CN112862708B - 图像噪声的自适应识别方法、传感器芯片以及电子设备 - Google Patents

Abstract

本发明实施例提供了一种图像噪声的自适应识别方法、传感器芯片以及电子设备，涉及图像处理技术领域。图像噪声的自适应识别方法包括：获取采集的原始图像的图像数据；根据图像数据，得到原始图像的边缘特征信息；基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域。本发明中，能够在保证噪声识别的高准确率的同时，平衡识别的复杂度与处理速度。

Description

图像噪声的自适应识别方法、传感器芯片以及电子设备

技术领域

本发明涉及图像处理技术领域，具体涉及一种图像噪声的自适应识别方法、传感器芯片以及电子设备。

背景技术

宇宙射线是来自宇宙空间的各种高能粒子，主要包括质子和各种粒子。宇宙射线在电荷耦合(Charge Coupled Devices，简称CCD)等阵列探测器上被接收探测到后，会使得CCD阵列探测器所得图像上的相应像素位置的灰度值明显高于周围的像素点的灰度值，并且是在时间和空间上的分布均为无规律的随机事件。阵列探测器(例如为相机)的曝光/积分时间越长，相机的传感器芯片面积尺寸越大，所采得的图像数据上出现宇宙射线干扰的概率以及数目就越高。

在对相机拍摄的观测图像进行预处理时，宇宙射线噪声会产生较强的干扰作用，例如降低天文、生物医学等图像的压缩效率，干扰图像显示的对比度自动拉伸以及图像的自动识别处理等。

目前，常用的宇宙射线噪声的识别处理方法有多帧图像对比、中值滤波、强度阈值识别、边缘锐度阈值识别、Laplacian边缘检测算子处理等。

然而，多帧图像对比时，需要有对同一目标信号相同条件下所采得的多幅图像，对于常见的单幅图像数据的情形则完全无法使用；中值滤波的处理速度较慢、误判概率较大，且无法应对高能宇宙射线产生的多像素噪声；强度阈值识别与边缘锐度阈值识别都存在无法确定合适阈值的问题；Laplacian边缘检测算法则过于复杂，处理时间太长。

发明内容

本发明的目的在于提供一种图像噪声的自适应识别方法、传感器芯片以及电子设备，能够在保证噪声识别的高准确率的同时，平衡识别的复杂度与处理速度。

为实现上述目的，本发明提供了一种图像噪声的自适应识别方法，包括：获取采集的原始图像的图像数据；根据图像数据，得到原始图像的边缘特征信息；基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域。

本发明还提供了一种传感器芯片，用于执行上述的图像噪声的自适应识别方法。

本发明还提供了一种电子设备，包括上述的传感器芯片。

本发明相对于现有技术而言，在采集原始图像后，先获取该原始图像的图像数据，然后根据图像数据，得到原始图像的边缘特征信息，继而能够基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域；即能够基于单幅原始图像实现噪声识别，无需多幅原始图像的对比，实现了对动态变化的图像数据的处理，从而能够在保证噪声识别的准确率的同时，平衡识别的复杂度与处理速度。并且，边缘特征信息来源于原始图像本身，使得噪声识别的判断标准更加客观，无需人工介入，减少了人为因素对噪声识别的干扰，提升了噪声识别的自动化程度。

在一实施例中，根据图像数据，得到原始图像的边缘特征信息，包括：对图像数据进行二维差分，得到原始图像的二维差分数据；生成二维差分数据的灰度直方图，并根据二维差分数据的灰度直方图，确定原始图像的边缘特征信息。本实施例提供了根据图像数据，得到原始图像的边缘特征信息的一种具体实现方式。

在一实施例中，根据二维差分数据的灰度直方图，确定原始图像的边缘特征信息，包括：从灰度直方图中选取像素个数最多的第一灰度值，并从灰度直方图中选取像素个数为0的至少一个第二灰度值；分别计算第一灰度值与各第二灰度值的差值的绝对值，并将数值最大的绝对值乘与预设系数的乘积作为原始图像的边缘差分阈值；边缘特征信息为边缘差分阈值。本实施例提供了根据二维差分数据的灰度直方图，确定原始图像的边缘特征信息的一种具体实现方式。

在一实施例中，从灰度直方图中选取像素个数为0的至少一个第二灰度值，包括：在灰度直方图中，以第一灰度值为起点在第一灰度值两侧搜索像素个数为0的目标灰度值作为第二灰度值，目标灰度值为搜索到的第一个像素个数为0的灰度值。本实施例中，只需两个第二灰度值参与计算，能够减少运算量；同时，由于选取了与第一灰度值距离最近的两个第二灰度值，避免后续计算得到的边缘差分阈值过大，保证了准确度。

在一实施例中，基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域，包括：在原始图像的每个扫描方向上对图像数据进行一维差分，得到原始图像在各扫描方向上多个一维差分数据；扫描方向包括原始图像的横向与纵向；基于边缘差分阈值，对各扫描方向上的一维差分数据进行扫描，得到各一维差分数据中所包含的噪声区域。本实施例中，提供了识别噪声区域的一种具体实现方式；其中，在对原始图像的图像数据进行扫描时，会同时在原始图像的横向以及纵向进行扫描，从而在宇宙射线能量很强并且存在一定角度斜入射在原始图像上产生一串横向或者纵向相邻噪点像素时，仍然能够具有较好的噪声识别效果。

在一实施例中，基于边缘差分阈值，对各扫描方向上的一维差分数据进行扫描，得到各一维差分数据中所包含的噪声区域，包括：对于每个扫描方向上的一维差分数据，沿扫描方向遍历一维差分数据中的每个像素；判断当前像素的像素值是否大于边缘差分阈值或者小于边缘差分阈值的相反数；若当前像素的像素值大于边缘差分阈值，则将当前像素的坐标值作为起始坐标；若当前像素的像素值小于边缘差分阈值的相反数，则将当前像素的坐标值作为终点坐标；对于各一维差分数据中的每个起始坐标，将起始坐标与位于起始坐标右侧且与起始坐标相邻的终点坐标之间所形成的区域作为一个噪声区域。本实施例提供了基于边缘差分阈值，对各扫描方向上的一维差分数据进行扫描，得到各一维差分数据中所包含的噪声区域的一种具体实现方式。

在一实施例中，在对于各一维差分数据中的每个起始坐标，将起始坐标与位于起始坐标右侧且与起始坐标相邻的终点坐标之间所形成的区域作为一个噪声区域之后，还包括：对于每个一维差分数据，若任一起始坐标右侧不存在终点坐标，则将任一起始坐标与任一起始坐标所属的一维差分数据的最后一个像素的坐标之间的区域作为一个噪声区域。本实施例中，能够对宇宙射线干扰出现在原始图像右端像素的情况进行识别，提升了噪声识别的准确率。

在一实施例中，在对于各一维差分数据中的每个起始坐标，将起始坐标与位于起始坐标右侧且与起始坐标相邻的终点坐标之间所形成的区域作为一个噪声区域之后，还包括：对于每个一维差分数据，若任一终点坐标左侧不存在起始坐标，则将任一终点坐标与任一终点坐标所属的一维差分数据的第一个像素的坐标之间的区域作为一个噪声区域。本实施例中，能够对宇宙射线干扰出现在原始图像左端像素的情况进行识别，提升了噪声识别的准确率。

在一实施例中，在基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域之后，还包括：对于每个噪声区域，判断噪声区域的尺寸是否大于预设的尺寸阈值，若噪声区域的尺寸大于预设的尺寸阈值，则从原始图像所包含的噪声区域中去除尺寸大于预设的尺寸阈值的噪声区域。本实施例中，增加了对噪声区域尺寸的判断，在一定程度上避免了饱和溢出区域被误判为噪声区域以及斜入射高能宇宙射线造成的多像素噪声被误判的情况。

在一实施例中，尺寸阈值为1。本实施例中，设置尺寸阈值为1，以适应宇宙射线的干扰集中在一到两个像素中的特性，进一步减小了饱和溢出区域被误判为噪声区域以及斜入射高能宇宙射线造成的多像素噪声被误判的情况。

附图说明

图1是根据本发明第一实施例中的图像噪声的自适应识别方法的具体流程图；

图2是根据本发明第二实施例中的图像噪声的自适应识别方法的具体流程图；

图3是图2中的图像噪声的自适应识别方法的子步骤2022的具体流程图；

图4是根据本发明第三实施例中的图像噪声的自适应识别方法的具体流程图；

图5是图4中的图像噪声的自适应识别方法的子步骤3032的具体流程图；

图6是根据本发明第四实施例中的图像噪声的自适应识别方法的具体流程图。

具体实施例

以下将结合附图对本发明的各实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质精神。

在下文的描述中，出于说明各种公开的实施例的目的阐述了某些具体细节以提供对各种公开实施例的透彻理解。但是，相关领域技术人员将认识到可在无这些具体细节中的一个或多个细节的情况来实践实施例。在其它情形下，与本申请相关联的熟知的装置、结构和技术可能并未详细地示出或描述从而避免不必要地混淆实施例的描述。

除非语境有其它需要，在整个说明书和权利要求中，词语“包括”和其变型，诸如“包含”和“具有”应被理解为开放的、包含的含义，即应解释为“包括，但不限于”。

在整个说明书中对“一个实施例”或“一实施例”的提及表示结合实施例所描述的特定特点、结构或特征包括于至少一个实施例中。因此，在整个说明书的各个位置“在一个实施例中”或“在一实施例”中的出现无需全都指相同实施例。另外，特定特点、结构或特征可在一个或多个实施例中以任何方式组合。

如该说明书和所附权利要求中所用的单数形式“一”和“”包括复数指代物，除非文中清楚地另外规定。应当指出的是术语“或”通常以其包括“和/或”的含义使用，除非文中清楚地另外规定。

在以下描述中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“上”、“下”等词语理解为方便用语，而不应当理解为限定性词语。

本发明第一实施例涉及一种图像噪声的自适应识别方法，应用于电子设备中的传感器芯片，电子设备例如生物医疗影像装置、电脑等，传感器芯片则为相机等。

本实施例的图像噪声的自适应识别方法的具体流程如图1所示。

步骤101，获取采集的原始图像的图像数据。

具体而言，对于采集的原始图像来说，其中包括多个像素，多个像素的像素值形成了该原始图像的图像数据，即该图像数据为一个矩阵，该矩阵中的每个元素为原始图像上的像素的像素值，每个元素在矩阵中的位置与该元素所对应的像素在原始图像上的位置相同。其中，像素的像素值可以为该像素的灰度值，若原始图像为RGB图像，则可以将各像素的RGB值转换为灰度值。

步骤102，根据图像数据，得到原始图像的边缘特征信息。

具体而言，基于原始图像的图像数据矩阵中各个元素的灰度值，通过图像数据矩阵中灰度值的对比，能够得到原始图像的边缘特征信息。

步骤103，基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域。

具体而言，基于原始图像的边缘特征信息对图像数据矩阵中的各个像素进行分析，得到被宇宙射线噪声所干扰的像素，继而能够基于得到的被宇宙射线噪声所干扰的像素，确定出原始图像上被宇宙射线噪声所干扰的噪声区域。另外，在识别出原始图像上的噪声区域后，还可以采用预设的噪声处理算法对各噪声区域作进一步的处理。

在本实施例中，在采集原始图像后，先获取该原始图像的图像数据，然后根据图像数据，得到原始图像的边缘特征信息，继而能够基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域；即能够基于单幅原始图像实现噪声识别，无需多幅原始图像的对比，实现了对动态变化的图像数据的处理，从而能够在保证噪声识别的准确率的同时，平衡识别的复杂度与处理速度。并且，边缘特征信息来源于原始图像本身，使得噪声识别的判断标准更加客观，无需人工介入，减少了人为因素对噪声识别的干扰，提升了噪声识别的自动化程度。

本发明第二实施例涉及一种图像噪声的自适应识别方法，第二实施例相对于第一实施例来说：提供了根据图像数据，得到原始图像的边缘特征信息的一种具体实现方式。

本实施例的图像噪声的自适应识别方法的具体流程如图2所示。

步骤201，获取采集的原始图像的图像数据。与第一实施例中的步骤101大致相同，在此不再赘述。

步骤202，包括以下子步骤：

子步骤2021，对图像数据进行二维差分，得到原始图像的二维差分数据。

具体而言，由前述可知，原始图像的图像数据为一个矩阵，该矩阵中的每个元素为原始图像上的像素的像素值；对该图像数据矩阵进行二维差分时，可以根据二维差分的公式，计算得到得到原始图像的二维差分数据，该二维差分数据即为一个二维差分矩阵。二维差分的公式可以为：

p[i][j]＝a[i][j]-a[i-1][j]-a[i][j-1]+a[i-1][j-1]

其中，p[i][j]表示二维差分矩阵中第i行、第j列的像素，a[i][j]表示图像数据矩阵中第i行、第j列的像素，a[i-1][j]表示图像数据矩阵中第i-1行、第j列的像素，a[i][j-1]表示图像数据矩阵中第i行、第j-1列的像素，a[i-1][j-1]表示图像数据矩阵中第i-1行、第j-1列的像素。

子步骤2022，生成二维差分数据的灰度直方图，并根据二维差分数据的灰度直方图，确定原始图像的边缘特征信息。

请参考图3，子步骤2022包括以下子步骤：

子步骤20221，生成二维差分数据的灰度直方图，从灰度直方图中选取像素个数最多的记作第一灰度值，并从灰度直方图中选取像素个数为0的至少一个第二灰度值。

具体而言，灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计，其是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。本实施例中，在获取了表示二维差分数据的二维差分矩阵后，根据二维差分矩阵中的像素的灰度值，生成二维差分数据的灰度直方图。

在灰度直方图中，横坐标表示灰度值，纵坐标表示像素个数，从二维差分数据的灰度直方图选取像素个数最多的灰度值记作第一灰度值，然后在选取像素个数为0的至少一第二灰度值，即选取纵坐标值最大所对应的横坐标值作为第一灰度值，纵坐标值为0所对应的横坐标值记作第二灰度值。

在一个例子中，在生成了灰度直方图后，可以先对灰度直方图作平滑处理，再从平滑处理后的灰度直方图中从灰度直方图中选取像素个数最多的记作第一灰度值，并选取像素个数为0的至少一个第二灰度值，能够去除减少灰度直方图上的噪声或者失真。

子步骤20222，分别计算第一灰度值与各第二灰度值的差值的绝对值，并将数值最大的绝对值与预设系数的乘积作为原始图像的边缘差分阈值；边缘特征信息为边缘差分阈值。

具体而言，分别计算第一灰度值与各第二灰度值的差值并取绝对值，选取最大的绝对值乘以预设系数，得到一个边缘差分阈值，该边缘差分阈值即为原始图像的边缘特征信息。其中，预设系数大于1，预设系数可以由人工设定，或者基于预设的算法，结合原始图像的图像数据与灰度直方图得到。

在一个例子中，在步骤20221中，从灰度直方图中选取像素个数为0的至少一个第二灰度值时，可以采用以下方式：在灰度直方图中，以第一灰度值为起点在第一灰度值两侧搜索像素个数为0的目标灰度值作为第二灰度值，目标灰度值为搜索到的第一个像素个数为0的灰度值，只需两个第二灰度值参与计算，能够减少运算量；同时，由于选取了与第一灰度值距离最近的两个第二灰度值，避免后续计算得到的边缘差分阈值过大，保证了准确度。具体来说，在选取了第一灰度值D_m后，在横坐标轴上，以第一灰度值D_m所在的位置为起点，朝向第一灰度值D_m的两侧搜索像素个数为0的灰度值，并将两个方向搜索到第一个像素个数为0的灰度值作为第二灰度值，此时能够搜寻得到两个灰度值，记第一灰度值D_m左侧的第二灰度值为D_-M、第一灰度值D_m右侧的第二灰度值为D_+M。

然后执行子步骤20222，分别计算第一灰度值D_m与第二灰度值为D_-M以及第二灰度值为D_+M的差值并取绝对值，选取二者中最大的绝对值D_mM乘以预设系数，得到一个边缘差分阈值，该边缘差分阈值即为原始图像的边缘特征信息。

步骤203，基于原始图像的边缘特征信息与图像数据，确定出原始图像中的噪声区域。与第一实施例中的步骤103大致相同，在此不再赘述。

本实施例相对于第一实施例而言，提供了根据图像数据，得到原始图像的边缘特征信息的一种具体实现方式。

本发明第三实施例涉及一种图像噪声的自适应识别方法，第三实施例相对于第二实施例来说：提供了识别噪声区域的一种具体实现方式。

本实施例的图像噪声的自适应识别方法的具体流程如图4所示。

步骤301，获取采集的原始图像的图像数据。与第一实施例中的步骤101大致相同，在此不再赘述。

步骤302，包括以下子步骤：

子步骤3021，对图像数据进行二维差分，得到原始图像的二维差分数据。与第二实施例中子步骤2021大致相同，在此不再赘述。

子步骤3022，生成二维差分数据的灰度直方图，并根据二维差分数据的灰度直方图，确定原始图像的边缘特征信息。与第二实施例中子步骤2022大致相同，在此不再赘述。

子步骤3022包括以下子步骤：

子步骤30221，生成二维差分数据的灰度直方图，从灰度直方图中选取像素个数最多的记作第一灰度值，并从灰度直方图中选取像素个数为0的至少一个第二灰度值。

子步骤30222，分别计算第一灰度值与各第二灰度值的差值的绝对值，并将数值最大的绝对值与预设系数的乘积作为原始图像的边缘差分阈值；边缘特征信息为边缘差分阈值。

步骤303，包括以下子步骤：

子步骤3031，在原始图像的每个扫描方向上对图像数据进行一维差分，得到原始图像在各扫描方向上多个一维差分数据；扫描方向包括原始图像的横向与纵向。

具体而言，扫描方向包括原始图像的横向与纵向，即在对原始图像进行的图像数据扫描时，分别沿原始图像的横向与纵向对图像数据矩阵进行一维差分，计算图像数据矩阵中各行与各列中每个像素的灰度值与前一个像素的灰度值的差值，得到图像数据矩阵各行与各列的一维差分数据。

子步骤3032，基于边缘差分阈值，对各扫描方向上的一维差分数据进行扫描，得到各一维差分数据中所包含的噪声区域。

请参考图5，子步骤3032，包括以下子步骤：

子步骤30321，对于每个扫描方向上的一维差分数据，沿扫描方向遍历一维差分数据中的每个像素。

子步骤30322，判断当前像素的像素值是否大于边缘差分阈值或者小于边缘差分阈值的相反数。若是，则进入子步骤30322；若否，则进入子步骤30324。

子步骤30323，将当前像素的坐标值作为起始坐标。

子步骤30324，将当前像素的坐标值作为终点坐标。

具体而言，在得到图像数据矩阵在横向与纵向上的一维差分数据之后，对每个扫描方向上的一维差分数据的像素进行遍历，逐像素查看每个一维差分数据中的像素的像素值(例如为灰度值)。对于正在遍历的一个差分数据中的当前像素，判断当前像素的灰度值是否大于边缘差分阈值或者小于边缘差分阈值的相反数。

一维差分数据中的每个像素的灰度值为其所对应的图像数据矩阵中该像素的灰度值与前一个像素的灰度值的差值；若当前像素的灰度值大于边缘差分阈值，则说明图像数据矩阵中该像素与其相邻的前一个像素之间出现了灰度值的上升，将当前像素的坐标值作为一个噪声区域的起始坐标；若当前像素的灰度值小于边缘差分阈值的相反数，则说明图像数据矩阵中该像素与其相邻的前一个像素之间出现了灰度值的下落，将当前像素的坐标值作为一个噪声区域的终点坐标。其中，当前像素的坐标值为其在所属的一维差分数据中的位置坐标。

子步骤30325，对于各一维差分数据中的每个起始坐标，将起始坐标与位于起始坐标右侧且与起始坐标相邻的终点坐标之间所形成的区域作为一个噪声区域。

具体而言，以原始图像的任意一个一维差分数据为例，将该一维差分数据中所包含的所有的起始坐标与终点坐标按顺序排列，将每个起始坐标与相邻的下一个终点坐标之间所形成的区域作为一个噪声区域，从而能够得到该一维差分数据中所包含的噪声区域，噪声区域所包含的像素即为被宇宙射线噪声所干扰的像素；由此，能够得到图像数据矩阵中被宇宙射线噪声所干扰的噪声区域。

在一个例子中，子步骤30325之后，还包括：

子步骤30326，对于每个一维差分数据，若任一起始坐标右侧不存在终点坐标，则将任一起始坐标与任一起始坐标所属的一维差分数据的最后一个像素的坐标之间的区域作为一个噪声区域。

具体而言，对于每个一维差分数据来说，若该一维差分数据在最后一到两个像素中存在起始坐标，但是该起始坐标的右侧不存在终点坐标，则说明该宇宙射线的干扰出现在一维差分数据的最后一到两个像素，此时将该起始坐标与该一维差分数据中最后一个像素的坐标之间所形成的区域作为噪声区域。本步骤能够对宇宙射线干扰出现在原始图像右端像素的情况进行识别，提升了噪声识别的准确率。

子步骤30327，对于每个一维差分数据，若任一终点坐标左侧不存在终点坐标，则将任一终点坐标与任一终点坐标所属的一维差分数据的第一个像素的坐标之间的区域作为一个噪声区域。

具体而言，对于每个一维差分数据来说，若该一维差分数据在前一到两个像素中存在起始坐标，但是该起始坐标的左侧不存在起始坐标，则说明该宇宙射线的干扰出现在一维差分数据的前一到两个像素，此时将该终点坐标与该一维差分数据中第一个像素的坐标之间所形成的区域作为噪声区域。本步骤能够对宇宙射线干扰出现在原始图像左端像素的情况进行识别，提升了噪声识别的准确率。

下面以扫描方向为原始图像的横向为例，对本实施例中的图像噪声的自适应识别方法进行说明，具体如下。另外，扫描方向为原始图像的纵向的情况与此类似，在此不再赘述。

对原始图像的图像数据矩阵逐行进行一维差分，得到图像数据矩阵每行所对应的一维差分数据。

设置r表示起始坐标、f表示终点坐标、宇宙射线的识别状态s，s的初始值为0，表示未受到宇宙射线的干扰；以其中任意一行的一维差分数据为例，对该一维差分数据进行逐像素的扫描，即依次读取该一维差分数据各像素的灰度值，用P_d[x]表示一维差分数据中第x个像素的灰度值、E_t表示边缘差分阈值，在读取了每个像素的灰度值后，判断P_d[x]是否大于E_t或小于-E_t；若P_d[x]＞E_t，则说明图像数据矩阵中该像素与其相邻的前一个像素之间出现了灰度值的上升，可能存在宇宙射线的干扰，设置r＝x为一个起始坐标，并设置识别状态s＝1；若P_d[x]＜-E_t，则说明图像数据矩阵中该像素与其相邻的前一个像素之间出现了灰度值的下落，可能存在宇宙射线的干扰，设置f＝x为一个终点坐标，并设置识别状态为s＝0。

其中，在扫描一维差分数据的前几个像素时，若任一像素的灰度值P_d[x1]小于-E_t，且s＝0，则说明图像数据矩阵中该像素可能存在宇宙射线的干扰，设置f＝x1为一个终点坐标，但是s＝0，即该像素之前并未出现灰度值的上升，此时可以设置r＝0，即将该一维差分数据的第一个像素作为一个起始坐标，从而r＝0与f＝x1之间所形成的区域可以作为一个噪声区域；在扫描一维差分数据的最后一个像素(设置该像素的坐标为x2)时，s＝1，则说明该像素之前某个像素(设置该像素对应的起始坐标r＝y)出现过灰度值的上升，即记录到了一个起始坐标，此时可以设置f＝x2，即将该一维差分数据的最后一个像素作为一个终点坐标，从而r＝y与f＝x2之间所形成的区域可以作为一个噪声区域。

按照上述方式完成一维差分数据的扫描后，能够得到该一维差分数据中所包含的所有起始坐标与终点坐标；然后，将每个起始坐标与相邻的下一个终点坐标之间形成的区域作为一个噪声区域，可以得到该一维差分数据中所包含的所有的噪声区域。

本实施例相对于第三实施例而言，提供了识别噪声区域的一种具体实现方式；其中，在对原始图像的图像数据进行扫描时，会同时在原始图像的横向以及纵向进行扫描，从而在宇宙射线能量很强并且存在一定角度斜入射在原始图像上产生一串横向或者纵向相邻噪点像素时，仍然能够具有较好的噪声识别效果。

本发明第四实施例涉及一种图像噪声的自适应识别方法，第四实施例相对于第一实施例来说：增加了对噪声区域的尺寸的判断。

本实施例的图像噪声的自适应识别方法的具体流程如图6所示。

其中，步骤401至步骤403与步骤101至步骤103大致相同，主要不同之处在于，增加了步骤404与步骤405，具体如下：

步骤404，对于每个噪声区域，判断噪声区域的尺寸是否大于预设的尺寸阈值。若是，则进入步骤405；若否，则直接结束。

步骤405，从原始图像所包含的噪声区域中去除尺寸大于预设的尺寸阈值的噪声区域。

具体而言，在得到原始图像所包含的噪声区域后，针对每个噪声区域，计算该噪声区域的尺寸w，噪声区域的尺寸w的计算方法可以为该噪声区域的终点坐标减去该噪声区域的起始坐标，然后判断噪声区域的尺寸w与预设的尺寸阈值C_w的大小关系；若噪声区域的尺寸w大于预设的尺寸阈值C_w，说明噪声区域所涉及的像素数目过多，可能为饱和溢出区域像素，而并非受宇宙射线干扰的噪声区域；此时可以从原始图像所包含的噪声区域中去除该尺寸w大于预设的尺寸阈值C_w的噪声区域。若噪声区域的尺寸w小于或等于预设的尺寸阈值C_w，则说明噪声区域所涉及的像素数目正常，保留该噪声区域，同时也能够避免在宇宙射线能量很强并且存在一定角度斜入射在原始图像上产生一串横向或者纵向相邻的多像素噪声被误判的情况。

在一个例子中，可以设置尺寸阈值C_w为1，以适应宇宙射线的干扰集中在一到两个像素中的特性，进一步减小了饱和溢出区域被误判为噪声区域以及斜入射高能宇宙射线造成的多像素噪声被误判的情况。

本实施例相对于第一实施例而言，增加了对噪声区域尺寸的判断，在一定程度上避免了饱和溢出区域被误判为噪声区域以及斜入射高能宇宙射线造成的多像素噪声被误判的情况。需要说明的是，本实施例也可以作为在第二实施例或第三实施例基础上改进，可以到到同样的技术效果。

本发明第五实施例涉及一种传感器芯片，应用于电子设备，电子设备例如生物医疗影像装置、电脑等，传感器芯片则为相机等。该传感器芯片用于执行第一实施例至第四实施例中任一项的图像噪声的自适应识别方法。

本发明第六实施例涉及一种电子设备，例如生物医疗影像装置、电脑等。本实施例中的电子设备包括第五实施例中的传感器芯片。

以上已详细描述了本发明的较佳实施例，但应理解到，若需要，能修改实施例的方面来采用各种专利、申请和出版物的方面、特征和构思来提供另外的实施例。

考虑到上文的详细描述，能对实施例做出这些和其它变化。一般而言，在权利要求中，所用的术语不应被认为限制在说明书和权利要求中公开的具体实施例，而是应被理解为包括所有可能的实施例连同这些权利要求所享有的全部等同范围。

Claims (10)

1.一种图像噪声的自适应识别方法，其特征在于，包括：

获取采集的原始图像的图像数据；

根据所述图像数据，得到所述原始图像的边缘特征信息，包括：对所述图像数据进行二维差分，得到所述原始图像的二维差分数据；生成所述二维差分数据的灰度直方图，并根据所述二维差分数据的灰度直方图，确定所述原始图像的边缘特征信息；

基于所述原始图像的边缘特征信息与所述图像数据，确定出所述原始图像中的噪声区域；

其中，所述根据所述二维差分数据的灰度直方图，确定所述原始图像的边缘特征信息，包括：

从所述灰度直方图中选取像素个数最多的第一灰度值，并从所述灰度直方图中选取像素个数为0的至少一个第二灰度值；

分别计算所述第一灰度值与各所述第二灰度值的差值的绝对值，并将数值最大的所述绝对值乘与预设系数的乘积作为所述原始图像的边缘差分阈值；所述边缘特征信息为所述边缘差分阈值。

2.根据权利要求1所述的自适应识别方法，其特征在于，所述从所述灰度直方图中选取像素个数为0的至少一个第二灰度值，包括：

在所述灰度直方图中，以所述第一灰度值为起点在所述第一灰度值两侧搜索像素个数为0的目标灰度值作为所述第二灰度值，所述目标灰度值为搜索到的第一个像素个数为0的灰度值。

3.根据权利要求1所述的自适应识别方法，其特征在于，所述基于所述原始图像的边缘特征信息与所述图像数据，确定出所述原始图像中的噪声区域，包括：

在所述原始图像的每个扫描方向上对所述图像数据进行一维差分，得到所述原始图像在各所述扫描方向上多个一维差分数据；所述扫描方向包括所述原始图像的横向与纵向；

基于所述边缘差分阈值，对各所述扫描方向上的所述一维差分数据进行扫描，得到各所述一维差分数据中所包含的噪声区域。

4.根据权利要求3所述的自适应识别方法，其特征在于，所述基于所述边缘差分阈值，对各所述扫描方向上的所述一维差分数据进行扫描，得到各所述一维差分数据中所包含的噪声区域，包括：

对于每个所述扫描方向上的所述一维差分数据，沿所述扫描方向遍历所述一维差分数据中的每个像素；

判断当前像素的像素值是否大于所述边缘差分阈值或者小于所述边缘差分阈值的相反数；若当前像素的像素值大于所述边缘差分阈值，则将当前像素的坐标值作为起始坐标；若当前像素的像素值小于所述边缘差分阈值的相反数，则将当前像素的坐标值作为终点坐标；

对于各所述一维差分数据中的每个所述起始坐标，将所述起始坐标与位于所述起始坐标右侧且与所述起始坐标相邻的所述终点坐标之间所形成的区域作为一个所述噪声区域。

5.根据权利要求4所述的自适应识别方法，其特征在于，在所述对于各所述一维差分数据中的每个所述起始坐标，将所述起始坐标与位于所述起始坐标右侧且与所述起始坐标相邻的所述终点坐标之间所形成的区域作为一个所述噪声区域之后，还包括：

对于每个所述一维差分数据，若任一所述起始坐标右侧不存在所述终点坐标，则将所述任一起始坐标与所述任一起始坐标所属的所述一维差分数据的最后一个像素的坐标之间的区域作为一个所述噪声区域。

6.根据权利要求4所述的自适应识别方法，其特征在于，在所述对于各所述一维差分数据中的每个所述起始坐标，将所述起始坐标与位于所述起始坐标右侧且与所述起始坐标相邻的所述终点坐标之间所形成的区域作为一个所述噪声区域之后，还包括：

对于每个所述一维差分数据，若任一所述终点坐标左侧不存在所述起始坐标，则将所述任一终点坐标与所述任一终点坐标所属的所述一维差分数据的第一个像素的坐标之间的区域作为一个所述噪声区域。

7.根据权利要求1所述的自适应识别方法，其特征在于，在基于所述原始图像的边缘特征信息与所述图像数据，确定出所述原始图像中的噪声区域之后，还包括：

对于每个所述噪声区域，判断所述噪声区域的尺寸是否大于预设的尺寸阈值，若所述噪声区域的尺寸大于预设的尺寸阈值，则从所述原始图像所包含的所述噪声区域中去除尺寸大于预设的尺寸阈值的所述噪声区域。

8.根据权利要求7所述的自适应识别方法，其特征在于，所述尺寸阈值为1。

9.一种传感器芯片，其特征在于，用于执行权利要求1至8中任一项所述的图像噪声的自适应识别方法。

10.一种电子设备，其特征在于，包括权利要求9所述的传感器芯片。