CN112488959B - 基于动态随机共振的cmos图像传感器信号去噪方法 - Google Patents
基于动态随机共振的cmos图像传感器信号去噪方法 Download PDFInfo
- Publication number
- CN112488959B CN112488959B CN202011485936.XA CN202011485936A CN112488959B CN 112488959 B CN112488959 B CN 112488959B CN 202011485936 A CN202011485936 A CN 202011485936A CN 112488959 B CN112488959 B CN 112488959B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- signal
- stochastic resonance
- normalized
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001419 dependent effect Effects 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 239000000654 additive Substances 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于动态随机共振的CMOS图像传感器信号去噪方法。本发明如下:1、对初始图像进行归一化处理,得到归一化图像。步骤2、图像块噪声方差的估计。步骤3、将各二维图像块降维为一维的序列信号。步骤4、迭代更新序列信号。步骤5、用步骤4所得的各像素点对应的结果序列分别确定去噪后图像中对应像素点的归一化数值,从而获得去噪后图像。本发明通过改进的郎之万方程,优化最优随机共振的系统参数的值,并将其应用到信号依赖噪声图像去噪领域。本发明通过改进的最优系统参数的值,可以根据估计的噪声参数自适应计算随机共振的系统参数,实现动态随机共振进行图像去噪,降低随机共振图像去噪的时间复杂度。
Description
技术领域
本发明涉及计算机图像处理技术领域,具体涉及一种基于动态随机共振的CMOS图像传感器信号依赖噪声去除方法。
背景技术
图像作为人类认识世界,了解世界,改变世界的一种重要工具,在与人类日常生活相关的各种领域得到了广泛运用。但是,在CMOS图像传感器采集过程中会不可避免地会产生噪声,其中两个突出的噪声源是热噪声和光子噪声,热噪声建模为加性高斯白噪声,光子噪声建模为信号依赖噪声。将图像的噪声建模为信号依赖噪声对研究图像去噪算法非常重要。
目前使用随机共振对图像去噪主要可以分为两类:一类是通过外加高斯白噪声驱动随机共振。但这种方法无法保证外加的高斯噪声能正好驱动随机共振,需要不断地迭代加入不同标准差的高斯噪声来获得最优的图像,所以使用这类方法进行图像去噪需要花费大量的时间。另一类利用图像内部噪声驱动随机共振,并没有对图像的噪声模型进行具体的考虑,通常将噪声建模为加性高斯白噪声。因此,提出一种降低时间复杂度和考虑实际的噪声模型对改进图像去噪算法非常重要。
发明内容
本发明提供了一种基于动态随机共振的CMOS图像传感器信号依赖噪声去除方法,通过改进的郎之万方程,计算出最优随机共振的系统参数的值可以由信号依赖噪声的噪声强度唯一确定,最终根据估计的高斯-高斯噪声模型的噪声参数,自适应计算随机共振的系统参数,实现动态随机共振进行图像去噪。
一种基于动态随机共振的CMOS图像传感器信号依赖噪声去除方法,步骤如下:
步骤1、对初始图像进行归一化处理,得到归一化图像。
步骤2、在归一化图像中取若干个低秩补丁;用各个低秩补丁确定归一化图像的信号依赖噪声参数。归一化图像中每个像素点均对应设置一个二维图像块。根据归一化图像的信号依赖噪声参数来确定每个二维图像块的信号依赖噪声方差σnoise和加性高斯白噪声方差σD。将归一化图像中各二维图像块的信号依赖噪声方差σnoise和加性高斯白噪声方差σD分别代入到式(5)中,分别求得每个二维图像块的系统参数a和b的值。
其中,fs为周期信号的固有频率;σnoise为信号依赖噪声方差;σD为加性高斯白噪声方差。
步骤3、将各二维图像块降维为一维的序列信号。
步骤4、将每个像素点对应的序列信号进行迭代更新如式(6)所示。
其中,x(n+1)为迭代后的结果序列信号,x1(n)为迭代前的序列信号,k1、k2、k3、k4分别为时间起始点、两个中间点、终止点的斜率。n为循环执行的次数。
步骤5、用步骤4所得的各像素点对应的结果序列分别确定去噪后图像中对应像素点的归一化数值,从而获得去噪后图像。
作为优选,确定系统参数a和b表达式(5)的过程如下:
①.建立信号依赖噪声驱动的双稳态系统模型如式(1)所示:
其中,x表示粒子的位移;t表示时间;a和b表示双稳态系统的两个系统参数;f(t)=Acos(ωst)表示外部的周期信号;f(t)ξ(t)+η(t)表示系统输入的噪声项;ξ(t)是高斯白噪声;η(t)是高斯白噪声;
②.将郎之万方程在Kramers-Moyal展开后得到的F-P方程,计算修正后的势函数U(x)如式(2)所示;
其中,ωs为周期信号的固有角频率。
根据修正后的势函数,计算系统的转移速率;
首先修正的势函数计算平均首通时间T(x0→xc)的近似表达式如式(3)所示:
将系统转移速率R(t)近似为如式(4)所示:
根据系统转移速率R(t),推导求得输出信号和噪声的功率谱密度;
根据推导得到的信号和噪声的功率谱密度,计算系统输出的最大信噪比。结合依据随机共振产生的条件,求得随机共振对图像去噪时最优的系统参数a和b的值如式(5)所示;
作为优选,步骤4中取结果序列的最后一个值为去噪后图像中对应像素点的归一化数值。
作为优选,步骤1中归一化图像的像素值其中,I(i,j)表示初始图像的灰度值,min和max分别表示初始图像的最小灰度值、最大灰度值。
作为优选,低秩补丁均为5×5的图像块。二维图像块的尺寸为5×5。
作为优选,步骤3中,单个二维图像块进行降维的具体过程如下:
3.1、从二维图像块的第一行的第一个像素值开始扫描,直到扫描到第一行的最后一个像素值结束。
3.2、从完成扫描的像素行的下一行第一个像素值开始扫描,直至扫描完本行的最后一个像素值结束。
3.3、重复步骤5.2,直到扫描完二维图像块的最后一个像素值。
与现有的技术相比,本发明的有益效果是:
1、本发明提出了一种基于动态随机共振的CMOS图像传感器信号相关噪声去除算法,通过改进的郎之万方程,优化最优随机共振的系统参数的值,并将其应用到信号依赖噪声图像去噪领域。
2、本发明通过改进的最优系统参数的值,可以根据估计的噪声参数自适应计算随机共振的系统参数,实现动态随机共振进行图像去噪,降低随机共振图像去噪的时间复杂度。
3、本发明通过考虑信号依赖噪声模型,使得改机的随机共振去噪算法适合实际的图像传感器信号的去噪,提高算法的实用性。
具体实施方式:
下面将结合具体实施例对本发明进行详细说明。本发明基于动态随机共振的CMOS图像传感器信号依赖噪声去除方法主要步骤为:
步骤1、建立信号依赖噪声驱动的双稳态系统模型如式(1)所示:
其中,x表示粒子的位移;t表示时间;a和b表示双稳态系统的两个系统参数;f(t)=Acos(ωst)表示外部的周期信号;f(t)ξ(t)+η(t)表示系统输入的噪声项;ξ(t)是均值为零,强度为2Q的加性高斯白噪声;η(t)是均值为零,强度为2D的高斯白噪声;ξ(t)和η(t)的统计特性如下表示<ξ(t)>=<η(t)>=0,<ξ(t)ξ'(t)>=2Qδ(t-t'),<η(t)η'(t)>=2Dδ(t-t')由此可知信号依赖噪声Y(t)=f(t)ξ(t)的统计特性为<Y(t)>=0,<Y(t)Y'(t)>=2Q(Acosωst)2δ(t-t')。
步骤2、根据双稳态系统模型,计算最优系统参数的值,具体如下:
2.1、将郎之万方程在Kramers-Moyal展开后得到的F-P方程,计算修正后的势函数U(x)如式(2)所示;
其中,ωs为周期信号的固有角频率。
2.2、根据修正后的势函数,计算系统的转移速率;
首先修正的势函数计算平均首通时间T(x0→xc)的近似表达式如式(3)所示:
而系统转移速率R(t)和平均首通时间表现是倒数关系,又因为小信号条件,且周期性信号cosωst恒小于或等于1,故将Acosωst的取值设定为A来简化运算,把系统转移速率R(t)近似为如式(4)所示:
2.3、根据系统转移速率R(t),推导求得输出信号和噪声的功率谱密度;
2.4、根据推导得到的信号和噪声的功率谱密度,计算系统输出的最大信噪比。结合依据随机共振产生的条件,求得随机共振对图像去噪时最优的系统参数a和b的值如式(5)所示;
其中,fs为周期信号的固有频率;σnoise为信号依赖噪声方差;σD为加性高斯白噪声方差。
结果显示,最优系统参数a和b的值由信号相关噪声的噪声参数确定。
步骤3、将随机共振应用到图像去噪中,对初始的灰度图像进行归一化处理,满足随机共振的小信号要求;
式中,I(i,j)、N(i,j)分别表示初始图像的灰度值、变换后图像的归一化灰度值,min和max分别表示原图像的最小灰度值、最大灰度值。
步骤4、图像块噪声方差的估计。在步骤三归一化之后的图像中取若干个低秩补丁;每个低秩补丁均为5×5的图像块,且选择在图像中颜色变化较小的区域。此时,假设低秩补丁内相邻点间原图的像素近似相等。
用各个低秩补丁估计的局部均值和局部噪声方差来估计整个图像的信号依赖噪声参数。之后,以归一化图像中每个像素点为中心,分别建立划出5×5的二维图像块。
根据图像的信号依赖噪声参数来确定每个二维图像块的信号依赖噪声方差σnoise和加性高斯白噪声方差σD。将归一化图像中各二维图像块的信号依赖噪声方差σnoise和加性高斯白噪声方差σD代入到式(5)中,求得各像素点对应的二维图像块的系统参数a和b的值。
步骤5、使用行扫描方法,将步骤4中每个像素点所对应的二维图像块分别降维为一维的序列信号;对单个二维图像块进行降维的具体过程如下:
5.1、从二维图像块的第一行的第一个像素值开始扫描,直到扫描到第一行的最后一个像素值结束。
5.2、再从完成扫描的那个像素的下一行第一个像素值开始扫描,直至扫描完本行的最后一个像素值结束。
5.3、重复步骤5.2的步骤直到扫描完二维图像的最后一个像素值。
步骤6、将每个像素点对应的一维序列信号x1分别输入到随机共振系统中,应用四阶龙格库塔算法计算得到输出当前像素去噪后的结果序列为x(n+1)如式(6)所示。
其中,k1、k2、k3、k4分别为时间起始点、两个中间点、终止点的斜率。n为循环执行的次数;x1(n)为归一化之后的图像。
步骤7、将图像中每个像素点步骤6所得的结果序列来确定去噪后图像中对应像素点的归一化数值,从而得到去噪后的归一化图像;去噪后的归一化图像的每个像素点均乘以255,得到去噪灰度图。本实施例中,取结果序列的最后一个值为去噪后图像中对应像素点的归一化数值。
Claims (5)
1.基于动态随机共振的CMOS图像传感器信号去噪方法,其特征在于:步骤1、对初始图像进行归一化处理,得到归一化图像;
步骤2、在归一化图像中取若干个低秩补丁;低秩补丁均为5×5的图像块;二维图像块的尺寸为5×5;用各个低秩补丁确定归一化图像的信号依赖噪声参数;归一化图像中每个像素点均对应设置一个二维图像块;根据归一化图像的信号依赖噪声参数来确定每个二维图像块的信号依赖噪声方差σnoise和加性高斯白噪声方差σD;将归一化图像中各二维图像块的信号依赖噪声方差σnoise和加性高斯白噪声方差σD分别代入到式(5)中,分别求得每个二维图像块的系统参数a和b的值;
其中,fs为周期信号的固有频率;σnoise为信号依赖噪声方差;σD为加性高斯白噪声方差;
步骤3、将各二维图像块降维为一维的序列信号;
步骤4、将每个像素点对应的序列信号进行迭代更新如式(6)所示;
其中,x(n+1)为迭代后的结果序列信号,x1(n)为迭代前的序列信号,k1、k2、k3、k4分别为时间起始点、两个中间点、终止点的斜率;n为循环执行的次数;
步骤5、用步骤4所得的各像素点对应的结果序列分别确定去噪后图像中对应像素点的归一化数值,从而获得去噪后图像。
2.根据权利要求1所述的基于动态随机共振的CMOS图像传感器信号去噪方法,其特征在于:确定系统参数a和b表达式(5)的过程如下:
①.建立信号依赖噪声驱动的双稳态系统模型如式(1)所示:
其中,x表示粒子的位移;t表示时间;a和b表示双稳态系统的两个系统参数;f(t)=Acos(ωst)表示外部的周期信号;f(t)ξ(t)+η(t)表示系统输入的噪声项;ξ(t)是高斯白噪声;η(t)是高斯白噪声;
②.将郎之万方程在Kramers-Moyal展开后得到的F-P方程,计算修正后的势函数U(x)如式(2)所示;
其中,ωs为周期信号的固有角频率;
根据修正后的势函数,计算系统的转移速率;
首先修正的势函数计算平均首通时间T(x0→xc)的近似表达式如式(3)所示:
将系统转移速率R(t)近似为如式(4)所示:
根据系统转移速率R(t),推导求得输出信号和噪声的功率谱密度;
根据推导得到的信号和噪声的功率谱密度,计算系统输出的最大信噪比;结合依据随机共振产生的条件,求得随机共振对图像去噪时最优的系统参数a和b的值如式(5)所示。
3.根据权利要求1所述的基于动态随机共振的CMOS图像传感器信号去噪方法,其特征在于:步骤4中取结果序列的最后一个值为去噪后图像中对应像素点的归一化数值。
4.根据权利要求1所述的基于动态随机共振的CMOS图像传感器信号去噪方法,其特征在于:步骤1中归一化图像的像素值其中,I(i,j)表示初始图像的灰度值,min和max分别表示初始图像的最小灰度值、最大灰度值。
5.根据权利要求1所述的基于动态随机共振的CMOS图像传感器信号去噪方法,其特征在于:步骤3中,单个二维图像块进行降维的具体过程如下:
3.1、从二维图像块的第一行的第一个像素值开始扫描,直到扫描到第一行的最后一个像素值结束;
3.2、从完成扫描的像素行的下一行第一个像素值开始扫描,直至扫描完本行的最后一个像素值结束;
3.3、重复步骤3.2,直到扫描完二维图像块的最后一个像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485936.XA CN112488959B (zh) | 2020-12-16 | 2020-12-16 | 基于动态随机共振的cmos图像传感器信号去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485936.XA CN112488959B (zh) | 2020-12-16 | 2020-12-16 | 基于动态随机共振的cmos图像传感器信号去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488959A CN112488959A (zh) | 2021-03-12 |
CN112488959B true CN112488959B (zh) | 2024-02-09 |
Family
ID=74918080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485936.XA Active CN112488959B (zh) | 2020-12-16 | 2020-12-16 | 基于动态随机共振的cmos图像传感器信号去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488959B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794436A (zh) * | 2010-03-23 | 2010-08-04 | 杭州电子科技大学 | 基于双稳态随机共振机制的灰度图像复原方法 |
CN108230280A (zh) * | 2018-04-11 | 2018-06-29 | 哈尔滨工业大学 | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 |
CN108550116A (zh) * | 2018-03-12 | 2018-09-18 | 西安理工大学 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
CN108694706A (zh) * | 2018-07-21 | 2018-10-23 | 罗杰敏 | 一种视频图像去噪系统 |
-
2020
- 2020-12-16 CN CN202011485936.XA patent/CN112488959B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794436A (zh) * | 2010-03-23 | 2010-08-04 | 杭州电子科技大学 | 基于双稳态随机共振机制的灰度图像复原方法 |
CN108550116A (zh) * | 2018-03-12 | 2018-09-18 | 西安理工大学 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
CN108230280A (zh) * | 2018-04-11 | 2018-06-29 | 哈尔滨工业大学 | 基于张量模型与压缩感知理论的图像斑点噪声去除方法 |
CN108694706A (zh) * | 2018-07-21 | 2018-10-23 | 罗杰敏 | 一种视频图像去噪系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112488959A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859147B (zh) | 一种基于生成对抗网络噪声建模的真实图像去噪方法 | |
CN111062880B (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
CN112288632B (zh) | 基于精简esrgan的单图像超分辨率方法及系统 | |
CN110060219B (zh) | 一种基于低秩近似的真实图降噪方法 | |
CN112270654A (zh) | 基于多通道gan的图像去噪方法 | |
CN112991199B (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN114746895A (zh) | 用于图像去噪的噪声重构 | |
CN114972107A (zh) | 基于多尺度堆叠式注意力网络的低照度图像增强方法 | |
CN103402042A (zh) | 基于分块式误差扩散的半色调图像生成方法 | |
CN112991198A (zh) | 一种基于噪声建模的盲去噪方法 | |
CN111489305B (zh) | 基于强化学习的图像增强方法 | |
CN112598602A (zh) | 一种基于掩码的深度学习视频去摩尔纹方法 | |
CN105184742B (zh) | 一种基于拉普拉斯图特征向量的稀疏编码的图像去噪方法 | |
CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
Onur | Improved image denoising using wavelet edge detection based on Otsu’s thresholding | |
CN112488959B (zh) | 基于动态随机共振的cmos图像传感器信号去噪方法 | |
CN117593235B (zh) | 基于深度CNN去噪先验的Retinex变分水下图像增强方法和装置 | |
Xiao et al. | Deep neural inverse halftoning | |
CN117670733A (zh) | 一种基于小波谱学习的低光照图像增强方法 | |
CN109544593B (zh) | 一种基于自相似度量的通用图像噪声估计方法 | |
CN111489306A (zh) | 基于强化学习的图像去噪方法 | |
CN115829870A (zh) | 一种基于可变尺度滤波的图像去噪方法 | |
CN109284769B (zh) | 一种基于量化参数的水下图像自适应分类方法 | |
CN115082296A (zh) | 一种基于小波域图像生成框架的图像生成方法 | |
Ma et al. | A novel non-reference image quality assessment algorithm |
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 |