CN113763275A - 一种自适应图像降噪方法、系统及可读存储介质 - Google Patents
一种自适应图像降噪方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN113763275A CN113763275A CN202111054166.8A CN202111054166A CN113763275A CN 113763275 A CN113763275 A CN 113763275A CN 202111054166 A CN202111054166 A CN 202111054166A CN 113763275 A CN113763275 A CN 113763275A
- Authority
- CN
- China
- Prior art keywords
- image
- blocks
- block
- determining
- noise
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003044 adaptive effect Effects 0.000 title claims description 16
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000005286 illumination Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005192 partition Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract description 26
- 230000004297 night vision Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241000533950 Leucojum Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001360 synchronised 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20008—Globally adaptive
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请提一种自适应图像降噪方法、系统及可读存储介质,该方法包括根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;确定各区块分别对应的图像特征,并将各图像特征之间进行特性显著性的比较,得到相应的比较结果;图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;根据比较结果,从多个区块中筛选出图像特征满足预设比较条件的目标区块,并将目标区块作为参照区;将参照区的图像特征,映射到多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将原始图像转化为相应的去噪图像。采用本方法能够提高统计计算速度,降低系统开销以及功耗,节约资源。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种自适应图像降噪方法、系统及可读存储介质。
背景技术
现有的图像处理技术包括空间域图像增强算法、频率域图像增强算法和多种滤波图像复原算法等,其具备对质量较低的图片进行去雾、对比度增强、无损放大等技术优势。但在面对低照、复杂环境、观察距离远以及图像处理实时性高等特定应用环境时,存在由于图像噪声大造成的图像不清晰、以及雪花多和图像延时较大的问题。
发明内容
本申请实施例的目的在基于提供一种自适应图像降噪方法、系统及可读存储介质,可以降低图像噪声,提高图像清晰度。
本申请实施例还提供了一种自适应图像降噪方法,包括以下步骤:
根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;
确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;
根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;
将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。
第二方面,本申请实施例还提供了一种自适应图像降噪系统,所述系统包括:
图像分区模块,用于根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;
特征比较模块,用于确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;
区块筛选模块,用于根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;
特征映射模块,用于将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。
第三方面,本申请实施例还提供了一种可读存储介质,所述可读存储介质中包括自适应图像降噪方法程序,所述自适应图像降噪方法程序被处理器执行时,实现如上述任一项所述的一种自适应图像降噪方法的步骤。
由上可知,本申请实施例提供的自适应图像降噪方法、系统及可读存储介质,根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。从而可以将原本应基于整幅图像进行统计的计算量,简化为基于筛选得到的参照区进行统计计算,通过将参照区的图像特征应用于整幅图像,提高了统计计算速度,降低了系统开销以及功耗,有效的节约了资源。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的自适应图像降噪方法的一种流程图。
图2为本申请实施例提供的自适应图像降噪系统的一种结构示意图。
图3为本申请实施例提供的整体架构图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种自适应图像降噪方法的流程图。以该方法应用于计算机设备(该计算机设备具体可以是终端或服务器,终端具体可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备、手持设备、配套设备和部件、观察/监控/辅助瞄准射击等设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群)为例进行说明,包括以下步骤:
S101、根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块。
具体的,计算机设备按照2的X次幂规律,对原始图像进行均匀划分,得到M*N个区块。其中,M表示图像列区块数量,N表示图像行区块数量。
在其中一个实施例中,幂指数X可以根据预设的延时要求,进行动态调整,本申请实施例对X的具体取值不作限定。当然,在一个实施例中,计算机设备在确定所需分区的区块总数量、分区区块大小以及原始图像的像素大小之后,也可以按照4的X次幂规律、以及8的X次幂规律等图像分区规则,对原始图像进行均匀划分,本申请实施例对此不作限定,不同实施例中,可以根据不同的需要进行动态调整。
S102、确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种。
具体的,计算机设备确定各所述区块分别对应的图像特征,并在确定图像特征的类型包括不止一种时,针对每个区块,分别将所确定的每项图像特征进行综合计算,后续,基于综合计算所确定的各所述区块分别对应的图像综合特征,进行参照区的筛选。
在其中一个实施例中,针对每个区块,计算机设备可以为所确定的每项图像特征分配相应的权重。当前实施例中,计算机设备将结合分配的权重,进行图像综合特征的计算,例如,计算机设备可以通过下述的公式进行综合图像特征的计算:
A*a+B*b+...+N*n=X; (1)
其中,A-N分别为所属相应区块的各个图像特征,a-n分别为分配给上述每个图像特征的权重,X为综合所得的图像综合特征。当然,综合图像特征的计算公式并不仅仅限定为上述的公式(1),在其他实施例中,也可以基于公式(1)的变形形式进行图像综合特征的计算,本申请实施例对此不作限定。
S103、根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区。
具体的,计算机设备根据所得的比较结果,确定每个区块分别对应的图像特征显著性,并从分区得到的各个区块中,筛选出特征最显著的目标区块,其中,将筛选出的目标区块作为参照区,后续再基于该参照区进行原始图像的去噪处理。
在其中一个实施例中,计算机设备从原始图像中进行图像关键区域以及图像非关键区域的识别。在筛选目标区块时,计算机设备将优先从图像关键区域中包括的多个第一区块中,筛选出特征最显著的第一目标区块;之后,再将该第一目标区块,与图像非关键区域中包括的各个区块进行比对,在确定该第一目标区块的特征最为显著时,将该第一目标区块作为参照区。另外,在确定能够从图像非关键区域中筛选出图像特征显著性优于第一目标区块的第二目标区块时,将该第二目标区块作为参照区。这样,通过识别到的图像关键区域、以及图像非关键区域,确定区块的优先比对顺序,能够有效的提高参照区的判决速度,提高计算效率。
S104、将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。
具体的,计算机设备将所述参照区的图像特征映射到整幅原始图像中,并根据分析出的参照区的噪声幅度,选择相应的降噪模型和降噪幅度。后续,计算机设备将基于上述的降噪模型和降噪幅度,对映射得到的映射图像进行去噪处理,以将原始图像转化为相应的去噪图像。
在其中一个实施例中,在进行噪声幅度分析的时候,计算机设备仅分析参照区中的动态噪声。需要说明的是,本申请实施例并不涉及对静态背景噪声的分析。在一个具体的实施例中,计算机设备将在筛选出的参照区中选择N个相对固定的点,并将该点作为噪声分析源。之后,再计算上述N个噪声分析源在时域中的标准差序列。后续,再基于计算所得的标准差序列,确定参照区的噪声幅度。例如,在确定所得标准差序列大于预设标准差阈值时,则认为参照区的噪声幅度偏大,反之,则偏小。
上述自适应图像降噪方法,根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。从而可以将原本应基于整幅图像进行统计的计算量,简化为基于筛选得到的参照区进行统计计算,通过将参照区的图像特征应用于整幅图像,提高了统计计算速度,降低了系统开销以及功耗,有效的节约了资源。
在一个实施例中,步骤S101中,根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块,包括以下子步骤:
步骤S1011,获取所述原始图像的图像宽度和图像高度。
具体的,计算机设备获取原始图像的图像宽度W和图像高度H。
步骤S1012,根据所需分配到各所述区块的像素个数、以及所述原始图像的图像宽度,确定图像列区块的第一数量。
具体的,计算机设备根据以下公式(2),确定确定图像列区块的第一数量M:
M=(INT)(W/2P); (2)
其中,INT为取整符号,W为原始图像的图像宽度,P为根据预设的延时要求所确定的第一幂指数,在一个实施例中,P能取到6,7,8,9,10...等,本申请实施例对此不作限定。
步骤S1013,根据所需分配到各所述区块的像素个数、以及所述原始图像的图像高度,确定图像行区块的第二数量。
具体的,计算机设备根据以下公式(3),确定图像行区块的第二数量N:
N=(INT)(H/2Q); (3)
其中,W为原始图像的图像高度,Q为根据预设的延时要求所确定的第二幂指数,其中,Q可以与公式(2)中的P相等或不等。
步骤S1014,根据所述第一数量和所述第二数量,对原始图像进行均匀划分,得到多个区块。
具体的,计算机设备按照2的X次幂规律,对原始图像进行均匀划分,得到M*N个区块,即得到的总分区区块数量为M*N。在一个实施例中,各区块中包括的像素个数为:A=2P*2Q=2P+Q。假设原始图像的横坐标为X,原始图像的纵坐标为Y,图像列坐标的起始位置为Ox,图像行坐标的起始位置为Oy,则Ox可以根据(INT)(W*2M/2P)进一步确定,Oy可以根据(INT)(H*2N/2Q)进一步确定。
在一个实施例中,步骤S102中,确定各所述区块分别对应的灰度均值,包括:获取所述区块的直方图曲线,并从所述直方图曲线中提取出一定比例的部分直方图曲线;对提取出的部分直方图曲线进行低通滤波处理,并基于低通滤波处理得到的曲线,进行灰度均值的确定。
具体的,计算机设备从直方图曲线中依次从大到小、以及从小到大的滤除掉一定比例的数据曲线,并基于剩下的部分数据曲线确定部分直方图曲线。在一个实施例中,计算机设备可以从小到大的滤除到1/8的第一数据曲线,以及从大到小的滤除掉1/8的第二数据曲线,则剩余6/8的剩余数据曲线即为所需提取的部分直方图曲线。需要说明的是,上述的1/8和6/8这两个数据仅为示例,实际使用时其可为不同的数值,本申请实施例在此不作限定。
具体的,计算机设备定义直方图的灰度值范围为:S∈(0,2q-1),Smin=0,Smax=2q-1,q=5,6,7,8,9......,其中,S为灰度,Smin为灰度最小值,Smax为灰度最大值,q为幂指数。直方图定义为Hi∈(HSmin,HSmax),其中,Hi为输入的图像直方图,HSmin为直方图灰度最小值,HSmax为直方图灰度最大值。基于上述的实施例,计算机设备从小到大的滤除到1/8的第一数据曲线,以及从大到小的滤除掉1/8的第二数据曲线,即基于1/8*A,进行第一、二数据曲线的提取;其中,A为直方图的总统计数量。在一个实施例中,取以及取其中,C和D均为累计尽可能接近1/8*A的极大值。则,参与计算的像素个数即为:E=A-C-D。后续,计算机设备将基于上述的E个像素进行灰度均值的计算。
在其中一个实施例中,步骤S102中,确定各所述区块分别对应的移动目标亮度,包括以下步骤:确定各所述区块在时域中分别对应的边界变化状态;根据所述边界变化状态,从各所述区块中分别进行移动目标的识别,以及针对识别到的移动目标,确定所述移动目标的轮廓闭环;根据所确定的各个移动目标的轮廓闭环,确定各所述区块分别对应的移动目标亮度。
具体的,计算机设备根据po(n)=pi(n)-pi(n-1)确定边界变化状态,其中,po(n)为第n幅图像某输出像素的灰度值,pi(n)为第n幅图像某输入像素的灰度值,n-1为前一幅图像中的同一个像素。根据该边界变化状态,计算机设备将从各区块中进行移动目标、以及移动目标的轮廓闭环的识别。在一个实施例中,计算机设备根据移动目标的轮廓闭环,计算出移动目标的平均亮度(即移动目标亮度)。在夜视环境中,当确定移动目标亮度较暗时,则提升移动目标亮度,以提高目标辨识度;当确定移动目标亮度较亮时,则降低移动目标亮度,以突出移动目标的具体细节。
具体的,计算机设备还可以根据各所述区块在时域中的边界变化状态,确定移动目标的移动速度。在一个实施例中,计算机设备在确定移动目标的移动速度越快时,则认为对系统延时的要求就越高,此时,计算机设备对目标细节显示要求则越加宽松。在确定移动目标的移动速度越慢时,则认为对系统延时的要求就越加宽松,此时,计算机设备可以动态降低移动目标亮度,以突出移动目标的具体细节。
上述实施例中,通过动态调整系统延时、以及移动目标亮度,使得系统实时性符合实际需要,这样即使在夜视环境中,也能够突出移动目标的具体细节,使得夜视性能符合实际需要,同等光照条件下,夜视距离也更远。
在一个实施例中,步骤S102中,确定各所述区块分别对应的噪声标准差,包括:针对各所述区块,分别在相应移动目标的轮廓闭环之外,进行噪声分析点的选择,得到多个噪声分析点;针对各所述区块,基于相应噪声分析点所对应的灰度值、基于各相应噪声分析点的灰度值所确定的平均值、以及噪声分析点的总数量,进行噪声标准差的计算。
具体的计算机设备基于下述的公式(4)进行噪声标准差的计算:
其中,X1为相应区块中的第一个噪声分析点的灰度值,XN为相应区块中的第N个噪声分析点的灰度值,X为基于X1-XN所确定的算术平均值。N为噪声分析点的总数量,σ为求得的噪声标准差。
在其中一个实施例中,计算机设备还能基于下述的简化后的公式(5),进行噪声标准差ση的计算:
ση=(|X1-X|+|X2-X|+...+|XN-X|)/N。 (5)
需要说明的是,上述的公式(4)和公式(5)均能实现相同的计算功能,当然,在其他实施例中也基于公式(4)的其余变形公式,进行噪声标准差的计算,本申请实施例对噪声标准差的计算公式不作限定。
在一个实施例中,步骤S102中,确定各所述区块分别对应的背景照度,包括:针对每个区块,分别获取预先设定的传感器增益以及背景灰度;根据所述传感器增益与所述背景灰度之间的比值,确定各所述区块分别对应的背景照度。
具体的,传感器增益包括经由用户所设置的对比度、以及经由自动增益控制器所设置的增益值。背景灰度包括经由用户所设置的亮度值、以及经由自动亮度控制器所设置的亮度值。在一个实施例中,计算机设备在图像传感器选定和内部增益确定的情况下,基于背景灰度与传感器增益之间的比值(例如,B(背景灰度)/g(传感器增益)),确定各所述区块分别对应的背景照度(即背景亮度),其中,传感器的设置参数用于还原局部背景亮度原始值。
具体的,计算机设备通过计算得到的参照区的背景照度,预估原始图像直方图所在的区域,并以动态范围扩展方式,将原始图像直方图映射到整个动态范围中。例如,类似于80%的8位原始图像直方图,计算机设备在0-100之间,采用映射的方式,将上述的8位原始图像直方图映射到0-255之间。在一个实施例中,计算机设备也可以基于计算得到的背景照度,动态调整降噪的计算深度以及延时时间,以保证图像清晰度和响应速度。例如,计算机设在确定背景照度较高(即高于预设的亮度阈值)时,将简化降噪深度或者采用低延时的降噪方式,对原始图像进行降噪处理。在背景照度较低(即低于预设的亮度阈值)时,增加降噪深度,以及增大延时时间,当前将以牺牲图像响应速度的方式,提高图像清晰度。
在一个实施例中,计算机设备在确定各区块分别对应的目标移动速度、背景噪声、以及图像特征的情况下,还能够在确定目标移动速度较快时,降低延时时间;以及,在确定目标移动速度较慢时,提高延时时间;以及,在确定背景噪声较大时,增加降噪深度,以及增大延时时间,以牺牲图像响应速度的方式,提高图像清晰度;以及,在确定图像特征较显著时,简化降噪深度或者采用低延时的降噪方式,对原始图像进行降噪处理,以保证图像清晰度。
需要说明的是,计算机设备在确定原始图像输入时,则开始计时,在确定降噪图像输出时则停止计时,当前,计算机设备通过计算上述开始计时与停止计时之间的时间差,以确定延时时间,并通过该延时时间判断图像的实际延迟。
在一个实施例中,在执行所述对映射得到的图像进行去噪处理,以将所述原始图像转化为去噪图像步骤之后,所述方法还包括:
步骤S1051,基于所述去噪图像进行第一噪声标准差的计算,以及,确定原始图像的第二噪声标准差。
具体的,计算机设备上述的公式(4)或公式(5),分别进行第一、第二噪声标准差的计算,本申请实施例在此不作过多说明。
步骤S1052,基于所述第一噪声标准差与所述第二噪声标准差之间的偏差,确定有效降噪程度。
具体的,计算机设备基于第一噪声标准差与第二噪声标准差之间比值,确定有效降噪程度,即将第一噪声标准差与第二噪声标准差进行求除计算,并基于得到的求除结果,确定有效降噪程度。
步骤S1053,在所述有效降噪程度的取值小于预设的程度阈值时,输出降噪失败的第一提示信息到用户终端,并重新确定各所述区块分别对应的图像特征。
具体的,计算机设备确定与用户终端之间的连接状态,并在确定成功连接到用户终端时,基于预设的信息传输接口,将第一提示信息传输到用户终端。在一个实施例中,计算机设备可以基于短信、邮件、视频叠加、有线和/或无线通信接口等形式进行第一提示信息的传输。在一个实施例中,计算机设备也可以基于内置的数据库进行第一提示信息的存储,以及,基于显示屏幕在预设的前端显示页面中定时显示第一提示信息,本申请实施例对上述的信息存储方式,以及信息显示方式不作限定。
步骤S1054,基于重新确定的图像特征,返回到所述将各所述图像特征之间进行特性显著性的比较步骤继续执行,直到所得的有效降噪程度的取值大于或等于预设的程度阈值时,输出降噪成功的第二提示信息到用户终端。
具体的,计算机设备在确定降噪失败的时候,会返回到步骤S101中,重新进行图像特征的确定,以及继续执行步骤S101-S105,直到确定降噪成功时,即确定降噪效果好的情况下,输出的第二提示信息到用户终端。
上述实施例中,输出第一提示信息或第二提示信息到用户终端,有助于位于用户终端侧的用户及时掌握图像去噪进度,提高用户的体验感。
请参照图2所示,本申请实施例还提供了一种自适应图像降噪系统,该系统包括:图像分区模块201、特征比较模块202、区块筛选模块203以及特征映射模块204,其中:
图像分区模块201,用于根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块。
特征比较模块202,用于确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种。
区块筛选模块203,用于根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区。
特征映射模块204,用于将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。
在其中一个实施例中,图像分区模块201,还用于获取所述原始图像的图像宽度和图像高度;根据所需分配到各所述区块的像素个数、以及所述原始图像的图像宽度,确定图像列区块的第一总数量;根据所需分配到各所述区块的像素个数、以及所述原始图像的图像高度,确定图像行区块的第二总数量;根据所述第一总数量和所述第二总数量,对原始图像进行均匀划分,得到多个区块。
在其中一个实施例中,特征比较模块202,还用于获取所述区块的直方图曲线,并从所述直方图曲线中提取出一定比例的部分直方图曲线;对提取出的部分直方图曲线进行低通滤波处理,并基于低通滤波处理得到的曲线,进行灰度均值的确定。
在其中一个实施例中,特征比较模块202,还用于确定各所述区块在时域中分别对应的边界变化状态;根据所述边界变化状态,从各所述区块中分别进行移动目标的识别,以及针对识别到的移动目标,确定所述移动目标的轮廓闭环;根据所确定的移动目标的轮廓闭环,确定各所述区块分别对应的移动目标亮度。
在其中一个实施例中,特征比较模块202,还用于针对各所述区块,分别在相应移动目标的轮廓闭环之外,进行噪声分析点的选择,得到多个噪声分析点;针对各所述区块,基于相应噪声分析点所对应的灰度值、基于各相应噪声分析点的灰度值所确定的算术平均值、以及噪声分析点的总数量,进行噪声标准差的计算。
在其中一个实施例中,特征比较模块202,还用于针对每个区块,分别获取预先设定的传感器增益以及背景灰度;根据所述传感器增益与所述背景灰度之间的比值,确定各所述区块分别对应的背景照度。
在其中一个实施例中,该系统200还包括信息提示模块,其中:
信息提示模块,用于基于所述去噪图像进行第一噪声标准差的计算,以及,确定原始图像的第二噪声标准差;基于所述第一噪声标准差与所述第二噪声标准差之间的偏差,确定有效降噪程度;在所述有效降噪程度的取值小于预设的程度阈值时,输出降噪失败的第一提示信息到用户终端,并重新确定各所述区块分别对应的图像特征;基于重新确定的图像特征,返回到所述将各所述图像特征之间进行特性显著性的比较步骤继续执行,直到所得的有效降噪程度的取值大于或等于预设的程度阈值时,输出降噪成功的第二提示信息到用户终端。
上述自适应图像降噪系统,根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。从而可以将原本应基于整幅图像进行统计的计算量,简化为基于筛选得到的参照区进行统计计算,通过将参照区的图像特征应用于整幅图像,提高了统计计算速度,降低了系统开销以及功耗,有效的节约了资源。
请参照图3所示,基于图3示意的整体架构图,在实现对原始图像的降噪处理时,具体包括以下步骤:
步骤A1,基于模块1示意的图像分区模块,将原始图像的关键区域按照2的X次幂规律,等分为M*N个区块块。之后,再将各个区块在原始图像中分别对应的坐标位置和采用的幂指数X,依次输出至模块2、模块3、模块4和模块5。
步骤A2,基于模块2示意的灰度统计模块,统计M*N块的灰度直方图,并从上述的直方图曲线中从大到小去掉1/8的数据曲线,以及,从最小到大的去掉1/8的数据曲线。之后,再对剩下的6/8数据曲线,进行邻域低通滤波处理,并基于低通滤波处理得到的曲线,进行灰度均值的确定。其中,上述分析得到的灰度均值将输出至模块6。
步骤A3,基于模块3示意的特征分析模块,进行轮廓边界分析、移动目标分析、以及亮目标分析等。其中,得到的各项分析结果将输入至模块6。
步骤A4,基于模块4示意的噪声分析模块,分别在每个区块中选择N个相对固定的噪声分析点,并计算此N个噪声分析点在时域中的噪声标准差。其中,计算得到的各项噪声标准差将输出至模块6。
步骤A5,基于模块5示意的照度分析模块,在图像传感器选定和内部增益确定的情况下,计算各个区块分别对应的背景照度;其中,计算得到的各项背景照度将输出至模块6。
步骤A6,基于模块6示意的参照区决策模块,根据接收到的各项灰度均值、移动目标亮度、噪声标准差以及背景照度,在模块1划分的M*N个区块中,选出一个特征最显著的区块,作为参照区;后续,将参照区的图像特征映射到整个原始图像中,得到相应的映射图像,并对映射得到的映射图像进行去噪处理,以将原始图像转化为相应的去噪图像;其中,上述得到的去噪图像将输出至模块7。
步骤A7,基于模块7示意的输出噪声分析模块,计算去噪图像的第一噪声标准差;其中,上述计算得到的噪声标准差将输出至模块9。
步骤A8,基于模块9示意的低照度图像处理模块确定原始图像的第二噪声标准差,以及,基于第一噪声标准差与第二噪声标准差之间的偏差,确定有效降噪程度;其中,基于有效降噪程度确定去噪失败的时候,输出降噪失败的第一提示信息到用户终端,并触发相应的功能模块重新进行原始图像的去噪;基于有效降噪程度确定去噪成功的时候,输出降噪成功的第二提示信息到用户终端。
步骤A9,基于模块8示意的计时模块,计算图像在模块9输入和输出的时间差,并将该时间差定义为执行模块9对应消耗的时间,以此判断图像的实际延迟,该时间可用来动态调整降噪算法的计算深度。
基于上述的整体架构,带来的有益效果包括但不限于:1、同等光照条件下,夜视距离更远;2、显著降低图像噪声和雪花点,图像更清晰;3、动态调整延时,使实时性符合实际需要;4、成本较低;5、夜视性能符合实际需要;6、系统开销较小,可降低功耗,节约能源。
本申请实施例提供一种存储介质,所述计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如同步动态随机存取存储器(Synchronous DynamicRandom Access Memory,简称SDRAM),单倍速率SDRAM(Single Data Rate SDRAM,简称SDR),双倍速率SDRAM(Double Data Rate SDRAM,简称DDR),静态随机存取存储器(StaticRandom Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种自适应图像降噪方法,其特征在于,包括以下步骤:
根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;
确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;
根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;
将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块,包括:
获取所述原始图像的图像宽度和图像高度;
根据所需分配到各所述区块的像素个数、以及所述原始图像的图像宽度,确定图像列区块的第一数量;
根据所需分配到各所述区块的像素个数、以及所述原始图像的图像高度,确定图像行区块的第二数量;
根据所述第一数量和所述第二数量,对原始图像进行均匀划分,得到多个区块。
3.根据权利要求1所述的方法,其特征在于,确定各所述区块分别对应的灰度均值,包括:
获取所述区块的直方图曲线,并从所述直方图曲线中提取出一定比例的部分直方图曲线;
对提取出的部分直方图曲线进行低通滤波处理,并基于低通滤波处理得到的曲线,进行灰度均值的确定。
4.根据权利要求1所述的方法,其特征在于,确定各所述区块分别对应的移动目标亮度,包括:
确定各所述区块在时域中分别对应的边界变化状态;
根据所述边界变化状态,从各所述区块中分别进行移动目标的识别,以及针对识别到的移动目标,确定所述移动目标的轮廓闭环;
根据所确定的移动目标的轮廓闭环,确定各所述区块分别对应的移动目标亮度。
5.根据权利要求4所述的方法,其特征在于,确定各所述区块分别对应的噪声标准差,包括:
针对各所述区块,分别在相应移动目标的轮廓闭环之外,进行噪声分析点的选择,得到多个噪声分析点;
针对各所述区块,基于相应噪声分析点所对应的灰度值、基于各相应噪声分析点的灰度值所确定的算术平均值、以及噪声分析点的总数量,进行噪声标准差的计算。
6.根据权利要求1所述的方法,其特征在于,确定各所述区块分别对应的背景照度,包括:
针对每个区块,分别获取预先设定的传感器增益以及背景灰度;
根据所述传感器增益与所述背景灰度之间的比值,确定各所述区块分别对应的背景照度。
7.根据权利要求1所述的方法,其特征在于,在执行所述对映射得到的图像进行去噪处理,以将所述原始图像转化为去噪图像步骤之后,所述方法还包括:
基于所述去噪图像进行第一噪声标准差的计算,以及,确定原始图像的第二噪声标准差;
基于所述第一噪声标准差与所述第二噪声标准差之间的偏差,确定有效降噪程度;
在所述有效降噪程度的取值小于预设的程度阈值时,输出降噪失败的第一提示信息到用户终端,并重新确定各所述区块分别对应的图像特征;
基于重新确定的图像特征,返回到所述将各所述图像特征之间进行特性显著性的比较步骤继续执行,直到所得的有效降噪程度的取值大于或等于预设的程度阈值时,输出降噪成功的第二提示信息到用户终端。
8.一种自适应图像降噪系统,其特征在于,所述系统包括:
图像分区模块,用于根据预设的图像分区规则,对原始图像进行均匀划分,得到多个区块;
特征比较模块,用于确定各所述区块分别对应的图像特征,并将各所述图像特征之间进行特性显著性的比较,得到相应的比较结果;所述图像特征包括灰度均值、移动目标亮度、噪声标准差以及背景照度中的至少一种;
区块筛选模块,用于根据所述比较结果,从所述多个区块中筛选出图像特征满足预设比较条件的目标区块,并将所述目标区块作为参照区;
特征映射模块,用于将所述参照区的图像特征,映射到所述多个区块中的其余各个区块中,并对映射得到的映射图像进行去噪处理,以将所述原始图像转化为相应的去噪图像。
9.根据权利要求8所述的系统,其特征在于,图像分区模块,还用于获取所述原始图像的图像宽度和图像高度;根据所需分配到各所述区块的像素个数、以及所述原始图像的图像宽度,确定图像列区块的第一总数量;根据所需分配到各所述区块的像素个数、以及所述原始图像的图像高度,确定图像行区块的第二总数量;根据所述第一总数量和所述第二总数量,对原始图像进行均匀划分,得到多个区块。
10.一种可读存储介质,其特征在于,所述可读存储介质中包括自适应图像降噪方法程序,所述自适应图像降噪方法程序被处理器执行时,实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054166.8A CN113763275A (zh) | 2021-09-09 | 2021-09-09 | 一种自适应图像降噪方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111054166.8A CN113763275A (zh) | 2021-09-09 | 2021-09-09 | 一种自适应图像降噪方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113763275A true CN113763275A (zh) | 2021-12-07 |
Family
ID=78794255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111054166.8A Pending CN113763275A (zh) | 2021-09-09 | 2021-09-09 | 一种自适应图像降噪方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763275A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005032122A1 (en) * | 2003-09-29 | 2005-04-07 | Samsung Electronics Co., Ltd. | Denoising method and apparatus |
CN105184741A (zh) * | 2015-08-03 | 2015-12-23 | 山东师范大学 | 基于改进非局部均值的三维cbct图像除噪方法 |
US20180232853A1 (en) * | 2015-06-30 | 2018-08-16 | Korea Advanced Institute Of Science And Technology | Image conversion device and image conversion method therefor |
CN109903294A (zh) * | 2019-01-25 | 2019-06-18 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
CN110084764A (zh) * | 2019-04-29 | 2019-08-02 | 努比亚技术有限公司 | 图像降噪处理方法、移动终端、装置及计算机存储介质 |
CN110213462A (zh) * | 2019-06-13 | 2019-09-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及图像处理电路 |
CN111161177A (zh) * | 2019-12-25 | 2020-05-15 | Tcl华星光电技术有限公司 | 图像自适应降噪方法和装置 |
CN112365413A (zh) * | 2020-10-30 | 2021-02-12 | 湖北锐世数字医学影像科技有限公司 | 图像处理方法、装置、设备、系统及计算机可读存储介质 |
CN112380367A (zh) * | 2020-10-27 | 2021-02-19 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN113240608A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像去噪方法、装置、电子设备和可读存储介质 |
-
2021
- 2021-09-09 CN CN202111054166.8A patent/CN113763275A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005032122A1 (en) * | 2003-09-29 | 2005-04-07 | Samsung Electronics Co., Ltd. | Denoising method and apparatus |
US20180232853A1 (en) * | 2015-06-30 | 2018-08-16 | Korea Advanced Institute Of Science And Technology | Image conversion device and image conversion method therefor |
CN105184741A (zh) * | 2015-08-03 | 2015-12-23 | 山东师范大学 | 基于改进非局部均值的三维cbct图像除噪方法 |
CN109903294A (zh) * | 2019-01-25 | 2019-06-18 | 北京三快在线科技有限公司 | 图像处理方法、装置、电子设备及可读存储介质 |
CN110084764A (zh) * | 2019-04-29 | 2019-08-02 | 努比亚技术有限公司 | 图像降噪处理方法、移动终端、装置及计算机存储介质 |
CN110213462A (zh) * | 2019-06-13 | 2019-09-06 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及图像处理电路 |
CN111161177A (zh) * | 2019-12-25 | 2020-05-15 | Tcl华星光电技术有限公司 | 图像自适应降噪方法和装置 |
CN112380367A (zh) * | 2020-10-27 | 2021-02-19 | 中南大学 | 一种基于熵的遥感影像数据筛选方法 |
CN112365413A (zh) * | 2020-10-30 | 2021-02-12 | 湖北锐世数字医学影像科技有限公司 | 图像处理方法、装置、设备、系统及计算机可读存储介质 |
CN113240608A (zh) * | 2021-05-26 | 2021-08-10 | Oppo广东移动通信有限公司 | 图像去噪方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (1)
Title |
---|
刘建宾;刘保中;: "一种基于深度学习的非局部均值图像降噪方法", 计算机仿真, no. 08, 15 August 2020 (2020-08-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109168068B (zh) | 视频处理方法、装置、电子设备及计算机可读介质 | |
WO2020038128A1 (zh) | 视频处理方法、装置、电子设备及计算机可读介质 | |
WO2020108082A1 (zh) | 视频处理方法、装置、电子设备和计算机可读介质 | |
US10269119B2 (en) | System and method for background and foreground segmentation | |
US10467734B2 (en) | Group management method, terminal, and storage medium | |
WO2022179335A1 (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
CN108234882B (zh) | 一种图像虚化方法及移动终端 | |
CN106529406B (zh) | 一种获取视频摘要图像的方法和装置 | |
CN112363842A (zh) | 图形处理器的频率调整方法、装置、电子设备及存储介质 | |
CN104182721A (zh) | 提升人脸识别率的图像处理系统及图像处理方法 | |
CN109120988B (zh) | 解码方法、装置、电子设备以及存储介质 | |
CN112734654B (zh) | 一种图像处理方法、装置、设备和存储介质 | |
Qin et al. | GPU-accelerated video background subtraction using Gabor detector | |
CN112950497A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN103685972A (zh) | 影像优化方法以及使用此方法的系统 | |
Feng et al. | Low-light image enhancement by refining illumination map with self-guided filtering | |
Grundland et al. | Automatic contrast enhancement by histogram warping | |
CN113763275A (zh) | 一种自适应图像降噪方法、系统及可读存储介质 | |
CN115660994B (zh) | 一种基于区域最小二乘估计的图像增强方法 | |
CN114429426B (zh) | 一种基于Retinex模型的低照度图像质量改善方法 | |
CN109167946A (zh) | 视频处理方法、装置、电子设备以及存储介质 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 | |
CN111476740B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN116917930A (zh) | 在电子设备中基于图像压缩质量校正图像的方法和设备 | |
CN113808045A (zh) | 一种图像亮度调节方法及装置 |
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 |