CN114820394A - 一种基于稳健参数估计的图像噪点滤波方法及装置 - Google Patents

一种基于稳健参数估计的图像噪点滤波方法及装置 Download PDF

Info

Publication number
CN114820394A
CN114820394A CN202210744914.3A CN202210744914A CN114820394A CN 114820394 A CN114820394 A CN 114820394A CN 202210744914 A CN202210744914 A CN 202210744914A CN 114820394 A CN114820394 A CN 114820394A
Authority
CN
China
Prior art keywords
image
value
gray value
convolution window
gray
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.)
Granted
Application number
CN202210744914.3A
Other languages
English (en)
Other versions
CN114820394B (zh
Inventor
高学鸿
李浩轩
黄国忠
蒋慧灵
周亮
欧盛南
张磊
邓青
向治锦
刘雪敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210744914.3A priority Critical patent/CN114820394B/zh
Publication of CN114820394A publication Critical patent/CN114820394A/zh
Application granted granted Critical
Publication of CN114820394B publication Critical patent/CN114820394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于稳健参数估计的图像噪点滤波方法及装置，涉及安全工程技术领域。包括：获取待滤波的图像；根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像；根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数；根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。本发明能够在保留图像边缘细节信息的同时对图像噪点进行有效去除。

Description

一种基于稳健参数估计的图像噪点滤波方法及装置
技术领域
本发明涉及安全工程技术领域，特别是指一种基于稳健参数估计的图像噪点滤波方法及装置。
背景技术
随着人工智能和计算机视觉技术的发展，越来越多的企业和政府机构开始应用各种图像识别算法对监控图像中的火灾信息进行智能化识别。然而，由于一些地区的监控摄像存在设备成像质量不高、监控受环境干扰以及图片通信压缩受损等客观不利因素，会使监控图像中出现噪点并会影响图像识别算法的识别精度，这很可能导致火灾隐患不能被及时发现，从而造成人员伤亡及财产损失，因此需要提出一种有效的图像滤波方法对噪声进行抑制。
加权均值滤波是对一中心像素点周围像素的灰度值按照某种赋权方式进行加权平均操作，并将结果值替换中心像素值，该方法可以较好地抑制图像中的椒盐噪声，但对噪点密集的图像平滑性能较差，同时会抑制图像中的边缘信息，不利于精确识别图像的起火范围。
由于传统的加权均值滤波仅参考空间距离分配权重，其效果很容易受到对应卷积窗口中多个噪点像素值的干扰，同时也会对图像边缘细节造成损失；而中值滤波由于其算法的选择性特点，在应对脉冲型噪声时效果较差；双边高斯滤波虽然可以很好地兼顾噪点平滑和边缘保留效果，但难于应对呈现为边缘信息的连续像素噪点。因此，如何实现在保留图像边缘细节信息的同时对图像噪点进行有效去除是亟需解决的问题。
发明内容
本发明针对如何实现在保留图像边缘细节信息的同时对图像噪点进行有效去除的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于稳健参数估计的图像噪点滤波方法，该方法由电子设备实现，该方法包括：
S1、获取待滤波的图像。
S2、根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。
S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。
S4、根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
可选地，S2中的根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像包括：
S21、根据待滤波的图像的大小选取卷积窗口尺寸值。
S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。
S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。
可选地，S23中的加边填充的过程，如下式（1）所示：
Figure 453157DEST_PATH_IMAGE001
其中，
Figure 116219DEST_PATH_IMAGE002
加边填充后的灰度值矩阵的宽度；
Figure 313982DEST_PATH_IMAGE003
为灰度值矩阵的宽度；
Figure 2584DEST_PATH_IMAGE004
为边填充后的灰度值矩阵的高度；
Figure 703824DEST_PATH_IMAGE005
为灰度值矩阵的高度；
Figure 68946DEST_PATH_IMAGE006
为向下取整floor函数；
Figure 596748DEST_PATH_IMAGE007
为所选取卷积窗口尺寸值。
可选地，S3中的根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数包括：
S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。
S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵
Figure 213674DEST_PATH_IMAGE008
进行展平 排列，得到展平后的灰度值
Figure 300579DEST_PATH_IMAGE009
和
Figure 836602DEST_PATH_IMAGE010
，将展平后的灰度值进 行两两配对得到配对后的灰度值
Figure 743378DEST_PATH_IMAGE011
，将配对后的灰度值置于集合
Figure 977045DEST_PATH_IMAGE012
中。
S33、筛选集合
Figure 43090DEST_PATH_IMAGE012
中符合像素点位置
Figure 890960DEST_PATH_IMAGE013
的元素，置于集合
Figure 285032DEST_PATH_IMAGE014
中。
S34、计算集合
Figure 86504DEST_PATH_IMAGE014
中每个元素的平均值，并将平均值置于集合
Figure 741476DEST_PATH_IMAGE015
中。
S35、计算集合
Figure 494669DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 251403DEST_PATH_IMAGE008
的霍奇斯-莱曼Hodges- Lehmann值。
S36、去除集合
Figure 748244DEST_PATH_IMAGE014
中像素点位置相等的元素，得到集合
Figure 664247DEST_PATH_IMAGE016
。
S37、计算集合
Figure 712974DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值。
S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。
可选地，S35中的计算集合
Figure 81639DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 382170DEST_PATH_IMAGE008
的霍奇斯- 莱曼Hodges-Lehmann值，包括：
根据下述公式（2），计算得到灰度值矩阵
Figure 792161DEST_PATH_IMAGE008
的Hodges-Lehmann值
Figure 621576DEST_PATH_IMAGE017
。
Figure 743116DEST_PATH_IMAGE018
其中，
Figure 971972DEST_PATH_IMAGE019
函数为中位数计算函数。
可选地，S37中的计算集合
Figure 331409DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值包括：
根据下述公式（3），计算得到集合
Figure 862885DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值：
Figure 815929DEST_PATH_IMAGE020
其中，
Figure 723842DEST_PATH_IMAGE021
为标准高斯分布的累计分布函数值为0.75时对应的标准分数。
可选地，S38中的根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数包括：
将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。
其中，灰度值矩阵的高斯分布概率密度函数
Figure 468944DEST_PATH_IMAGE022
的计算方法，如下式（4）所示：
Figure 30375DEST_PATH_IMAGE023
其中，
Figure 860928DEST_PATH_IMAGE017
为Hodges-Lehmann值；变量
Figure 306953DEST_PATH_IMAGE024
为像素灰度空间中的任意值。
可选地，S4中的根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像包括：
S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值
Figure 26602DEST_PATH_IMAGE009
。
S42、根据高斯分布概率密度函数对灰度值
Figure 899880DEST_PATH_IMAGE009
进行带入变量
Figure 76784DEST_PATH_IMAGE024
，将带入变量后的 灰度值进行累加求和，得到灰度值矩阵
Figure 60920DEST_PATH_IMAGE008
的权重总和
Figure 515035DEST_PATH_IMAGE025
。
S43、根据权重总和
Figure 434581DEST_PATH_IMAGE025
，得到卷积窗口内各像素点的灰度值的归一化权重
Figure 239726DEST_PATH_IMAGE026
。
S44、根据归一化权重
Figure 761974DEST_PATH_IMAGE026
，得到新的待检图像的各颜色通道下的中心像素点的灰 度值的加权修正值
Figure 460809DEST_PATH_IMAGE027
。
S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。
S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。
可选地，S44中的根据归一化权重
Figure 675889DEST_PATH_IMAGE026
，得到新的待检图像的各颜色通道下的中心 像素点的灰度值的加权修正值
Figure 437172DEST_PATH_IMAGE027
的过程，如下式（5）所示：
Figure 137012DEST_PATH_IMAGE028
其中，
Figure 565720DEST_PATH_IMAGE009
为展平后的灰度值；
Figure 810756DEST_PATH_IMAGE017
为Hodges-Lehmann值。
另一方面，本发明提供了一种基于稳健参数估计的图像噪点滤波装置，该装置应用于实现基于稳健参数估计的图像噪点滤波方法，该装置包括：
获取模块，用于获取待滤波的图像。
初始化模块，用于根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。
生成模块，用于根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。
输出模块，用于根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
可选地，初始化模块，进一步用于：
S21、根据待滤波的图像的大小选取卷积窗口尺寸值。
S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。
S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。
可选地，初始化模块，进一步用于：
Figure 43023DEST_PATH_IMAGE001
其中，
Figure 500550DEST_PATH_IMAGE002
加边填充后的灰度值矩阵的宽度；
Figure 862392DEST_PATH_IMAGE003
为灰度值矩阵的宽度；
Figure 684854DEST_PATH_IMAGE004
为边填充后的灰度值矩阵的高度；
Figure 420729DEST_PATH_IMAGE005
为灰度值矩阵的高度；
Figure 478684DEST_PATH_IMAGE006
为向下取整floor函数；
Figure 350825DEST_PATH_IMAGE007
为所选取卷积窗口尺寸值。
可选地，生成模块，进一步用于：
S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。
S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵
Figure 344189DEST_PATH_IMAGE008
进行展平 排列，得到展平后的灰度值
Figure 206840DEST_PATH_IMAGE009
和
Figure 412694DEST_PATH_IMAGE010
，将展平后的灰度值进 行两两配对得到配对后的灰度值
Figure 480619DEST_PATH_IMAGE011
，将配对后的灰度值置于集合
Figure 520251DEST_PATH_IMAGE012
中。
S33、筛选集合
Figure 965138DEST_PATH_IMAGE012
中符合像素点位置
Figure 240262DEST_PATH_IMAGE013
的元素，置于集合
Figure 477208DEST_PATH_IMAGE014
中。
S34、计算集合
Figure 546795DEST_PATH_IMAGE014
中每个元素的平均值，并将平均值置于集合
Figure 118460DEST_PATH_IMAGE015
中。
S35、计算集合
Figure 931695DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 898514DEST_PATH_IMAGE008
的霍奇斯-莱曼Hodges- Lehmann值。
S36、去除集合
Figure 263636DEST_PATH_IMAGE014
中像素点位置相等的元素，得到集合
Figure 214275DEST_PATH_IMAGE016
。
S37、计算集合
Figure 565622DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值。
S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。
可选地，生成模块，进一步用于：
Figure 527893DEST_PATH_IMAGE029
其中，
Figure 204862DEST_PATH_IMAGE019
函数为中位数计算函数。
可选地，生成模块，进一步用于：
Figure 111638DEST_PATH_IMAGE030
其中，
Figure 391309DEST_PATH_IMAGE021
为标准高斯分布的累计分布函数值为0.75时对应的标准分数。
可选地，生成模块，进一步用于：
将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。
其中，灰度值矩阵的高斯分布概率密度函数
Figure 598300DEST_PATH_IMAGE022
的计算方法，如下式（4）所示：
Figure 915012DEST_PATH_IMAGE023
其中，
Figure 960283DEST_PATH_IMAGE017
为Hodges-Lehmann值；变量
Figure 653433DEST_PATH_IMAGE024
为像素灰度空间中的任意值。
可选地，输出模块，进一步用于：
S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值
Figure 714930DEST_PATH_IMAGE009
。
S42、根据高斯分布概率密度函数对灰度值
Figure 858335DEST_PATH_IMAGE009
进行带入变量
Figure 739703DEST_PATH_IMAGE024
，将带入变量后的 灰度值进行累加求和，得到灰度值矩阵
Figure 236544DEST_PATH_IMAGE008
的权重总和
Figure 762334DEST_PATH_IMAGE025
。
S43、根据权重总和
Figure 952007DEST_PATH_IMAGE025
，得到卷积窗口内各像素点的灰度值的归一化权重
Figure 445305DEST_PATH_IMAGE026
。
S44、根据归一化权重
Figure 745837DEST_PATH_IMAGE026
，得到新的待检图像的各颜色通道下的中心像素点的灰 度值的加权修正值
Figure 250767DEST_PATH_IMAGE027
。
S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。
S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。
可选地，输出模块，进一步用于：
Figure 985243DEST_PATH_IMAGE031
其中，
Figure 169100DEST_PATH_IMAGE009
为展平后的灰度值；
Figure 742163DEST_PATH_IMAGE017
为Hodges-Lehmann值。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于稳健参数估计的图像噪点滤波方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于稳健参数估计的图像噪点滤波方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，针对于火灾图像中可能出现的密集噪点，采用Hodges-Lehmann统计量对卷积窗口内像素灰度值概率分布的均值进行稳健性估计，并采用Shamos统计量对灰度空间的标准差进行稳健性估计，由于Hodges-Lehmann值与Shamos值的统计学失效点优于样本均值与方差，所以本专利相较于传统的灰度高斯滤波能够更加合理地估计含噪点卷积窗口的统计学特征，具有更强的高密集噪声抑制能力；且由于Hodges-Lehmann值比中位数可以更加准确反映含噪样本的集中趋势，所以本发明相较于中值滤波有更好的抗脉冲噪声能力；此外，传统高斯滤波的方差设置需要凭借操作人员经验进行手工设定，且滤波会对图像边缘细节造成损失，而本发明中滤波算法可根据所指定的卷积尺寸与相应像素灰度矩阵计算符合中心像素领域统计学特征的自适应卷积核，简单易用；且由于Hodges-Lehmann值与Shamos值对统计异常值存在失效点，其生成的自适应卷积核能在一定程度上综合考虑噪点和边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对火灾图像去噪的同时保留图像边界信息，为后续的火焰边缘检测、受灾目标分割和灾情实时评估提供良好的数据基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例提供的基于稳健参数估计的图像噪点滤波方法流程示意图；
图2是本发明实施例提供的火灾图像某卷积窗口示例图；
图3是本发明实施例提供的基于稳健参数估计的图像噪点滤波装置框图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种基于稳健参数估计的图像噪点滤波方法，该方法可以由电子设备实现。如图1所示的基于稳健参数估计的图像噪点滤波方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取待滤波的图像。
一种可行的实施方式中，所获取待滤波的图像可以是火灾图像，也可以是除火灾图像之外的其他类型的噪点图像，比如汽车图像、人像、建筑物图像等。
S2、根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。
可选地，S2中的根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像包括：
S21、根据待滤波的图像的大小选取卷积窗口尺寸值。
一种可行的实施方式中，根据待滤波图像的图片大小，依经验选取方形卷积窗口 尺寸
Figure 242546DEST_PATH_IMAGE024
的值，
Figure 774022DEST_PATH_IMAGE024
一般介于2～5之间。
S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。
一种可行的实施方式中，采集待滤波的图像RGB颜色通道的灰度矩阵，记第
Figure 976333DEST_PATH_IMAGE032
行、第
Figure 884246DEST_PATH_IMAGE033
列的像素点为
Figure 363769DEST_PATH_IMAGE034
，其色彩值为
Figure 174468DEST_PATH_IMAGE035
，引用
Figure 5020DEST_PATH_IMAGE036
代表任一颜色通道下的像素 点
Figure 185466DEST_PATH_IMAGE037
的灰度值。
S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。
可选地，S23中的加边填充的过程，如下式（1）所示：
Figure 909708DEST_PATH_IMAGE001
其中，
Figure 517407DEST_PATH_IMAGE002
加边填充后的灰度值矩阵的宽度；
Figure 445043DEST_PATH_IMAGE003
为灰度值矩阵的宽度；
Figure 429180DEST_PATH_IMAGE004
为边填充后的灰度值矩阵的高度；
Figure 7929DEST_PATH_IMAGE005
为灰度值矩阵的高度；
Figure 52108DEST_PATH_IMAGE006
为floor函数，意为对
Figure 591674DEST_PATH_IMAGE038
进 行向下取整；
Figure 753402DEST_PATH_IMAGE007
为所选取卷积窗口尺寸值。
一种可行的实施方式中，根据
Figure 62024DEST_PATH_IMAGE007
值对原始的待滤波的图像的像素灰度值矩阵进行 0值加边填充，生成一幅新的待检图像。
进一步地，该新的待检图像在卷积窗口内的像素灰度值矩阵
Figure 277105DEST_PATH_IMAGE008
表达如下式（2） 所示：
Figure 163021DEST_PATH_IMAGE039
其中，
Figure 754539DEST_PATH_IMAGE036
为中心像素点的灰度值。
S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。
可选地，S3中的根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数包括：
S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。
一种可行的实施方式中，以原始图像即待滤波的图像（非加边处理后的图像）中灰 度值为
Figure 793034DEST_PATH_IMAGE036
的各像素点为中心像素点，生成相应的卷积窗口。
S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵
Figure 179016DEST_PATH_IMAGE008
进行展平 排列，得到展平后的灰度值
Figure 693174DEST_PATH_IMAGE009
和
Figure 947438DEST_PATH_IMAGE010
，将展平后的灰度值进 行两两配对得到配对后的灰度值
Figure 965072DEST_PATH_IMAGE011
，将配对后的灰度值置于集合
Figure 787535DEST_PATH_IMAGE012
中。
一种可行的实施方式中，配对后的灰度值可以是
Figure 162890DEST_PATH_IMAGE011
，也可以采用其他像素 点配对方法如
Figure 565053DEST_PATH_IMAGE040
或
Figure 968352DEST_PATH_IMAGE041
。
S33、筛选集合
Figure 86350DEST_PATH_IMAGE012
中符合像素点位置
Figure 43941DEST_PATH_IMAGE013
的元素，置于集合
Figure 390740DEST_PATH_IMAGE014
中。
S34、计算集合
Figure 648546DEST_PATH_IMAGE014
中每个元素的平均值，并将平均值置于集合
Figure 281653DEST_PATH_IMAGE015
中。
S35、计算集合
Figure 382333DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 657456DEST_PATH_IMAGE008
的霍奇斯-莱曼Hodges- Lehmann值。
可选地，S35中的计算集合
Figure 504190DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 213257DEST_PATH_IMAGE008
的霍奇斯- 莱曼Hodges-Lehmann值，包括：
根据下述公式（3），计算得到灰度值矩阵
Figure 411021DEST_PATH_IMAGE008
的Hodges-Lehmann值
Figure 489835DEST_PATH_IMAGE017
：
Figure 722233DEST_PATH_IMAGE042
其中，
Figure 821776DEST_PATH_IMAGE019
函数为中位数计算函数。
S36、去除集合
Figure 772415DEST_PATH_IMAGE014
中像素点位置相等的元素（即
Figure 999128DEST_PATH_IMAGE043
），得到集合
Figure 86033DEST_PATH_IMAGE016
。
S37、计算集合
Figure 231843DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值。
可选地，S37中的计算集合
Figure 528832DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值包括：
根据下述公式（4），计算得到集合
Figure 949449DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值：
Figure 890860DEST_PATH_IMAGE044
其中，
Figure 847053DEST_PATH_IMAGE021
为标准高斯分布的累计分布函数值为0.75时对应的标准分数。
举例来说，对于某一中心像素点
Figure 506704DEST_PATH_IMAGE036
，假定其卷积窗口尺寸为
Figure 465433DEST_PATH_IMAGE045
，其Hodges- Lehmann值与Shamos值计算过程有如下示例：
假设某图像的任一卷积窗口区域内包含的像素点如图2所示，其中，阴影位置为中 心像素点。进一步对像素点进行两两配对，构成的集合
Figure 526930DEST_PATH_IMAGE046
如下表1所示，表1中下划线部分 元素组成的区域为
Figure 404756DEST_PATH_IMAGE047
子集；在
Figure 286125DEST_PATH_IMAGE047
子集的区域中去除对角元素（即[5,5]、[3,3]、[4,4]、…、 [5,5]）后形成子集
Figure 48544DEST_PATH_IMAGE048
。
表1
Figure 839914DEST_PATH_IMAGE049
则Hodges-Lehmann值为：
Figure 764007DEST_PATH_IMAGE050
Shamos值为：
Figure 398251DEST_PATH_IMAGE051
S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。
可选地，S38中的根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数包括：
将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。
一种可行的实施方式中，对于中心像素点为
Figure 557837DEST_PATH_IMAGE036
的卷积窗口的像素灰度值矩阵
Figure 328347DEST_PATH_IMAGE008
，基于高斯分布、利用Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估 计值，Shamos值作为其标准差的稳健估计值，自主生成该卷积窗口对应的灰度高斯分布概 率密度函数
Figure 688921DEST_PATH_IMAGE022
，即卷积核，如下式（5）所示：
Figure 918783DEST_PATH_IMAGE052
其中，
Figure 23005DEST_PATH_IMAGE017
为Hodges-Lehmann值；变量
Figure 648022DEST_PATH_IMAGE024
为像素灰度空间中的任意值。
S4、根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
可选地，S4中的根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像包括：
S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值
Figure 304131DEST_PATH_IMAGE009
。
S42、根据高斯分布概率密度函数对灰度值
Figure 647388DEST_PATH_IMAGE009
进行带入变量
Figure 289721DEST_PATH_IMAGE024
，将带入变量后的 灰度值进行累加求和，得到灰度值矩阵
Figure 644611DEST_PATH_IMAGE008
的权重总和
Figure 346987DEST_PATH_IMAGE025
。
一种可行的实施方式中，基于式（5）中高斯分布概率密度函数，将卷积窗口中各点 像素灰度值
Figure 911961DEST_PATH_IMAGE009
依次带入变量
Figure 482620DEST_PATH_IMAGE024
，并将结果进行累加求和，计算每个卷积窗口内灰度值矩阵
Figure 347807DEST_PATH_IMAGE008
的权值总和
Figure 955506DEST_PATH_IMAGE025
，具体公式如下式（6）所示：
Figure 393396DEST_PATH_IMAGE053
S43、根据权重总和
Figure 643112DEST_PATH_IMAGE025
，得到卷积窗口内各像素点的灰度值的归一化权重
Figure 690702DEST_PATH_IMAGE026
。
S44、根据归一化权重
Figure 734882DEST_PATH_IMAGE026
，得到新的待检图像的各颜色通道下的中心像素点的灰 度值的加权修正值
Figure 884234DEST_PATH_IMAGE027
。
可选地，S44中的根据归一化权重
Figure 672062DEST_PATH_IMAGE026
，得到新的待检图像的各颜色通道下的中心 像素点的灰度值的加权修正值
Figure 980683DEST_PATH_IMAGE027
的过程，如下式（7）所示：
Figure 320398DEST_PATH_IMAGE054
其中，
Figure 612839DEST_PATH_IMAGE009
为展平后的灰度值；
Figure 673199DEST_PATH_IMAGE017
为Hodges-Lehmann值。
一种可行的实施方式中，计算各像素点归一化权重
Figure 741387DEST_PATH_IMAGE026
，并与其像素灰度值
Figure 127369DEST_PATH_IMAGE009
相 乘，累加计算卷积窗口中像素灰度的加权平均值作为中心像素灰度值的修正值
Figure 641527DEST_PATH_IMAGE027
。
S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。
S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。
一种可行的实施方式中，根据上述计算能够得到RGB颜色通道中任一颜色通道的 灰度空间，根据所有RGB颜色通道的灰度空间可以得到该中心像素点最终色彩修正值为
Figure 630211DEST_PATH_IMAGE055
，最终得到滤波去噪后的图像。
本发明实施例中，针对于火灾图像中可能出现的密集噪点，采用Hodges-Lehmann统计量对卷积窗口内像素灰度值概率分布的均值进行稳健性估计，并采用Shamos统计量对灰度空间的标准差进行稳健性估计，由于Hodges-Lehmann值与Shamos值的统计学失效点优于样本均值与方差，所以本专利相较于传统的灰度高斯滤波能够更加合理地估计含噪点卷积窗口的统计学特征，具有更强的高密集噪声抑制能力；且由于Hodges-Lehmann值比中位数可以更加准确反映含噪样本的集中趋势，所以本发明相较于中值滤波有更好的抗脉冲噪声能力；此外，传统高斯滤波的方差设置需要凭借操作人员经验进行手工设定，且滤波会对图像边缘细节造成损失，而本发明中滤波算法可根据所指定的卷积尺寸与相应像素灰度矩阵计算符合中心像素领域统计学特征的自适应卷积核，简单易用；且由于Hodges-Lehmann值与Shamos值对统计异常值存在失效点，其生成的自适应卷积核能在一定程度上综合考虑噪点和边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对火灾图像去噪的同时保留图像边界信息，为后续的火焰边缘检测、受灾目标分割和灾情实时评估提供良好的数据基础。
如图3所示，本发明实施例提供了一种基于稳健参数估计的图像噪点滤波装置300，该装置300应用于实现基于稳健参数估计的图像噪点滤波方法，该装置300包括：
获取模块310，用于获取待滤波的图像。
初始化模块320，用于根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。
生成模块330，用于根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。
输出模块340，用于根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
可选地，初始化模块320，进一步用于：
S21、根据待滤波的图像的大小选取卷积窗口尺寸值。
S22、获取待滤波的图像的各颜色通道下的灰度值矩阵。
S23、根据卷积窗口尺寸值对各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。
可选地，初始化模块320，进一步用于：
Figure 179004DEST_PATH_IMAGE001
其中，
Figure 735887DEST_PATH_IMAGE002
加边填充后的灰度值矩阵的宽度；
Figure 737341DEST_PATH_IMAGE003
为灰度值矩阵的宽度；
Figure 546029DEST_PATH_IMAGE004
为边填充后的灰度值矩阵的高度；
Figure 277224DEST_PATH_IMAGE005
为灰度值矩阵的高度；
Figure 5009DEST_PATH_IMAGE006
为向下取整floor函数；
Figure 493759DEST_PATH_IMAGE007
为所选取卷积窗口尺寸值。
可选地，生成模块330，进一步用于：
S31、以待滤波的图像的中心像素点为中心，根据卷积窗口尺寸值，生成卷积窗口。
S32、在卷积窗口内、对新的待检图像的各颜色通道下的灰度值矩阵
Figure 339093DEST_PATH_IMAGE008
进行展平 排列，得到展平后的灰度值
Figure 596899DEST_PATH_IMAGE009
和
Figure 495585DEST_PATH_IMAGE010
，将展平后的灰度值进 行两两配对得到配对后的灰度值
Figure 330686DEST_PATH_IMAGE011
，将配对后的灰度值置于集合
Figure 605809DEST_PATH_IMAGE012
中。
S33、筛选集合
Figure 718122DEST_PATH_IMAGE012
中符合像素点位置
Figure 53288DEST_PATH_IMAGE013
的元素，置于集合
Figure 860838DEST_PATH_IMAGE014
中。
S34、计算集合
Figure 939653DEST_PATH_IMAGE014
中每个元素的平均值，并将平均值置于集合
Figure 906472DEST_PATH_IMAGE015
中。
S35、计算集合
Figure 271594DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 956653DEST_PATH_IMAGE008
的霍奇斯-莱曼Hodges- Lehmann值。
S36、去除集合
Figure 681901DEST_PATH_IMAGE014
中像素点位置相等的元素，得到集合
Figure 768806DEST_PATH_IMAGE016
。
S37、计算集合
Figure 445775DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值。
S38、根据Hodges-Lehmann值以及Shamos值，生成灰度值矩阵的高斯分布概率密度函数。
可选地，生成模块330，进一步用于：
Figure 618131DEST_PATH_IMAGE056
其中，
Figure 897802DEST_PATH_IMAGE019
函数为中位数计算函数。
可选地，生成模块330，进一步用于：
Figure 839213DEST_PATH_IMAGE020
其中，
Figure 687084DEST_PATH_IMAGE021
为标准高斯分布的累计分布函数值为0.75时对应的标准分数。
可选地，生成模块330，进一步用于：
将Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数。
其中，灰度值矩阵的高斯分布概率密度函数
Figure 222101DEST_PATH_IMAGE022
的计算方法，如下式（4）所示：
Figure 915251DEST_PATH_IMAGE057
其中，
Figure 976748DEST_PATH_IMAGE017
为Hodges-Lehmann值；变量
Figure 854574DEST_PATH_IMAGE024
为像素灰度空间中的任意值。
可选地，输出模块340，进一步用于：
S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度 值
Figure 1521DEST_PATH_IMAGE009
。
S42、根据高斯分布概率密度函数对灰度值
Figure 498362DEST_PATH_IMAGE009
进行带入变量
Figure 788267DEST_PATH_IMAGE024
，将带入变量后的 灰度值进行累加求和，得到灰度值矩阵
Figure 712360DEST_PATH_IMAGE008
的权重总和
Figure 81025DEST_PATH_IMAGE025
。
S43、根据权重总和
Figure 506190DEST_PATH_IMAGE025
，得到卷积窗口内各像素点的灰度值的归一化权重
Figure 542279DEST_PATH_IMAGE026
。
S44、根据归一化权重
Figure 637274DEST_PATH_IMAGE026
，得到新的待检图像的各颜色通道下的中心像素点的灰 度值的加权修正值
Figure 103021DEST_PATH_IMAGE027
。
S45、根据加权修正值，得到新的待检图像的各颜色通道下的中心像素点的灰度值。
S46、根据新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。
可选地，输出模块340，进一步用于：
Figure 207244DEST_PATH_IMAGE058
其中，
Figure 97839DEST_PATH_IMAGE009
为展平后的灰度值；
Figure 753949DEST_PATH_IMAGE017
为Hodges-Lehmann值。
本发明实施例中，针对于火灾图像中可能出现的密集噪点，采用Hodges-Lehmann统计量对卷积窗口内像素灰度值概率分布的均值进行稳健性估计，并采用Shamos统计量对灰度空间的标准差进行稳健性估计，由于Hodges-Lehmann值与Shamos值的统计学失效点优于样本均值与方差，所以本专利相较于传统的灰度高斯滤波能够更加合理地估计含噪点卷积窗口的统计学特征，具有更强的高密集噪声抑制能力；且由于Hodges-Lehmann值比中位数可以更加准确反映含噪样本的集中趋势，所以本发明相较于中值滤波有更好的抗脉冲噪声能力；此外，传统高斯滤波的方差设置需要凭借操作人员经验进行手工设定，且滤波会对图像边缘细节造成损失，而本发明中滤波算法可根据所指定的卷积尺寸与相应像素灰度矩阵计算符合中心像素领域统计学特征的自适应卷积核，简单易用；且由于Hodges-Lehmann值与Shamos值对统计异常值存在失效点，其生成的自适应卷积核能在一定程度上综合考虑噪点和边缘信息对中心像点的影响程度，所以其面对边缘细节的中心像素也具有一定的保留能力，实现在对火灾图像去噪的同时保留图像边界信息，为后续的火焰边缘检测、受灾目标分割和灾情实时评估提供良好的数据基础。
图4是本发明实施例提供的一种电子设备400的结构示意图，该电子设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）401和一个或一个以上的存储器402，其中，存储器402中存储有至少一条指令，至少一条指令由处理器401加载并执行以实现下述基于稳健参数估计的图像噪点滤波方法：
S1、获取待滤波的图像。
S2、根据待滤波的图像选取卷积窗口尺寸值，并根据卷积窗口尺寸值对待滤波的图像进行初始化，得到新的待检图像。
S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成灰度值矩阵的高斯分布概率密度函数。
S4、根据高斯分布概率密度函数，得到新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于稳健参数估计的图像噪点滤波方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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 (10)

1.一种基于稳健参数估计的图像噪点滤波方法，其特征在于，所述方法包括：
S1、获取待滤波的图像；
S2、根据所述待滤波的图像选取卷积窗口尺寸值，并根据所述卷积窗口尺寸值对所述待滤波的图像进行初始化，得到新的待检图像；
S3、根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成所述灰度值矩阵的高斯分布概率密度函数；
S4、根据所述高斯分布概率密度函数，得到所述新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
2.根据权利要求1所述的方法，其特征在于，所述S2中的根据所述待滤波的图像选取卷积窗口尺寸值，并根据所述卷积窗口尺寸值对所述待滤波的图像进行初始化，得到新的待检图像包括：
S21、根据所述待滤波的图像的大小选取卷积窗口尺寸值；
S22、获取所述待滤波的图像的各颜色通道下的灰度值矩阵；
S23、根据所述卷积窗口尺寸值对所述各颜色通道下的灰度值矩阵进行加边填充，得到新的待检图像。
3.根据权利要求1所述的方法，其特征在于，所述S23中的加边填充的过程，如下式（1）所示：
Figure 13030DEST_PATH_IMAGE001
其中，
Figure 618193DEST_PATH_IMAGE002
加边填充后的灰度值矩阵的宽度；
Figure 268617DEST_PATH_IMAGE003
为灰度值矩阵的宽度；
Figure 723869DEST_PATH_IMAGE004
为边 填充后的灰度值矩阵的高度；
Figure 951588DEST_PATH_IMAGE005
为灰度值矩阵的高度；
Figure 783278DEST_PATH_IMAGE006
为向下取整floor函数；
Figure 288209DEST_PATH_IMAGE007
为所 选取卷积窗口尺寸值。
4.根据权利要求1所述方法，其特征在于，所述S3中的根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成所述灰度值矩阵的高斯分布概率密度函数包括：
S31、以待滤波的图像的中心像素点为中心，根据所述卷积窗口尺寸值，生成卷积窗口；
S32、在所述卷积窗口内，对所述新的待检图像的各颜色通道下的灰度值矩阵
Figure 992991DEST_PATH_IMAGE008
进行 展平排列，得到展平后的灰度值
Figure 645689DEST_PATH_IMAGE009
和
Figure 218753DEST_PATH_IMAGE010
，将所述展平后的 灰度值进行两两配对得到配对后的灰度值
Figure 702824DEST_PATH_IMAGE011
，将所述配对后的灰度值置于集合
Figure 765458DEST_PATH_IMAGE012
中；
S33、筛选所述集合
Figure 577556DEST_PATH_IMAGE012
中符合像素点位置
Figure 605510DEST_PATH_IMAGE013
的元素，置于集合
Figure 881770DEST_PATH_IMAGE014
中；
S34、计算所述集合
Figure 318568DEST_PATH_IMAGE014
中每个元素的平均值，并将所述平均值置于集合
Figure 742596DEST_PATH_IMAGE015
中；
S35、计算所述集合
Figure 923042DEST_PATH_IMAGE015
中元素的中位数，得到灰度值矩阵
Figure 53809DEST_PATH_IMAGE008
的霍奇斯-莱曼Hodges- Lehmann值；
S36、去除所述集合
Figure 536874DEST_PATH_IMAGE014
中像素点位置相等的元素，得到集合
Figure 323564DEST_PATH_IMAGE016
；
S37、计算所述集合
Figure 838859DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值；
S38、根据所述Hodges-Lehmann值以及Shamos值，生成所述灰度值矩阵的高斯分布概率密度函数。
5.根据权利要求4所述的方法，其特征在于，所述S35中的计算所述集合
Figure 152029DEST_PATH_IMAGE015
中元素的 中位数，得到灰度值矩阵
Figure 727367DEST_PATH_IMAGE008
的霍奇斯-莱曼Hodges-Lehmann值，包括：
根据下述公式（2），计算得到灰度值矩阵
Figure 266932DEST_PATH_IMAGE008
的Hodges-Lehmann值
Figure 897503DEST_PATH_IMAGE017
：
Figure 2862DEST_PATH_IMAGE018
其中，
Figure 686784DEST_PATH_IMAGE019
函数为中位数计算函数。
6.根据权利要求4所述的方法，其特征在于，所述S37中的计算所述集合
Figure 572701DEST_PATH_IMAGE016
中元素的沙 莫斯Shamos值包括：
根据下述公式（3），计算得到所述集合
Figure 695377DEST_PATH_IMAGE016
中元素的沙莫斯Shamos值：
Figure 592926DEST_PATH_IMAGE020
其中，
Figure 510067DEST_PATH_IMAGE021
为标准高斯分布的累计分布函数值为0.75时对应的标准分数。
7.根据权利要求4所述的方法，其特征在于，所述S38中的根据所述Hodges-Lehmann值以及Shamos值，生成所述灰度值矩阵的高斯分布概率密度函数包括：
将所述Hodges-Lehmann值作为卷积窗口内像素灰度空间均值的稳健估计值，将所述Shamos值作为卷积窗口内像素灰度空间标准差的稳健估计值，自主生成卷积窗口内像素灰度空间的灰度值矩阵的高斯分布概率密度函数；
其中，所述灰度值矩阵的高斯分布概率密度函数
Figure 899591DEST_PATH_IMAGE022
的计算方法，如下式（4）所示：
Figure 498062DEST_PATH_IMAGE023
其中，
Figure 312435DEST_PATH_IMAGE017
为Hodges-Lehmann值；变量
Figure 728372DEST_PATH_IMAGE024
为像素灰度空间中的任意值。
8.根据权利要求1所述的方法，其特征在于，所述S4中的根据所述高斯分布概率密度函数，得到所述新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像包括：
S41、获取卷积窗口内新的待检图像的各颜色通道下的灰度值矩阵展平后的灰度值
Figure 260985DEST_PATH_IMAGE009
；
S42、根据所述高斯分布概率密度函数对所述灰度值
Figure 928727DEST_PATH_IMAGE009
进行带入变量
Figure 909190DEST_PATH_IMAGE024
，将带入变量 后的灰度值进行累加求和，得到灰度值矩阵
Figure 433712DEST_PATH_IMAGE008
的权重总和
Figure 656883DEST_PATH_IMAGE025
；
S43、根据所述权重总和
Figure 721791DEST_PATH_IMAGE025
，得到卷积窗口内各像素点的灰度值的归一化权重
Figure 510755DEST_PATH_IMAGE026
；
S44、根据所述归一化权重
Figure 143862DEST_PATH_IMAGE026
，得到所述新的待检图像的各颜色通道下的中心像素点 的灰度值的加权修正值
Figure 385488DEST_PATH_IMAGE027
；
S45、根据所述加权修正值，得到所述新的待检图像的各颜色通道下的中心像素点的灰度值；
S46、根据所述新的待检图像的各颜色通道下的中心像素点的灰度值，得到滤波去噪后的图像。
9.根据权利要求8所述的方法，其特征在于，所述S44中的根据所述归一化权重
Figure 4819DEST_PATH_IMAGE026
，得 到所述新的待检图像的各颜色通道下的中心像素点的灰度值的加权修正值
Figure 117131DEST_PATH_IMAGE027
的过程，如 下式（5）所示：
Figure 717877DEST_PATH_IMAGE028
其中，
Figure 774695DEST_PATH_IMAGE009
为展平后的灰度值；
Figure 119088DEST_PATH_IMAGE017
为Hodges-Lehmann值。
10.一种基于稳健参数估计的图像噪点滤波装置，其特征在于，所述装置包括：
获取模块，用于获取待滤波的图像；
初始化模块，用于根据所述待滤波的图像选取卷积窗口尺寸值，并根据所述卷积窗口尺寸值对所述待滤波的图像进行初始化，得到新的待检图像；
生成模块，用于根据新的待检图像的各颜色通道下卷积窗口内的灰度值矩阵，生成所述灰度值矩阵的高斯分布概率密度函数；
输出模块，用于根据所述高斯分布概率密度函数，得到所述新的待检图像的各颜色通道下中心像素点的灰度值，进而得到滤波去噪后的图像。
CN202210744914.3A 2022-06-29 2022-06-29 一种基于稳健参数估计的图像噪点滤波方法及装置 Active CN114820394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744914.3A CN114820394B (zh) 2022-06-29 2022-06-29 一种基于稳健参数估计的图像噪点滤波方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744914.3A CN114820394B (zh) 2022-06-29 2022-06-29 一种基于稳健参数估计的图像噪点滤波方法及装置

Publications (2)

Publication Number Publication Date
CN114820394A true CN114820394A (zh) 2022-07-29
CN114820394B CN114820394B (zh) 2022-09-02

Family

ID=82522788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744914.3A Active CN114820394B (zh) 2022-06-29 2022-06-29 一种基于稳健参数估计的图像噪点滤波方法及装置

Country Status (1)

Country Link
CN (1) CN114820394B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409715A (zh) * 2022-11-01 2022-11-29 北京科技大学 一种基于Hodges-Lehmann的消防危险品图像超分方法及装置
CN116188462A (zh) * 2023-04-24 2023-05-30 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060078182A1 (en) * 2004-01-07 2006-04-13 Gil Zwirn Methods and apparatus for analyzing ultrasound images
US20070053588A1 (en) * 2005-09-08 2007-03-08 Chao-Lieh Chen Method for retrieving original intact characteristics of heavily polluted images and its image processing
CN101764936A (zh) * 2008-11-04 2010-06-30 新奥特（北京）视频技术有限公司 确定像素空间掩码矩阵的像素到边界的最短距离的方法
CN105243649A (zh) * 2015-11-09 2016-01-13 天津大学 基于二次噪点检测的图像降噪方法
CN107038688A (zh) * 2017-03-01 2017-08-11 武汉科技大学 基于Hessian矩阵的图像噪点检测及去噪方法
WO2021201908A1 (en) * 2020-04-03 2021-10-07 New York Society For The Relief Of The Ruptured And Crippled, Maintaining The Hospital For Special Surgery Mri-based textural analysis of trabecular bone

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060078182A1 (en) * 2004-01-07 2006-04-13 Gil Zwirn Methods and apparatus for analyzing ultrasound images
US20070053588A1 (en) * 2005-09-08 2007-03-08 Chao-Lieh Chen Method for retrieving original intact characteristics of heavily polluted images and its image processing
CN101764936A (zh) * 2008-11-04 2010-06-30 新奥特（北京）视频技术有限公司 确定像素空间掩码矩阵的像素到边界的最短距离的方法
CN105243649A (zh) * 2015-11-09 2016-01-13 天津大学 基于二次噪点检测的图像降噪方法
CN107038688A (zh) * 2017-03-01 2017-08-11 武汉科技大学 基于Hessian矩阵的图像噪点检测及去噪方法
WO2021201908A1 (en) * 2020-04-03 2021-10-07 New York Society For The Relief Of The Ruptured And Crippled, Maintaining The Hospital For Special Surgery Mri-based textural analysis of trabecular bone

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ROLF KLEIN等: "Voronoi Diagrams and Delaunay Triangulations", 《ENCYCLOPEDIA OF ALGORITHMS》 *
唐宁等: "基于噪点检测的中值滤波图像去噪方法", 《微型机与应用》 *
张大卫等: "平面连通域VORONOI图的算法", 《计算机辅助设计与图形学学报》 *
王杰飞等: "基于噪声检测的激光光斑图像去噪方法", 《计算机应用》 *
胡圣武等: "空间数据挖掘的方法进展及其问题分析", 《地球科学与环境学报》 *
金剑等: "基于无人机的航拍影像快速拼接技术研究", 《中国管理信息化》 *
陈波等: "标记分水岭算法及区域合并的遥感图像分割", 《国土资源遥感》 *
韩云霞等: "数据污染下的稳健设计及最优参数的置信区间估计", 《工业工程与管理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409715A (zh) * 2022-11-01 2022-11-29 北京科技大学 一种基于Hodges-Lehmann的消防危险品图像超分方法及装置
CN116188462A (zh) * 2023-04-24 2023-05-30 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统
CN116188462B (zh) * 2023-04-24 2023-08-11 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统

Also Published As

Publication number Publication date
CN114820394B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN108702496B (zh) 用于实时色调映射的系统和方法
Gu et al. No-reference quality assessment of screen content pictures
CN110163808B (zh) 一种基于卷积神经网络的单帧高动态成像方法
US8908989B2 (en) Recursive conditional means image denoising
CN114820394B (zh) 一种基于稳健参数估计的图像噪点滤波方法及装置
US11348210B2 (en) Inverse tone mapping method and corresponding device
US20110019094A1 (en) System and method for random noise estimation in a sequence of images
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN110232670B (zh) 一种基于高低频分离的图像视觉效果增强的方法
CN111915541B (zh) 基于人工智能的图像增强处理方法、装置、设备及介质
CN110070539A (zh) 基于信息熵的图像质量评价方法
Diaz-Ramirez et al. Real-time haze removal in monocular images using locally adaptive processing
CN117974459A (zh) 一种融合物理模型和先验的低照度图像增强方法
Ishak et al. Image quality assessment for image filtering algorithm: Qualitative and quantitative analyses
RU2364937C1 (ru) Способ и устройство фильтрования шума видеосигналов
Lai et al. Improved non-local means filtering algorithm for image denoising
CN114494098A (zh) 一种锂电池x射线图像增强方法、装置以及存储介质
CN113538265A (zh) 图像去噪方法及装置、计算机可读介质、电子设备
WO2020227898A1 (zh) 图像融合方法、图像采集设备、可移动平台
Baqar et al. GMSD-based perceptually motivated non-local means filter for image denoising
CN114764803B (zh) 一种基于真实噪场景的噪声评估方法、装置及可存储介质
CN117041531B (zh) 一种基于图像质量评估的手机摄像头聚焦检测方法和系统
CN118628388A (zh) 一种基于神经网络的暗光增强方法
Cahyani et al. Underwater Quality Enhancement Based on Mixture Contrast Limited Adaptive Histogram and Multiscale Fusion
Kumar et al. Adapting to the Dark: A Novel Adaptive Low Light Illumination Correction Algorithm for Video Sequences in Wireless Communications

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
CB03 Change of inventor or designer information

Inventor after: Gao Xuehong

Inventor after: Xiang Zhijin

Inventor after: Li Haoxuan

Inventor after: Liu Xuemin

Inventor after: Huang Guozhong

Inventor after: Jiang Huiling

Inventor after: Zhou Liang

Inventor after: Ou Shengnan

Inventor after: Zhang Lei

Inventor after: Deng Qing

Inventor before: Gao Xuehong

Inventor before: Liu Xuemin

Inventor before: Li Haoxuan

Inventor before: Huang Guozhong

Inventor before: Jiang Huiling

Inventor before: Zhou Liang

Inventor before: Ou Shengnan

Inventor before: Zhang Lei

Inventor before: Deng Qing

Inventor before: Xiang Zhijin

CB03 Change of inventor or designer information