波图像进行处理，得到已标记椒盐噪声点的待滤波图像IMG_H，具体的通过以下公式进行处理，IMG_H＝Mask*I；I为步骤S101中所获取的含有椒盐噪声的待滤波图像。
步骤S202：初始化待滤波图像中的纹理部分、平滑部分以及边缘部分。
初始化待滤波图中的纹理部分、平滑部分以及边缘部分即初始化纹理部分yt＝IMG_H、平滑部分ys＝0、边缘部分ye＝0。
步骤S203：当阈值大于步长时，进行以下迭代操作：
保持平滑部分ys＝0以及边缘部分ye＝0，计算纹理部分yt的修正值，其中修正值的计算公式为Rt＝yt+Residualt；Residualt＝(IMG_H-ye-ys-yt)*Mask；其中，Rt表示纹理部分的修正值，Residualt表示纹理部分的残差。然后对修正值Rt进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构纹理部分。
保持更新后的纹理部分yt不变以及边缘部分ye＝0，计算平滑部分ys的修正值，其中修正值的计算公式为Rs＝ys+Residuals；Residuals＝(IMG_H-ye-ys-yt)*Mask；其中，Rs表示平滑部分的修正值，Residuals表示平滑部分的残差。然后对修正值Rs进行曲波变换，对变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分。
保持更新后的纹理部分yt以及更新后的平滑部分ys不变，计算边缘部分ye的修正值，其中修正值的计算公式为Re＝ye+Residuale；Residuale＝(IMG_H-ye-ys-yt)*Mask；其中，Re表示边缘部分的修正值，Residuale表示边缘部分的残差。然后对修正值Re进行局部离散余弦变换，对变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分。
更新阈值σ＝σ-λ，直至阈值小于等于步长时，则纹理部分为纹理成分图，平滑部分为平滑成分图，边缘部分为边缘成分图。
步骤S106：将纹理成分图、平滑成分图以及边缘成分图进行线性融合。
通过上述步骤S203求得边缘成分图、纹理成分图以及平滑成分图后，再将边缘成分图、纹理成分图以及平滑成分图线性融合，也即将边缘成分图、纹理成分图以及平滑成分图相加，即可得到过滤椒盐噪声后的图像。
综上所述，在本申请实施例中，通过获取含有椒盐噪声的待滤波图像，再初始化待滤波图像；获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差，然后根据预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图，然后基于形态成分分析算法对已标记的椒盐噪声点的待滤波图像进行稀疏重构，获得滤除椒盐噪声的纹理成分图、平滑成分图以及边缘成分图，最后将边缘成分图、纹理成分图以及平滑成分图线性融合，进而实现了通过形态成分分析的方法过滤图像中的椒盐噪声，提高了图像的质量，同时避免了图像边缘模糊丢失图像细节。
请参阅图4，图4为本申请实施例提供的含有不同密度的椒盐噪声图像及其对应去噪后的结果图像。
其中，a11为含有密度为0.01的椒盐噪声图；a12为通过上述方法去噪处理后的图像。a21为含有密度为0.03的椒盐噪声图；a22为通过上述方法去噪处理后的图像。a31为含有密度为0.05的椒盐噪声图；a32为通过上述方法去噪处理后的图像。
上述实施例中，介绍的是如何通过形态成分分析方法过滤椒盐噪声。但是，发明人在探索中发现，数字图像中常常受多种类型噪声的影响，所以能够滤除高斯噪声和椒盐噪声叠加而成的混合噪声的方法具有更广泛的需求。
鉴于上述问题，且基于同一发明构思，本申请实施例中还提供一种基于形态成分分析的图像混合噪声滤波方法。该方法同样应用于图1示出的电子设备100中。下面，结合图5对该方法的具体流程及步骤进行描述。该方法包括：步骤S301-步骤S307。
步骤S301：获取含有椒盐噪声以及高斯噪声的待滤波图像。
首先，读取一幅含有椒盐噪声以及高斯噪声的待滤波图像，用符号I表示该待滤波图像。
步骤S302：计算待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图。
步骤S303：获取以像素值为0或255的像素点为中心的预设区域，并计算预设区域内各像素点之间的噪声方差。
步骤S304：根据预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图。
步骤S305：基于形态成分分析算法对已标记椒盐噪声点的待滤波图像进行稀疏重构，获得滤除椒盐噪声的纹理成分图、平滑成分图以及边缘成分图。
需要说明的是，上述步骤S302-步骤S305是对待滤波图像中的椒盐噪声进行过滤，其原理与步骤S102-步骤S105所介绍的基本相同，因此，为了避免累赘，在此不再继续阐述。
步骤S306：设置高斯滤波参数，分别对纹理成分图、平滑成分图进行高斯滤波；获得目标纹理成分图以及目标平滑成分图。
具体的，初始化高斯滤波器的标准偏差sigma为1，计算预设区域内的高斯分布数值，需要说明的是预设区域即为步骤S303中的预设区域，比如步骤S303中获取的是以像素值为0或255的像素点为中心的3*3的区域，则此步骤中计算以像素值为0或255的像素点为中心的3*3的区域内的高斯分布数值。具体的计算公式为：
Figure BDA0002364840400000151
其中，G(x,y)表示高斯分布数值，x和y表示像素点的坐标位置。
设置好高斯滤波参数后，分别对纹理成分图、平滑成分图进行高斯滤波以获得目标纹理成分图以及目标平滑成分图。
步骤S307：将目标纹理成分图、目标平滑成分图以及边缘成分图进行线性融合。
最后，对所得到的目标纹理成分图、目标平滑成分图以及边缘成分图进行线性融合，也即将目标纹理成分图、目标平滑成分图以及边缘成分图相加，得到最终去除椒盐噪声以及高斯噪声的图像。
在本申请实施例中，通过上述形态成分分析方法，实现了对由高斯噪声、椒盐噪声叠加而成的混合噪声的去噪，有效地滤除图像中的混合噪声，提高图像质量，同时避免图像边缘模糊丢失图像细节。
请参阅图6，图6为本申请实施例提供的含有不同比例的混合噪声图像及其对应去噪后的结果图像。
其中，a1为含有椒盐噪声(密度为0.01)和高斯噪声(均值为0，方差为10)的混合噪声图；a2为通过上述方法去噪处理后的图像。b1为含有椒盐噪声(密度为0.03)和高斯噪声(均值为0，方差为10)的混合噪声图；b2为通过上述方法去噪处理后的图像。c1为含有椒盐噪声(密度为0.05)和高斯噪声(均值为0，方差为10)的混合噪声图；c2为通过上述方法去噪处理后的图像。d1为含有椒盐噪声(密度为0.01)和高斯噪声(均值为0，方差为20)的混合噪声图；d2为通过上述方法去噪处理后的图像。e1为含有椒盐噪声(密度为0.03)和高斯噪声(均值为0，方差为20)的混合噪声图；e2为通过上述方法去噪处理后的图像。f1为含有椒盐噪声(密度为0.05)和高斯噪声(均值为0，方差为20)的混合噪声图；f2为通过上述方法去噪处理后的图像。
基于同一发明构思，本申请实施例还提供一种基于形态成分分析的椒盐噪声滤波装置，包括：获取模块，用于获取含有椒盐噪声的待滤波图像；初始化模块，用于计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；计算模块，用于获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；标记模块，用于根据所述预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图；重构模块，用于基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；融合模块，用于将所述纹理成分图、所述平滑成分图以及所述边缘成分图进行线性融合。
可选地，该计算模块还用于获取以像素值为0或255的像素点为中心的3*3的区域，并计算所述3*3的区域内的所述像素点之间的噪声方差。
可选地，该标记模块还用于判断所述预设区域内的各像素点之间的噪声方差与预设阈值之间的大小；若所述预设区域内的所述像素点之间的噪声方差大于等于所述预设阈值，则将所述预设区域内的位于中心的像素点作为椒盐噪声点并作标记，更新椒盐噪声标记图。
可选地，所述重构模块还用于初始化所述形态成分分析算法的参数；其中，所述参数包括迭代次数、正则化参数、停止参数、步长以及阈值；初始化所述待滤波图像中的纹理部分、平滑部分以及边缘部分；当所述阈值大于所述步长时，进行以下迭代操作：保持所述平滑部分以及所述边缘部分不变，计算所述纹理部分的修正值，对所述纹理部分的修正值进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构所述纹理部分；保持所述边缘部分以及更新后的所述纹理部分不变，计算所述平滑部分的修正值，对所述平滑部分的修正值进行曲波变换，对所述变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分；保持更新后的所述纹理部分以及更新后的所述纹理部分不变，计算所述边缘部分的修正值，对所述边缘部分的修正值进行局部离散余弦变换，对所述变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分；更新所述阈值；直至所述阈值小于等于所述步长时，则所述纹理部分为所述纹理成分图，所述平滑部分为所述平滑成分图，所述边缘部分为所述边缘成分图。
基于同一发明构思，本申请实施例还提供一种基于形态成分分析的图像混合噪声滤波装置，包括：获取模块，用于获取含有椒盐噪声以及高斯噪声的待滤波图像；初始化模块，用于计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；计算模块，用于获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；标记模块，用于根据所述预设区域内的各像素点之间的噪声方差，在椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图；重构模块，用于基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；滤波模块，用于设置高斯滤波参数，分别对所述纹理成分图、平滑成分图进行高斯滤波；获得目标纹理成分图以及目标平滑成分图；融合模块，用于将所述目标纹理成分图、所述目标平滑成分图以及所述边缘成分图进行线性融合。
基于同一发明构思，本申请实施例还提供一种存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于形态成分分析的椒盐噪声滤波方法，其特征在于，包括：
获取含有椒盐噪声的待滤波图像；
计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；
获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；
根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；
基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；
将所述纹理成分图、所述平滑成分图以及所述边缘成分图进行线性融合；
所述基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图，包括：初始化所述形态成分分析算法的参数；其中，所述参数包括迭代次数、正则化参数、停止参数、步长以及阈值；初始化所述待滤波图像中的纹理部分、平滑部分以及边缘部分；当所述阈值大于所述步长时，进行以下迭代操作：保持所述平滑部分以及所述边缘部分不变，计算所述纹理部分的修正值，对所述纹理部分的修正值进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构所述纹理部分；保持所述边缘部分以及更新后的所述纹理部分不变，计算所述平滑部分的修正值，对所述平滑部分的修正值进行曲波变换，对所述变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分；保持更新后的所述纹理部分以及更新后的所述纹理部分不变，计算所述边缘部分的修正值，对所述边缘部分的修正值进行局部离散余弦变换，对所述变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分；更新所述阈值；直至所述阈值小于等于所述步长时，则所述纹理部分为所述纹理成分图，所述平滑部分为所述平滑成分图，所述边缘部分为所述边缘成分图。
2.根据权利要求1所述的方法，其特征在于，所述获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内的各像素点之间的噪声方差，包括：
获取以像素值为0或255的像素点为中心的3*3的区域，并计算所述3*3的区域内的所述像素点之间的噪声方差。
3.根据权利要求1所述的方法，其特征在于，所述根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定椒盐噪声标记图，包括：
判断所述预设区域内的各像素点之间的噪声方差与预设阈值之间的大小；
若所述预设区域内的所述像素点之间的噪声方差大于等于所述预设阈值，则将所述预设区域内的位于中心的像素点作为椒盐噪声点并作标记，更新所述椒盐噪声标记图。
4.一种基于形态成分分析的椒盐噪声滤波装置，其特征在于，包括：
获取模块，用于获取含有椒盐噪声的待滤波图像；
初始化模块，用于计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；
计算模块，用于获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；
标记模块，用于根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；
重构模块，用于基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；
融合模块，用于将所述纹理成分图、所述平滑成分图以及所述边缘成分图进行线性融合；
所述重构模块还用于初始化所述形态成分分析算法的参数；其中，所述参数包括迭代次数、正则化参数、停止参数、步长以及阈值；初始化所述待滤波图像中的纹理部分、平滑部分以及边缘部分；当所述阈值大于所述步长时，进行以下迭代操作：保持所述平滑部分以及所述边缘部分不变，计算所述纹理部分的修正值，对所述纹理部分的修正值进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构所述纹理部分；保持所述边缘部分以及更新后的所述纹理部分不变，计算所述平滑部分的修正值，对所述平滑部分的修正值进行曲波变换，对所述变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分；保持更新后的所述纹理部分以及更新后的所述纹理部分不变，计算所述边缘部分的修正值，对所述边缘部分的修正值进行局部离散余弦变换，对所述变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分；更新所述阈值；直至所述阈值小于等于所述步长时，则所述纹理部分为所述纹理成分图，所述平滑部分为所述平滑成分图，所述边缘部分为所述边缘成分图。
5.根据权利要求4所述的装置，其特征在于，所述计算模块还用于获取以像素值为0或255的像素点为中心的3*3的区域，并计算所述3*3的区域内的所述像素点之间的噪声方差。
6.根据权利要求4所述的装置，其特征在于，所述标记模块还用于判断所述预设区域内的各像素点之间的噪声方差与预设阈值之间的大小；若所述预设区域内的所述像素点之间的噪声方差大于等于所述预设阈值，则将所述预设区域内的位于中心的像素点作为椒盐噪声点并作标记，更新所述椒盐噪声标记图。
7.一种基于形态成分分析的图像混合噪声滤波方法，其特征在于，包括：
获取含有椒盐噪声以及高斯噪声的待滤波图像；
计算所述待滤波图像的维度，记为[n，m]；初始化一个n*m维的全1标记矩阵，作为椒盐噪声标记图；
获取以像素值为0或255的像素点为中心的预设区域，并计算所述预设区域内各像素点之间的噪声方差；
根据所述预设区域内的各像素点之间的噪声方差，在所述椒盐噪声标记图中标记椒盐噪声点的位置，更新并确定所述椒盐噪声标记图；
基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图；
设置高斯滤波参数，分别对所述纹理成分图、平滑成分图进行高斯滤波；获得目标纹理成分图以及目标平滑成分图；
将所述目标纹理成分图、所述目标平滑成分图以及所述边缘成分图进行线性融合；
所述基于形态成分分析算法对已标记所述椒盐噪声点的所述待滤波图像进行稀疏重构，获得滤除所述椒盐噪声的纹理成分图、平滑成分图以及边缘成分图，包括：初始化所述形态成分分析算法的参数；其中，所述参数包括迭代次数、正则化参数、停止参数、步长以及阈值；初始化所述待滤波图像中的纹理部分、平滑部分以及边缘部分；当所述阈值大于所述步长时，进行以下迭代操作：保持所述平滑部分以及所述边缘部分不变，计算所述纹理部分的修正值，对所述纹理部分的修正值进行局部离散平稳小波变换，对变换域系数进行软阈值处理，通过离散平稳小波逆变换重构所述纹理部分；保持所述边缘部分以及更新后的所述纹理部分不变，计算所述平滑部分的修正值，对所述平滑部分的修正值进行曲波变换，对所述变换域系数进行软阈值处理，通过曲波逆变换重构边缘部分；保持更新后的所述纹理部分以及更新后的所述纹理部分不变，计算所述边缘部分的修正值，对所述边缘部分的修正值进行局部离散余弦变换，对所述变换域系数进行软阈值处理，通过局部离散余弦逆变换重构边缘部分；更新所述阈值；直至所述阈值小于等于所述步长时，则所述纹理部分为所述纹理成分图，所述平滑部分为所述平滑成分图，所述边缘部分为所述边缘成分图。
8.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-3中或执行如权利要求7中所述的方法。
CN202010034233.9A 2020-01-13 2020-01-13 一种基于形态成分分析的椒盐噪声滤波方法、装置 Active CN111242137B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010034233.9A CN111242137B (zh) 2020-01-13 2020-01-13 一种基于形态成分分析的椒盐噪声滤波方法、装置
US17/109,171 US11410280B2 (en) 2020-01-13 2020-12-02 Salt and pepper noise filtering method and device based on morphological component analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010034233.9A CN111242137B (zh) 2020-01-13 2020-01-13 一种基于形态成分分析的椒盐噪声滤波方法、装置

Publications (2)

Publication Number Publication Date
CN111242137A CN111242137A (zh) 2020-06-05
CN111242137B true CN111242137B (zh) 2023-05-26

Family

ID=70866228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010034233.9A Active CN111242137B (zh) 2020-01-13 2020-01-13 一种基于形态成分分析的椒盐噪声滤波方法、装置

Country Status (2)

Country Link
US (1) US11410280B2 (zh)
CN (1) CN111242137B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348103B (zh) * 2020-11-16 2022-11-11 南开大学 图像块分类方法和装置及其超分辨重建方法和装置
CN113160074B (zh) * 2021-03-30 2024-08-13 广州万孚倍特生物技术有限公司 微阵列芯片图像分析方法、装置、计算机设备和存储介质
CN113447111B (zh) * 2021-06-16 2022-09-27 合肥工业大学 基于形态分量分析的视觉振动放大方法、检测方法及系统
CN113743508B (zh) * 2021-09-06 2024-07-02 合肥工业大学 一种混合高斯脉冲噪声图像中的离群点识别方法
CN114742727B (zh) * 2022-03-31 2023-05-05 南通电博士自动化设备有限公司 一种基于图像平滑的噪声处理方法及系统
CN114972339B (zh) * 2022-07-27 2022-10-21 金成技术股份有限公司 用于推土机结构件生产异常检测的数据增强系统
CN115293993B (zh) * 2022-09-29 2022-12-16 广东海洋大学 一种滤除椒盐噪声的采样方法及系统
CN115409742B (zh) * 2022-11-02 2023-01-31 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于园林绿化的植被覆盖密度评估方法
CN116342610B (zh) * 2023-05-31 2023-08-15 山东恒海钢结构有限公司 一种钢结构装配式建筑焊接异常检测方法
CN116385316B (zh) * 2023-06-01 2023-08-08 深圳市嘉润原新显科技有限公司 多目标图像动态捕捉方法及相关装置
CN116503293B (zh) * 2023-06-27 2023-11-10 浙江芯劢微电子股份有限公司 一种Bayer图像去椒盐噪声的方法及系统
CN116485884B (zh) * 2023-06-28 2023-09-12 四川君安天源精酿啤酒有限公司 基于计算机视觉的精酿啤酒瓶口实时定位方法及系统
CN116977827A (zh) * 2023-09-25 2023-10-31 中国检验认证集团山东有限公司 一种基于人工智能的铁矿石检测方法和系统
CN117218113B (zh) * 2023-11-06 2024-05-24 铸新科技(苏州)有限责任公司 一种炉管的氧化程度分析方法、装置、计算机设备及介质
CN117560580B (zh) * 2023-11-13 2024-05-03 四川新视创伟超高清科技有限公司 一种应用于多机位虚拟拍摄的平滑滤波方法及滤波系统
CN117788570B (zh) * 2024-02-26 2024-05-07 山东济矿鲁能煤电股份有限公司阳城煤矿 一种基于机器视觉的斗轮机定位方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860667A (zh) * 2010-05-06 2010-10-13 中国科学院西安光学精密机械研究所 一种快速去除图像中混合噪声的方法
CN106023109A (zh) * 2016-05-19 2016-10-12 西华大学 一种基于区域相似样例学习的稀疏去噪方法
CN106127711A (zh) * 2016-06-23 2016-11-16 浙江工业大学之江学院 shearlet变换和快速双边滤波器图像去噪方法
CN106157261A (zh) * 2016-06-23 2016-11-23 浙江工业大学之江学院 平移不变性的shearler变换医学图像去噪方法
CN106910169A (zh) * 2017-01-26 2017-06-30 苏州大学 一种防止边缘模糊的图像椒盐噪声去除方法
CN108765322A (zh) * 2018-05-16 2018-11-06 上饶师范学院 图像去噪方法及装置
CN110458783A (zh) * 2019-08-22 2019-11-15 齐鲁工业大学 一种两步去除具有图像细节保护能力的非局部双边滤波图像椒盐噪声的方法
CN110490814A (zh) * 2019-07-09 2019-11-22 珠海城市职业技术学院 基于光滑秩约束的混合噪声去除方法、系统及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7869980B2 (en) * 2005-11-03 2011-01-11 International Business Machines Corporation Using statistics to locate signals in noise
US8433155B2 (en) * 2006-12-28 2013-04-30 Texas Instruments Incorporated Gaussian noise rejection with directional variance capabilities for use in image processing
US7925113B2 (en) * 2007-04-27 2011-04-12 Hewlett-Packard Development Company, L.P. Generating compound images having increased sharpness and reduced noise
CN104835164B (zh) * 2015-05-11 2017-07-28 京东方科技集团股份有限公司 一种双目摄像头深度图像的处理方法及装置
US9930271B2 (en) * 2015-09-28 2018-03-27 Gopro, Inc. Automatic composition of video with dynamic background and composite frames selected based on frame criteria
US9852495B2 (en) * 2015-12-22 2017-12-26 Intel Corporation Morphological and geometric edge filters for edge enhancement in depth images
US10964094B1 (en) * 2020-01-31 2021-03-30 Vr Media Technology, Inc. Visualization system that transforms 2D images of objects slices into 3D point clouds

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101860667A (zh) * 2010-05-06 2010-10-13 中国科学院西安光学精密机械研究所 一种快速去除图像中混合噪声的方法
CN106023109A (zh) * 2016-05-19 2016-10-12 西华大学 一种基于区域相似样例学习的稀疏去噪方法
CN106127711A (zh) * 2016-06-23 2016-11-16 浙江工业大学之江学院 shearlet变换和快速双边滤波器图像去噪方法
CN106157261A (zh) * 2016-06-23 2016-11-23 浙江工业大学之江学院 平移不变性的shearler变换医学图像去噪方法
CN106910169A (zh) * 2017-01-26 2017-06-30 苏州大学 一种防止边缘模糊的图像椒盐噪声去除方法
CN108765322A (zh) * 2018-05-16 2018-11-06 上饶师范学院 图像去噪方法及装置
CN110490814A (zh) * 2019-07-09 2019-11-22 珠海城市职业技术学院 基于光滑秩约束的混合噪声去除方法、系统及存储介质
CN110458783A (zh) * 2019-08-22 2019-11-15 齐鲁工业大学 一种两步去除具有图像细节保护能力的非局部双边滤波图像椒盐噪声的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An improved image denoising method applied in resisting mixed noise based on MCA and Median filter;Xiangyu Deng等;《2015 11th International Conference on Computational Intelligence and Security (CIS)》;20160204;162-166 *
Simultaneous cartoon and texture image inpainting using morphological component analysis (;M.Elad等;《Applied and Computational Harmonic Analysis》;20050815;第19卷(第3期);340-358 *
基于形态分量分析的图像去噪研究;崔大洋;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150215(第(2015)02期);I138-908 *
基于稀疏表示的图像去噪算法研究;邓翔宇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第(2017)02期);I138-3270 *

Also Published As

Publication number Publication date
US11410280B2 (en) 2022-08-09
US20210090219A1 (en) 2021-03-25
CN111242137A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111242137B (zh) 一种基于形态成分分析的椒盐噪声滤波方法、装置
JP6507846B2 (ja) 画像ノイズ除去方法及び画像ノイズ除去装置
CN107358586B (zh) 一种图像增强方法、装置及设备
CN110706174B (zh) 一种图像增强方法、终端设备及存储介质
Thanh et al. An adaptive method for image restoration based on high-order total variation and inverse gradient
CN111325694B (zh) 图像噪声去除方法及装置
Salmon et al. From patches to pixels in non-local methods: Weighted-average reprojection
Noori et al. A bilateral image inpainting
CN113344801A (zh) 一种应用于燃气计量设施环境下的图像增强方法、系统、终端及存储介质
Chen et al. Two-pass bilateral smooth filtering for remote sensing imagery
CN113112561B (zh) 图像重建方法、装置和电子设备
CN111192204A (zh) 一种图像增强方法、系统和计算机可读存储介质
Liu et al. A modified convex variational model for multiplicative noise removal
Gao et al. A novel fractional‐order reaction diffusion system for the multiplicative noise removal
Nnolim Single image de-hazing via multiscale wavelet decomposition and estimation with fractional gradient-anisotropic diffusion fusion
CN113422956B (zh) 一种图像编码方法、装置、电子设备及存储介质
CN113744294A (zh) 图像处理方法及相关装置
CN116993609A (zh) 一种图像降噪方法、装置、设备及介质
Jia et al. Weighted guided image filtering with entropy evaluation weighting
Spagnolo et al. Approximate bilateral filters for real-time and low-energy imaging applications on FPGAs
Zuo et al. Image Denoising Using Nonlocal Means with Shape‐Adaptive Patches and New Weights
Shi et al. Non-Gaussian Noise Removal via Gaussian Denoisers with the Gray Level Indicator
CN114596210A (zh) 噪声估计方法、装置、终端设备及计算机可读存储介质
CN113962870A (zh) 一种图像锅盖效应抑制方法、装置、电子设备和存储介质
Hou et al. Image splicing region localization with adaptive multi-feature filtration

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