CN113379640A - 一种融合边缘信息的多级滤波图像去噪方法 - Google Patents

Abstract

本发明公开了一种融合边缘信息的多级滤波图像去噪方法，属于图像处理技术领域。包括以下步骤：步骤一：采用非局部均值滤波对原始含噪图像进行去噪处理，得到低噪声图像；步骤二：对低噪声图像进行同态滤波，提升图像对比度与均匀性；步骤三：基于8个方向Sobel模板检测低噪声图像的目标边缘，利用自适应阈值对边缘图像进行筛选，去除伪边缘点和残留噪点，提高边缘信息精确度；步骤四、将边缘检测图像映射到同态滤波后图像对应的灰度区间，选取较大灰度值作为融合图像的灰度值，最终实现图像的噪声去除。本发明将噪声点进行去除的同时，可以保持图像的边缘细节信息，提升图像清晰度及目标分辨率。

Description

一种融合边缘信息的多级滤波图像去噪方法

技术领域

本发明涉及一种融合边缘信息的多级滤波图像去噪方法，属于图像处理技术领域。

背景技术

距离选通激光雷达近年来在可见光成像、空间光学、微光夜视和超分辨成像等领域得到了广泛的应用。但其获取的图像不可避免地会含有各种噪声，且噪声不是大多数图像去噪算法假设的加性高斯白噪声，而是各种类型的噪声的集合，包括光子冲击噪声、暗电流噪声、电噪声和热噪声。距离选通激光雷达获取图像所包含的噪声具有以下两个特点：1)由于微通道管的使用，图像中的噪声是空间聚类的；2)图像中的噪声是随机聚类的。这些噪声不仅会严重降低图像质量，而且会对后续图像特征提取、分割和识别等处理过程造成阻碍。因此，图像去噪成为图像预处理中必不可少的一步。近几十年来，人们对自然图像去噪进行了深入研究。然而，这些方法可能不适用于距离选通激光雷达获取的图像。一个主要的挑战是在不消除图像最具代表性的特征，如边缘、角落和其他尖锐结构的情况下尽可能多地去除噪声。

发明内容

本发明的目的在于提出一种融合边缘信息的多级滤波图像去噪方法，以解决现有技术中存在的问题。

一种融合边缘信息的多级滤波图像去噪方法，融合边缘信息的多级滤波图像去噪方法包括以下步骤：

步骤一：采用非局部均值滤波对原始含噪图像进行去噪处理，得到低噪声图像；

步骤二：对低噪声图像进行同态滤波，提升图像对比度与均匀性；

步骤三：基于8个方向Sobel模板检测低噪声图像的目标边缘，利用自适应阈值对边缘图像进行筛选，去除伪边缘点和残留噪点，提高边缘信息精确度；

步骤四、将边缘检测图像映射到同态滤波后图像对应的灰度区间，选取较大灰度值作为融合图像的灰度值，最终实现图像的噪声去除。

进一步的，在步骤三中，Sobel模板检测的8个检测方向包括水平方向、垂直方向、0°、45°、90°、135°、180°、225°、270°和315°。

进一步的，具体包括以下步骤：

步骤三一、采用八方向模板的Sobel算子检测目标边缘；

步骤三二、根据待检测像素点的8邻域像素点的平均值与方差自适应生成阈值，从而对于图像的不同区域使用不同阈值筛选边缘点。

进一步的，在步骤三二中，具体的，

首先计算以像素点g(i,j)为中心，半径为r邻域内的像素点的平均梯度幅值μ；然后计算邻域内全部像素点的梯度幅值相对于μ的方差σ；由于σ反映了该邻域内像素点的梯度幅值相对于μ的离散程度，为了使阈值接近边缘点的梯度幅值，选取平均梯度幅值μ和方差σ的和δ，作为判断该像素点是否为边缘点的阈值，公式如下：

δ＝μ+σ

获得自适应阈值后，对图像中每一个像素点的梯度幅值分别与对应邻域的阈值δ进行比较，若其值大于或等于δ，则该像素点保留原始梯度幅值，否则为0。

进一步的，在步骤四中，具体的，

首先，将步骤三中得到的边缘图像S(x,y)进行灰度变换，即将S(x,y)灰度区间范围变换到同态滤波后图像H(x,y)的灰度区间范围，变换公式如下：

通过比较H(x,y)与S’(x,y)中的每个像素点的像素值大小，取较大值作为融合后图像的像素值，即可得到融合图像M(x,y)：

本发明的有益效果：本发明在经典的Sobel检测模板基础上增加了6个方向检测模板，采用8个方向Sobel模板检测目标边缘，根据每个像素点的8邻域像素点的平均值与方差自适应生成阈值，从而对于图像的不同区域使用不同阈值筛选伪边缘点和残留噪点；将边缘图像与滤波后图像融合，从而提高图像分辨率。本发明将噪声点进行去除的同时，可以保持图像的边缘细节信息，提升图像清晰度及目标分辨率。

附图说明

图1为本发明的一种融合边缘信息的多级滤波图像去噪方法的方法流程图；

图2为实验成像结果，其中，图2(a)-图2(b)为建筑物目标，图2(c)-图2(g)为不同距离的车辆目标；

图3为不同算法处理建筑物结果图；

图4为不同算法处理车辆结果图；

图5为不同算法处理车辆指标曲线图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，本发明提出了一种融合边缘信息的多级滤波图像去噪方法的实施例，融合边缘信息的多级滤波图像去噪方法包括以下步骤：

步骤一：采用非局部均值滤波对原始含噪图像进行去噪处理，得到低噪声图像；

步骤二：对低噪声图像进行同态滤波，提升图像对比度与均匀性；

步骤三：基于8个方向Sobel模板检测低噪声图像的目标边缘，利用自适应阈值对边缘图像进行筛选，去除伪边缘点和残留噪点，提高边缘信息精确度；

步骤四、将边缘检测图像映射到同态滤波后图像对应的灰度区间，选取较大灰度值作为融合图像的灰度值，最终实现图像的噪声去除。

进一步的，在步骤三中，Sobel模板检测的8个检测方向包括水平方向、垂直方向、0°、45°、90°、135°、180°、225°、270°和315°。

进一步的，具体包括以下步骤：

步骤三一、采用八方向模板的Sobel算子检测目标边缘；

步骤三二、根据待检测像素点的8邻域像素点的平均值与方差自适应生成阈值，从而对于图像的不同区域使用不同阈值筛选边缘点。

进一步的，在步骤三二中，具体的，

首先计算以像素点g(i,j)为中心，半径为r邻域内的像素点的平均梯度幅值μ；然后计算邻域内全部像素点的梯度幅值相对于μ的方差σ；由于σ反映了该邻域内像素点的梯度幅值相对于μ的离散程度，为了使阈值接近边缘点的梯度幅值，选取平均梯度幅值μ和方差σ的和δ，作为判断该像素点是否为边缘点的阈值，公式如下：

δ＝μ+σ

获得自适应阈值后，对图像中每一个像素点的梯度幅值分别与对应邻域的阈值δ进行比较，若其值大于或等于δ，则该像素点保留原始梯度幅值，否则为0。

进一步的，常用的图像融合算法得到的最终图像综合了所有融合图像的特点，包含图像噪声。若采用常用图像融合算法融合含有残留噪点的同态滤波后图像和不含残留噪声的边缘图像，融合结果则会含有噪声。因此本发明通过比较这两幅图像中每点的灰度值大小进行融合。

在步骤四中，具体的，

首先，将步骤三中得到的边缘图像S(x,y)进行灰度变换，即将S(x,y)灰度区间范围变换到同态滤波后图像H(x,y)的灰度区间范围，变换公式如下：

S’(x,y)的背景中几乎不含残留噪点，目标边缘点灰度值大；H(x,y)的背景点与残留噪点灰度值小，目标主体灰度值大，但目标边缘点可能缺失或灰度值小于主体点。因此通过比较H(x,y)与S’(x,y)中的每个像素点的像素值大小，取较大值作为融合后图像的像素值，即可得到融合图像M(x,y)：

本发明的具体实施例：

参照图2-图5所示，照明激光为532nm时，分别采用非局部均值滤波、双边滤波、Lee滤波和所提算法对距离选通激光雷达获取的建筑物与车辆目标图像进行处理。为了客观的衡量所提算法的有效性，本发明采用边缘保持指数、非均匀性和对比度评价指标对各算法处理后的图像质量进行评价。边缘保持指数(EPI)表示处理后滤波器对图像水平或者垂直方向边缘的保持能力，通常用来表示图像边缘以及细节的表现能力。EPI理想值为1，EPI值越大，表示细节表现越好，边缘保持能力越强。非均匀性(NU)定义为图像均值与标准差的比值，NU值越低,表示图像质量越好,所含非均匀性噪声越少。表1为四种算法处理后的建筑物图像的评价指标结果，图5为四种算法处理的车辆图像的评价指标结果随距离变化的曲线图。

表1四种算法处理建筑物图像评价指标

相较于NLM、BF、Lee算法，基于本发明算法处理后的建筑物目标图像EPI高于其他三种算法超过20％，边缘细节保持能力强；NU比NLM算法降低了63.5％，去噪效果好；对比度明显提升。对于噪声污染严重的车辆目标图像，传统算法无法完全去除噪声，本发明算法基本完全去除了噪声且NU曲线随目标距离变化幅度小，去噪能力稳定。

以上实施示例只是用于帮助理解本发明的方法及其核心思想，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种融合边缘信息的多级滤波图像去噪方法，其特征在于，所述融合边缘信息的多级滤波图像去噪方法包括以下步骤：

步骤一：采用非局部均值滤波对原始含噪图像进行去噪处理，得到低噪声图像；

步骤二：对所述低噪声图像进行同态滤波，提升图像对比度与均匀性；

步骤三：基于8个方向Sobel模板检测低噪声图像的目标边缘，利用自适应阈值对边缘图像进行筛选，去除伪边缘点和残留噪点，提高边缘信息精确度；

步骤四、将边缘检测图像映射到同态滤波后图像对应的灰度区间，选取较大灰度值作为融合图像的灰度值，最终实现图像的噪声去除。

2.根据权利要求1所述的一种融合边缘信息的多级滤波图像去噪方法，其特征在于，在步骤三中，所述Sobel模板检测的8个检测方向包括水平方向、垂直方向、0°、45°、90°、135°、180°、225°、270°和315°。

3.根据权利要求2所述的一种融合边缘信息的多级滤波图像去噪方法，其特征在于，在步骤三中，具体包括以下步骤：

步骤三一、采用八方向模板的Sobel算子检测目标边缘；

步骤三二、根据待检测像素点的8邻域像素点的平均值与方差自适应生成阈值，从而对于图像的不同区域使用不同阈值筛选边缘点。

4.根据权利要求3所述的一种融合边缘信息的多级滤波图像去噪方法，其特征在于，在步骤三二中，具体的，

首先计算以像素点g(i,j)为中心，半径为r邻域内的像素点的平均梯度幅值μ；然后计算所述邻域内全部像素点的梯度幅值相对于μ的方差σ；由于σ反映了该邻域内像素点的梯度幅值相对于μ的离散程度，为了使阈值接近边缘点的梯度幅值，选取平均梯度幅值μ和方差σ的和δ，作为判断该像素点是否为边缘点的阈值，公式如下：

δ＝μ+σ

获得自适应阈值后，对图像中每一个像素点的梯度幅值分别与对应邻域的阈值δ进行比较，若其值大于或等于δ，则该像素点保留原始梯度幅值，否则为0。

5.根据权利要求3所述的一种融合边缘信息的多级滤波图像去噪方法，其特征在于，在步骤四中，具体的，

首先，将步骤三中得到的边缘图像S(x,y)进行灰度变换，即将S(x,y)灰度区间范围变换到同态滤波后图像H(x,y)的灰度区间范围，变换公式如下：

通过比较H(x,y)与S’(x,y)中的每个像素点的像素值大小，取较大值作为融合后图像的像素值，即可得到融合图像M(x,y)：

Images