CN113269687A - 一种基于参数优化的非局部平均红外图像去噪方法 - Google Patents
一种基于参数优化的非局部平均红外图像去噪方法 Download PDFInfo
- Publication number
- CN113269687A CN113269687A CN202110533049.3A CN202110533049A CN113269687A CN 113269687 A CN113269687 A CN 113269687A CN 202110533049 A CN202110533049 A CN 202110533049A CN 113269687 A CN113269687 A CN 113269687A
- Authority
- CN
- China
- Prior art keywords
- infrared image
- noise
- image
- parameter
- formula
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于参数优化的非局部平均红外图像去噪方法,包括:采集原始含噪声的红外图像v,并对含噪声的红外图像v进行Laplacian Mask卷积,得到卷积后的图像v*;利用卷积后的图像v*对含噪声的红外图像v的噪声水平进行估计,得到噪声方差;根据噪声方差计算得到非局部均值算法中的需要优化的参数h;利用优化参数h对含噪声的红外图像v进行非局部均值滤波,得到去噪后的红外图像。本发明对噪声图像进行噪声估计,实现阈值参数自适应,提高图像去噪能力的同时更好的保留图像的细节特征,不必像传统算法根据经验设置参数。
Description
技术领域
本发明涉及红外图像处理领域,尤其涉及一种基于参数优化的非局部平均红外图像去噪方法。
背景技术
目前红外图像已经广泛应用于军事和民用领域,但是由于外界环境和探测器的干扰,与普通图像相比,通常所获取的红外图像对比度低、图像噪声干扰多、分辨率差和视觉效果模糊。且噪声的存在会干扰后续图像目标检测、识别和跟踪。
传统的红外图像去噪主要分为空域去噪和变换域去噪。空域滤波是在原图像上直接进行数据运算,对像素的灰度值进行处理。常见的空间域图像去噪算法有邻域平均法、中值滤波、低通滤波等。图像变换域去噪方法是对图像进行某种变换,将图像从空间域转换到变换域,再对变换域中的变换系数进行处理,再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。傅立叶变换和小波变换则是常见的用于图像去噪的变换域去噪方法。非局部平均图像去噪方法是近年来提出的一种新型的去噪技术。该方法充分的利用图像的冗余信息,在对图像进行降噪的同时最大程度地保留图像的细节特征。一般来说,每一种算法都涉及到一些阈值参数,考虑到图像的千变万化,如何设置这些参数让去噪算法在不同条件下都能达到比较好的性能是一个关键问题。
发明内容
为了解决上述问题,本发明对非局部平均去噪算法进行了改进,提出了一种参数优化的方法,对噪声图像进行噪声估计,进而由图像噪声方差估计滤波参数h,进而实现阈值参数自适应,提高图像去噪能力的同时更好的保留图像的细节特征,不必像传统算法根据经验设置参数。
本发明提供的一种基于参数优化的非局部平均红外图像去噪方法,具体包括以下步骤:
S101:采集原始含噪声的红外图像v,并对含噪声的红外图像v进行LaplacianMask卷积,得到卷积后的图像v*;
S102:利用卷积后的图像v*对含噪声的红外图像v的噪声水平进行估计,得到噪声方差;
S103:根据噪声方差计算得到非局部均值算法中的需要优化的参数h;
S104:利用优化参数h对含噪声的红外图像v进行非均匀性局部校正,得到去噪后的红外图像。
进一步地,步骤S101中,Laplacian Mask卷积的具体公式为:
式(1)中,L1和L2为Laplacian Mask卷积核。
进一步地,步骤S102中,噪声方差的具体公式为:
式(2)中,W和H分别为含噪声的红外图像v的宽和高。
进一步地,步骤S103中,需要优化的参数h的计算公式为:
进一步地,步骤S104中,所述优化参数h,用于控制每个目标块的滤波腐蚀程度。
进一步地,步骤S104中,所述去噪后的红外图像,其计算公式为:
式(4)中,u*(x)表示去噪后的红外图像在像素点x处的灰度值;权值w(x,y)表示像素点x和像素点y之间的相似度;v(y)表示的是含噪声图像在像素位置y处的灰度值;I表示像素位置索引。
进一步地,权值w(x,y)的计算公式如下:
式(5)中,||V(x)-V(y)||2是指第x块和第y块的加权欧式距离的平方,所述第x块和第y块,具体指:分别以像素点x和像素点y为中心矩形邻域V(x)和V(y);h为控制滤波程度的系数,即步骤S104中的优化参数h;Z(x)表示图像搜索范围内所有分块相似度的总和。
Z(x)的计算公式如下:
本发明提供的有益效果是:对噪声图像进行噪声估计,实现阈值参数自适应,提高图像去噪能力的同时更好的保留图像的细节特征,不必像传统算法根据经验设置参数。
附图说明
图1是本发明一种基于参数优化的非局部平均红外图像去噪方法的流程图;
图2是采集的原始红外图像;
图3是应用本发明去噪后的红外图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,一种基于参数优化的非局部平均红外图像去噪方法,包括以下:
S101:采集原始含噪声的红外图像v,并对含噪声的红外图像v进行LaplacianMask卷积,得到卷积后的图像v*;
本发明中原始含噪声的红外图像为14bit图像,具体如下:
v(i,j)=g(i,j)*x(i,j)+o(i,j)
(i,j)表示探测器阵列对应的行列坐标号,g(i,j)和o(i,j)是探测器本身放大电路等带来的原始的增益系数和偏置系数,v(i,j)即为原始含噪声的红外图像;
,Laplacian Mask卷积的具体公式为:
式(1)中,L1和L2为Laplacian Mask卷积核。
S102:利用卷积后的图像v*对含噪声的红外图像v的噪声水平进行估计,得到噪声方差;
噪声方差的具体公式为:
式(2)中,W和H分别为含噪声的红外图像v的宽和高。
S103:根据噪声方差计算得到非局部均值算法中的需要优化的参数h;
需要优化的参数h的计算公式为:
S104:利用优化参数h对含噪声的红外图像v进行非均匀性局部校正,得到去噪后的红外图像。
所述优化参数h,用于控制每个目标块的滤波腐蚀程度。
所述去噪后的红外图像,其计算公式为:
式(4)中,u*(x)表示去噪后的红外图像在像素点x处的灰度值;权值w(x,y)表示像素点x和像素点y之间的相似度,它的值以x、y为中心矩形邻域V(x)和V(y)之间的距离决定;v(y)表示的是含噪声图像在像素位置y处的灰度值;I表示像素位置索引。
权值w(x,y)的计算公式如下:
式(5)中,||V(x)-V(y)||2是指第x块和第y块的加权欧式距离的平方,所述第x块和第y块,具体指:分别以像素点x和像素点y为中心矩形邻域V(x)和V(y);h为控制滤波程度的系数,即步骤S104中的优化参数h;Z(x)表示图像搜索范围内所有分块相似度的总和。
Z(x)的计算公式如下:
在上述步骤中,h主要用于控制每个目标块的滤波腐蚀程度,其取值范围为1~10倍的标准差。事实上h的选取对于不同纹理结构的图像滤波结果影响很大。如果参数h选择不当,会产生过度模糊,在降噪的同时丢失了图像的细节信息。因此对于不同内容的图像,对应最佳效果的参数应当是不同的。若能构造一个函数根据图像的特征去预测非局部平均滤波参数h,则能有效改善算法的稳定性。
当图像内容比较平滑时,像素之间差值比较小,h应该选取较小的值,相反,当图像内容比较剧烈时,像素之间的差值比较大,此时h应该选取较大的值。本发明通过以上步骤完成了对参数h的优化,并进一步的利用优化参数h完成了红外图像去噪。
请参考图2和图3;图2是采集的原始红外图像;图3是应用本发明去噪后的红外图像。
从图中可以看出,在进行去噪后,红外图像的显示效果,相比之前清晰很多。
本发明的有益效果是:对噪声图像进行噪声估计,实现阈值参数自适应,提高图像去噪能力的同时更好的保留图像的细节特征,不必像传统算法根据经验设置参数。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于参数优化的非局部平均红外图像去噪方法,其特征在于:包括以下步骤:
S101:采集原始含噪声的红外图像v,并对含噪声的红外图像v进行Laplacian Mask卷积,得到卷积后的图像v*;
S102:利用卷积后的图像v*对含噪声的红外图像v的噪声水平进行估计,得到噪声方差;
S103:根据噪声方差计算得到非局部均值算法中的需要优化的参数h;
S104:利用优化参数h对含噪声的红外图像v进行非局部均值滤波,得到去噪后的红外图像。
5.如权利要求1所述的一种基于参数优化的非局部平均红外图像去噪方法,其特征在于:步骤S104中,所述优化参数h,用于控制每个目标块的滤波腐蚀程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533049.3A CN113269687A (zh) | 2021-05-17 | 2021-05-17 | 一种基于参数优化的非局部平均红外图像去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533049.3A CN113269687A (zh) | 2021-05-17 | 2021-05-17 | 一种基于参数优化的非局部平均红外图像去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269687A true CN113269687A (zh) | 2021-08-17 |
Family
ID=77231089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110533049.3A Pending CN113269687A (zh) | 2021-05-17 | 2021-05-17 | 一种基于参数优化的非局部平均红外图像去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269687A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563136A (zh) * | 2023-03-27 | 2023-08-08 | 山东科技大学 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661611A (zh) * | 2009-09-25 | 2010-03-03 | 西安电子科技大学 | 基于贝叶斯非局部均值滤波器的实现方法 |
CN104200434A (zh) * | 2014-08-28 | 2014-12-10 | 哈尔滨工程大学 | 一种基于噪声方差估计的非局部均值图像去噪方法 |
CN106023093A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
-
2021
- 2021-05-17 CN CN202110533049.3A patent/CN113269687A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661611A (zh) * | 2009-09-25 | 2010-03-03 | 西安电子科技大学 | 基于贝叶斯非局部均值滤波器的实现方法 |
CN104200434A (zh) * | 2014-08-28 | 2014-12-10 | 哈尔滨工程大学 | 一种基于噪声方差估计的非局部均值图像去噪方法 |
CN106023093A (zh) * | 2016-05-09 | 2016-10-12 | 吉林大学 | 一种基于改进图像块匹配的非局部均值图像去噪方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563136A (zh) * | 2023-03-27 | 2023-08-08 | 山东科技大学 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
CN116563136B (zh) * | 2023-03-27 | 2024-03-15 | 山东科技大学 | 一种侧扫声呐图像去噪方法、系统、存储介质和执行系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
EP0444874A2 (en) | Improved image processing technique | |
CN110675340A (zh) | 一种基于改进的非局部先验的单幅图像去雾方法及介质 | |
CN106296763B (zh) | 一种金属材料工业ct图像质量快速校正方法 | |
Vankawala et al. | A survey on different image deblurring techniques | |
CN113191979B (zh) | 一种分区域sar图像非局部均值去噪方法 | |
CN111429372A (zh) | 一种增强低对比度图像边缘检测效果的方法 | |
Mu et al. | Low and non-uniform illumination color image enhancement using weighted guided image filtering | |
CN113269687A (zh) | 一种基于参数优化的非局部平均红外图像去噪方法 | |
CN110827209A (zh) | 一种联合颜色与深度信息的自适应深度图像修复方法 | |
CN113592750A (zh) | 一种基于梯度直方图的红外增强方法 | |
CN116012265B (zh) | 基于时空域自适应滤波的红外视频降噪方法和装置 | |
CN116343051B (zh) | 一种基于遥感影像的地质环境监测方法及系统 | |
CN111340741A (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
CN112927169B (zh) | 一种基于小波变换和改进的加权核范数最小化的遥感影像去噪方法 | |
CN113592738B (zh) | 一种水下扭曲图像复原方法 | |
CN112686814B (zh) | 一种基于仿射低秩的图像去噪方法 | |
CN114240990A (zh) | Sar图像点目标分割方法 | |
CN111652811B (zh) | 一种基于刃边函数和最优窗维纳滤波的运动模糊图像复原方法 | |
CN114187198A (zh) | 一种基于模糊矩阵的图像去条纹方法 | |
CN112330566A (zh) | 图像去噪的方法、装置及计算机存储介质 | |
Yang et al. | Non-blind image blur removal method based on a Bayesian hierarchical model with hyperparameter priors | |
CN111340726B (zh) | 一种基于监督性机器学习的图像辅助去噪方法 | |
Lin et al. | A New Denosing Method Based on Local Similarity for Removing Impulse Noise |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |
|
RJ01 | Rejection of invention patent application after publication |