CN111951173B

CN111951173B - 高自由度滤波算法的调整方法和存储介质

Info

Publication number: CN111951173B
Application number: CN202010547460.1A
Authority: CN
Inventors: 王璠; 曾军英; 朱京明; 朱伯远; 秦传波; 翟懿奎; 甘俊英; 李泳韩
Original assignee: Wuyi University
Current assignee: Wuyi University
Priority date: 2020-06-16
Filing date: 2020-06-16
Publication date: 2024-01-12
Anticipated expiration: 2040-06-16
Also published as: CN111951173A

Abstract

本发明公开了一种高自由度滤波算法的调整方法和存储介质，包括：获取待滤波图像；通过滑动窗口遍历所述待滤波图像；计算出所述滑动窗口内的像素平均值；在目标图像点的像素值大于所述像素平均值的第一预设倍数或者小于所述像素平均值的第二预设倍数的情况下，确定所述目标图像点为异常点；在所述异常点领域内的像素值与所述像素平均值的差值不大于预设值的情况下，确定所述异常点为图像噪音点；统计所有所述图像噪音点的分布情况，并根据所述图像噪音点的分布情况选择不同的滤波算子。本发明根据分布自适应选取合适的滤波算子来使得滤波效果更接近实际情况。

Description

高自由度滤波算法的调整方法和存储介质

技术领域

本发明涉及图像处理算法技术领域，特别涉及一种高自由度滤波算法的调整方法和存储介质。

背景技术

图像滤波是在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。另外，在图像处理的某些环节当输入的像对象并不如预想时也会在结果图像中引入噪声。这些噪声在图像上常表现为——引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关它以无用的信息形式出现，扰乱图像的可观测信息。对于数字图像信号，噪声表为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮、暗点干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图像识别等后继工作的进行。

现有的图像滤波算法大多基于各种滤波器，针对的也是某种单一噪声形式，如椒盐噪声一般用中值滤波器，而高斯噪声一般用高斯滤波器等，然而在实际应用中，一幅图像可能不仅仅有同一种噪声形式，用同一种滤波算法可能对某部分滤波效果较好，但对其他部分效果欠佳。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种高自由度滤波算法的调整方法和存储介质，能够提高图像处理的滤波效果。

根据本发明的第一方面实施例的高自由度滤波算法的调整方法，包括：

获取待滤波图像；

通过滑动窗口遍历所述待滤波图像；

计算出所述滑动窗口内的像素平均值；

在目标图像点的像素值大于所述像素平均值的第一预设倍数或者小于所述像素平均值的第二预设倍数的情况下，确定所述目标图像点为异常点；

在所述异常点领域内的像素值与所述像素平均值的差值不大于预设值的情况下，确定所述异常点为图像噪音点；

统计所有所述图像噪音点的分布情况，并根据所述图像噪音点的分布情况选择不同的滤波算子。

根据本发明实施例的高自由度滤波算法的调整方法，至少具有如下有益效果：本发明实施例首先利用滑动窗口遍历整幅待滤波图像，然后计算滑动窗口内的像素平均值，通过与设定的阈值作对比来分辨是否为异常点，接着统计异常点邻域的像素值分布；若异常点邻域内的像素值分布均无明显变化，则将该异常点归结为图像噪声点，最后统计图像噪声点的分布，根据分布自适应选取合适的滤波算子来使得滤波效果更接近实际情况。

根据本发明的一些实施例，在所述通过滑动窗口遍历所述待滤波图像之前，所述方法还包括：

根据所述待滤波图像的尺寸生成滑动窗口并设定所述滑动窗口的尺寸。

根据本发明的一些实施例，还包括：

在所述异常点领域内的像素值与所述像素平均值的差值大于所述预设值的情况下，确定所述异常点为图像边缘点。

根据本发明的一些实施例，所述图像噪音点的分布情况包括如下之一：均匀分布情况、高斯分布情况、极大极小值分布情况。

根据本发明的一些实施例，所述选择不同的滤波算子，包括：

选取中值滤波算子、中点滤波算子、维纳滤波算子或者卡尔曼滤波算子。

根据本发明的一些实施例，所述根据所述图像噪音点的分布情况选择不同的滤波算子，包括如下之一：

当所述图像噪音点的分布体现为所述滑动窗口内的极大值或极小值，调用中值滤波算子；

当所述图像噪音点的分布体现为所述滑动窗口内的高斯分布特点，调用维纳滤波算子；

当所述图像噪音点的分布体现为所述滑动窗口内的均匀分布特点，调用中点滤波算子；

当所述图像噪音点的分布不体现为所述滑动窗口内的极大值或极小值、高斯分布特点或者均匀分布特点，调用卡尔曼滤波算子。

根据本发明的一些实施例，所述第一预设倍数为2倍，所述第二预设倍数为1/2倍。

根据本发明的一些实施例，所述预设值为5。

根据本发明的第二方面实施例的电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的高自由度滤波算法的调整方法。

根据本发明实施例的电子设备，至少具有如下有益效果：本发明实施例首先利用滑动窗口遍历整幅待滤波图像，然后计算滑动窗口内的像素平均值，通过与设定的阈值作对比来分辨是否为异常点，接着统计异常点邻域的像素值分布；若异常点邻域内的像素值分布均无明显变化，则将该异常点归结为图像噪声点，最后统计图像噪声点的分布，根据分布自适应选取合适的滤波算子来使得滤波效果更接近实际情况。

根据本发明的第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的高自由度滤波算法的调整方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一个实施例提供的高自由度滤波算法的调整方法的示意图；

图2为本发明另一个实施例提供的高自由度滤波算法的调整方法的示意图；

图3为本发明另一个实施例提供的高自由度滤波算法的调整方法的示意图；

图4为本发明另一个实施例提供的高自由度滤波算法的调整方法的示意图；

图5为本发明一个实施例提供的电子设备的示意图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

参照图1和图2所示，本发明第一方面的一个实施例提供了一种高自由度滤波算法的调整方法，包括：

S110：获取待滤波图像；

S120：通过滑动窗口遍历待滤波图像；

S130：计算出滑动窗口内的像素平均值；

S140：在目标图像点的像素值大于像素平均值的第一预设倍数或者小于像素平均值的第二预设倍数的情况下，确定目标图像点为异常点；

S150：在异常点领域内的像素值与像素平均值的差值不大于预设值的情况下，确定异常点为图像噪音点；

S160：统计所有图像噪音点的分布情况，并根据图像噪音点的分布情况选择不同的滤波算子。

在一实施例中，本发明实施例首先利用滑动窗口遍历整幅待滤波图像，然后计算滑动窗口内的像素平均值，通过与设定的阈值作对比来分辨是否为异常点，接着统计异常点邻域的像素值分布；若异常点邻域内的像素值分布均无明显变化，则将该异常点归结为图像噪声点，最后统计图像噪声点的分布，根据分布自适应选取合适的滤波算子来使得滤波效果更接近实际情况。

可以理解的是，第一预设倍数可以为2倍，第二预设倍数可以为1/2倍，预设值可以为5。

参照图3所示，本发明第一方面的另一个实施例提供了一种高自由度滤波算法的调整方法，在上述步骤S120之前，还包括：

S200：根据待滤波图像的尺寸生成滑动窗口并设定滑动窗口的尺寸。

参照图4所示，本发明第一方面的另一个实施例提供了一种高自由度滤波算法的调整方法，还包括：

S300：在异常点领域内的像素值与像素平均值的差值大于预设值的情况下，确定异常点为图像边缘点。

需要说明的是，图像噪音点的分布情况包括如下之一：均匀分布情况、高斯分布情况、极大极小值分布情况。上述步骤S160中选择不同的滤波算子，包括：选取中值滤波算子、中点滤波算子、维纳滤波算子或者卡尔曼滤波算子。

具体地，上述步骤S160中根据图像噪音点的分布情况选择不同的滤波算子，包括如下之一：

当图像噪音点的分布体现为滑动窗口内的极大值或极小值，调用中值滤波算子；

当图像噪音点的分布体现为滑动窗口内的高斯分布特点，调用维纳滤波算子；

当图像噪音点的分布体现为滑动窗口内的均匀分布特点，调用中点滤波算子；

当图像噪音点的分布不体现为滑动窗口内的极大值或极小值、高斯分布特点或者均匀分布特点，调用卡尔曼滤波算子。

下面将按照附图更详细地描述本公开的算法过程。

以一幅尺寸为300*300的图像为例，我们首先以10*10的窗口滑动遍历整幅图像，步幅设置为5，实际便得到60*60＝3600个窗口，步幅为5是为了窗口边缘附近的截断点可能误认为是噪声，影响滤波决策；

然后统计滑动窗口的噪声概率分布，分以下几种情况；

1.若噪声符合椒盐噪声，即黑图像上的白点和白图像上的黑点噪声，该种噪声在实际应用中一般是图像切割引起，体现在该算法中即图像边缘处的截断像素，针对该噪声会调用中值滤波器，中值滤波器使用一个像素邻域中的中值代替图像中的值，表达式如下：

其中f(x,y)为原始图像像素，S_xy为中心点在(x,y)处，大小为m*n的一组坐标，g(x,y)为中值滤波后像素点；

2.若噪声符合高斯分布，即符合下式：

其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平方σ2称为z的方差。针对该噪声会调用维纳滤波器，其原理就是尽可能缩小原图像与含噪声图像之间的差距，表现为令其均方误差最小：minE{e²}＝E{(s-x*h)²}

其中s为原始图像，x＝s+v为加入噪声后图像，h为滤波器；

对h求导并令导数为0可得：

R_xs(j)＝∑h(m)R_xx(j-m),j≥0

将其进行z变换可得：

即当噪声为0时，H(z)＝1，信号为0时H(z)＝0，针对该噪声能起到很好的滤波效果；

3.若噪声符合均匀分布，则调用中点滤波器：

通过计算一个像素邻域中的最大值和最小值之间的中点，该滤波器结合了统计排序和求平均，可以很好地处理均匀分布的噪声；

4.若噪声均不符合上述分布，即杂乱无章，毫无规律，则使用卡尔曼滤波算法，其原理如下：

先不考虑输入信号和观测噪声的影响，得到状态变量和输出信号的估计值，再用输出信号的估计误差加权后校正状态变量的估计值，使状态变量估计误差的均方值最小。下面是一些具体定义。推导过程便于理解其过程，其核心公式便是以下四个，编写程序也是从以下四个公式为主：

推导过程：

首先定义以下几个变量：

未校正状态变量估计值

未校正输出信号估计值

输出信号的估计误差

校正后状态变量的估计值

校正后状态变量的估计误差

校正后状态变量的估计误差的均方值

未校正状态变量的估计误差的均方值

卡尔曼滤波的关键：得到P_k和H_k的关系，通过合适的H_k，使P_k达到最小值。一般来说，已知量有：A_k,C_k,Q_k,R_k,y_k,x_k-1,P_k-1，其中P₀＝var[x₀]

(1)推导状态变量的估计值和估计误差，计算估计误差的均方值

为了推导方便，假设增益矩阵A_k不随时间发生变化。

记b＝(I-H_kC_k)w_k-1,c＝H_kv_k

则

(2)化简P_k——用递推公式

令l＝k-k₀-j,则j＝k-k₀-l

取k₀＝0，k＝k-1

由上式可以看出仅依赖于x₀,w₀,w₁,w₂,…w_k-2，与w_k-1不相关。∴E[x_k-1w_k-1 ^T]＝E[w_k-1x_k-1 ^T]＝0

∵

∴

仅依赖于x_k-1,v_k-1，与v_k不相关。

∴

E[bb^T]＝E[(I-H_kC_k)w_k-1w_k-1 ^T(I-H_kC_k)^T]

＝(I-H_kC_k)E[w_k-1w_k-1 ^T](I-H_kC_k)^T

＝(I-H_kC_k)Q_k-1(I-H_kC_k)^T

E[cc^T]＝E[H_kv_kv_k ^TH_k ^T]＝H_kE[v_kv_k ^T]H_k ^T＝H_kR_kH_k ^T

E[bc^T]＝E[(I-H_kC_k)w_k-1v_k ^TH_k ^T]＝0

E[cb^T]＝E[H_kv_kw_k-1 ^T(I-H_kC_k)^T]＝0

∴P_k＝E[aa^T]+E[bb^T]+E[cc^T]

＝(I-H_kC_k)A_kP_k-1A_k ^T(I-H_kC_k)^T+(I-H_kC_k)Q_k-1(I-H_kC_k)^T+H_kR_kH_k ^T

＝(I-H_kC_k)[A_kP_k-1A_k ^T+Q_k-1](I-H_kC_k)^T+H_kR_kH_k ^T

(3)进一步化简P_k——由未经误差校正的状态估计误差的均方值P_k′推导

由(P_k')^T＝(A_kP_k-1A_k ^T+Q_k-1)^T＝A_kP_k-1 ^TA_k ^T+Q_k-1 ^T＝A_kP_k-1A_k ^T+Q_k-1＝P_k'

得出P_k′为一对称矩阵。

P_k＝(I-H_kC_k)[A_kP_k-1A_k ^T+Q_k-1](I-H_kC_k)^T+H_kR_kH_k ^T

＝(I-H_kC_k)P_k'(I-H_kC_k)^T+H_kR_kH_k ^T

＝(P_k'-H_kC_kP_k')(I-C_k ^TH_k ^T)+H_kR_kH_k ^T

＝P_k'-P_k'C_k ^TH_k ^T-H_kC_kP_k'+H_kC_kP_k'C_k ^TH_k ^T+H_kR_kH_k ^T

＝P_k'-P_k'C_k ^TH_k ^T-H_kC_kP_k'+H_k(C_kP_k'C_k ^T+R_k)H_k ^T

观察到第二项和第三项成转置关系，记U＝P_k′C_k ^T，重点分析第四项中中间部分矩阵C_kP_k′C_k ^T+R_k；

由(C_kP_k′C_k ^T+R_k)^T＝C_kP_k′C_k ^T+R_k可得该矩阵为对称矩阵；

进一步分析，由均方值大于零，再由P_k′＝A_kP_k-1A_k ^T+Q_k-1左右乘以增益矩阵和增益矩阵的转置，不改变均方值正负且方差大于等于零，所以P_k′大于零，紧接着相同的道理，P_k′左右乘以增益矩阵及增益矩阵的转置，不改变其正负，故该矩阵为一正定矩阵。

结论：P_k′为一对称正定矩阵。

由矩阵分析里面定理：实对称矩阵A为正定矩阵的充要条件是存在可逆矩阵Q使得A＝Q^TQ＝QQ^T。

证明：

∵A为正定的实对称矩阵

∴存在正交矩阵P，有P^-1AP＝B＝diag(λ₁,λ₂,…,λ_n)

而

记C_kP_k′C_k ^T+R_k＝SS^T

∴P_k＝P_k'-UH_k ^T-H_kU^T+H_k(SS^T)H_k ^T

＝H_kSS^TH_k ^T-UH_k ^T-H_kU^T+P_k'

接下来的关键是把带有H_k的项合并成一项。

配对的时候可以把H_kS和(H_kS)^T看成两个乘积因式的一部分，运用解方程的思想求解因式的另一部分。

注意到后面两项与H_k无关，而第一项是矩阵乘以该矩阵的乘积，主对角线上元素一定大于等于零，故该矩阵为半正定矩阵。

得到最优表达式：

min P_k

subject to H_kS-U(S^T)^-1＝0

求得最优解：

H_opt＝U(S^T)^-1S^-1＝U(SS^T)^-1

＝P_k'C_k ^T(C_kP_k'C_k ^T+R_k)^-1

代入P_k得出最小均方值：

P_kmin＝[(H_kS-U(S^T)^-1)][(H_kS-U(S^T)^-1]^T+P_k'-U(S^T)^-1S^-1U^T

＝P_k'-U(SS^T)^-1U^T

＝P_k'-H_kU^T＝P_k'-H_kC_kP_k'

＝(I-H_kC_k)P_k'

(4)求解卡尔曼滤波的稳态解

当k→∞时，均方值，单位矩阵等变为具体的数值，而不再是矩阵，为了推导方便，将已知量C_k＝1代入P_k表达式得：

将P_k＝H_k回代得：

P_k＝(1-H_k)P_k'＝(1-P_k)(A_kP_k-1A_k ^T+Q_k-1)

＝A_kP_k-1A_k ^T+Q_k-1-P_kA_kP_k-1A_k ^T-P_kQ_k-1

移项并合并同类项得：

P_k+P_kA_kP_k-1A_k ^T+P_kQ_k-1＝A_kP_k-1A_k ^T+Q_k-1

(1+A_kP_k-1A_k ^T+Q_k-1)P_k＝A_kP_k-1A_k ^T+Q_k-1

将P_k,P_k-1用P_∞表示

(P_∞)²A_kA_k ^T+P_∞(1+Q_k-1-A_kA_k ^T)-Q_k-1＝0

求解该一元二次方程可得稳态解P_∞。

所以达到稳态后的卡尔曼滤波方程为：

P_k'＝A_kP_k-1A_k ^T+Q_k-1＝A_kP_∞A_k ^T+Q_k-1

H_k＝P_k＝P_∞

在图像滑动过程中，针对不同的噪声分布自适应选择不同的滤波算子来达到更好的滤波效果，每个像素点滤波后的值为重叠像素的均值，避免了图像边缘以及滑动窗口边缘对噪声点的误判；

噪声的统计分布可以分为以上几点，体现在图像上为：

图像邻域的像素一般具有相似的像素值，相差较大或较小便有可能是异常值，即噪声点，因此首先统计邻域的像素值，求其像素值的均值，当某点处的像素值大于或小于其均值的2倍或1/2时，便判定为异常点，除此之外，上述异常点可能为图像内部的边缘，如人脸的轮廓和背景像素相差可能较大，但不是噪声点，因此需要继续统计异常点邻域内的像素分布，若在异常点的某一侧或两侧像素值变化较大，则归结为边缘点，便需要重叠像素求平均来计算滤波后该点处的像素值。

椒盐噪声：若异常点的分布体现为图像滑动窗口内的极大值或极小值，则调用上述中值滤波算子；

高斯噪声：若异常点的分布体现为图像滑动窗口内的高斯分布特点，则调用维纳滤器；

均匀分布噪声，体现为异常点的分布体现为图像滑动窗口内的均匀分布特点，则调用中点滤波器；

杂乱噪声：统计滑动窗口内的异常点分布，发现其没有什么规律，则调用卡尔曼滤波器；

基于上述实施例的高自由度滤波算法的调整方法，提出本发明的电子设备的各个实施例。关于上述的电子设备，如图5所示，图5是本发明一个实施例提供的电子设备500的示意图。本发明实施例的电子设备500包括一个或多个控制处理器510和存储器520，图5中以一个控制处理器510及一个存储器520为例。

控制处理器510和存储器520可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器520作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器520可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器520可选包括相对于控制处理器510远程设置的存储器520，这些远程存储器可以通过网络连接至该电子设备500。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本领域技术人员可以理解，图5中示出的结构并不构成对电子设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

在图5所示的电子设备500中，电子设备500可以用于调用存储器520中储存的高自由度滤波算法的调整方法的控制程序，以实现高自由度滤波算法的调整方法。

需要说明的是，本发明实施例的电子设备500可以手机、平板电脑、穿戴设备或者计算机等等电子设备。

由于本发明实施例的电子设备500能够执行如上述任一项实施例的高自由度滤波算法的调整方法，因此，本发明实施例的电子设备500具备如上述任一项实施例的高自由度滤波算法的调整方法所带来的技术效果，所以，本发明实施例的电子设备500的具体技术效果，可参照上述任一项实施例的高自由度滤波算法的调整方法的技术效果。

以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。

基于上述实施例的高自由度滤波算法的调整方法，提出本发明的计算机可读存储介质的实施例。

本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器510执行，例如，被图5中的一个控制处理器510执行，可使得上述一个或多个控制处理器510执行上述方法实施例中的高自由度滤波算法的调整方法，例如，执行以上描述的图1、图3或图4中的方法步骤。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims

1.一种高自由度滤波算法的调整方法，其特征在于，包括：

获取待滤波图像；

通过滑动窗口遍历所述待滤波图像；

计算出所述滑动窗口内的像素平均值；

统计所有所述图像噪音点的分布情况，并根据所述图像噪音点的分布情况选择不同的滤波算子；

所述根据所述图像噪音点的分布情况选择不同的滤波算子，包括如下之一：

当所述图像噪音点的分布不体现为所述滑动窗口内的极大值或极小值、高斯分布特点或者均匀分布特点，调用卡尔曼滤波算子；

其中，推导公式如下：

将：

其中，为校正后状态变量的估计误差的均方值；/>为k-1时刻处校正后状态变量的估计误差的均方值；/>为增益矩阵；/>为增益矩阵转置矩阵；/>为k-1时刻处过程噪音的协方差矩阵；/>为校正后状态变量的估计误差的均方值在稳态下的值。

2.根据权利要求1所述的高自由度滤波算法的调整方法，其特征在于，在所述通过滑动窗口遍历所述待滤波图像之前，所述方法还包括：

3.根据权利要求1所述的高自由度滤波算法的调整方法，其特征在于，还包括：

4.根据权利要求1所述的高自由度滤波算法的调整方法，其特征在于，所述图像噪音点的分布情况包括如下之一：均匀分布情况、高斯分布情况、极大极小值分布情况。

5.根据权利要求1所述的高自由度滤波算法的调整方法，其特征在于，所述选择不同的滤波算子，包括：

6.根据权利要求1所述的高自由度滤波算法的调整方法，其特征在于，所述第一预设倍数为2倍，所述第二预设倍数为1/2倍。

7.根据权利要求1所述的高自由度滤波算法的调整方法，其特征在于，所述预设值为5。

8.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的高自由度滤波算法的调整方法。

9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的高自由度滤波算法的调整方法。