CN115937231B - 一种频谱结构约束的红外图像迭代去噪方法及系统 - Google Patents
一种频谱结构约束的红外图像迭代去噪方法及系统 Download PDFInfo
- Publication number
- CN115937231B CN115937231B CN202211733071.3A CN202211733071A CN115937231B CN 115937231 B CN115937231 B CN 115937231B CN 202211733071 A CN202211733071 A CN 202211733071A CN 115937231 B CN115937231 B CN 115937231B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- image
- denoising
- filter
- infrared image
- 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.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Processing (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提供了一种频谱结构约束的红外图像迭代去噪方法及系统,属于图像处理技术领域,将原始红外图像分成均匀区域和非均匀区域;在均匀区域通过窗口步进的方式获取窗口;将窗口组合的图像变换至频域并中心化获取均匀区域频谱;构建第一滤波器函数;根据原始红外图像频谱中目标的频谱位置,构建第二滤波器;将均匀区域频谱与第二滤波器函数点乘,得到估计的噪声频谱;将原始红外图像傅里叶变换后,与噪声频谱加权相减得到去噪频谱;将去噪频谱反傅里叶变换和去中心化,获取去噪结果图像;调整滤波器参数和加权因子,重复上述操作;获得局部边缘保持系数最大时的图像作为最终去噪结果图像。本发明能够在去除噪声同时,保持图像的结构信息不被破坏。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种频谱结构约束的红外图像迭代去噪方法及系统。
背景技术
红外成像系统有着广泛地应用,各种使用场合对外红系统成像质量要求也不断提高,一些技术难题也变得日益突出,其中,红外图像去噪称为亟待解决的难题之一。红外图像在采集和传输中,极易受到元器件、外界环境等多种因素影响带来噪声,这些噪声没有一定的规律。在红外图像中,噪声水平是影响图像质量至关重要的因素。这些混合随机噪声的存在使得图像上分布着各种各样的噪点,降低了图像的清晰度,造成视觉效果差,劣化了图像质量,进一步加大了目标检测定位的难度。
由于在频域比空域可以更加方便的得到噪声的特征,可以通过在频域对目标图像进行滤波,从而滤除图像的噪声。然而,目前在频域对图像进行去噪的算法,均未充分考虑图像的频谱结构特性,很难有效消除图像中的噪声和同时保持目标信息的结构,从而导致图像质量降低的问题。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种频谱结构约束的红外图像迭代去噪方法及系统,旨在解决现有的红外图像去噪方法去除噪声后会造成目标信息模糊,使得噪声去除不完整或者不能保持目标结构的技术问题。
为实现上述目的,一方面,本发明提供了一种频谱结构约束的红外图像迭代去噪方法,包括以下步骤:
S1:将原始红外图像采用图像分割方法分成均匀区域和非均匀区域两类区域;其中,两类区域上的红外噪声具有相同的统计特性和频谱特性;
S2:利用滑动窗口在均匀区域通过窗口步进的方式获取若干个窗口,窗口组合的图像和原始红外图像大小一致;
S3:将窗口组合的图像变换至频域并中心化,获取均匀区域频谱;
S4:设置滤波器频域半径,构建相应的第一滤波器函数;
S5:根据原始红外图像频谱中目标的频谱位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;
S6:将均匀区域频谱与第二滤波器函数点乘,滤除均匀区域自身低频频谱分量,得到估计的噪声频谱;
S7:将原始红外图像进行傅里叶变换后,与估计的噪声频谱加权相减得到去噪频谱;
S8:将去噪频谱进行反傅里叶变换和去中心化,获取去噪结果图像;
S9:调整滤波器参数和加权因子,重复S4至S8,直至完成所有迭代过程;
S10:计算去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像。
进一步优选地,构造的第一滤波器函数为:
其中,D为均匀区域频谱区域;D1为均匀区域频谱中属于噪声的无方向中高频部分;D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;u为横坐标;v为纵坐标。
进一步优选地,S9具体为:
在不同的均匀区域频谱图中,根据相应的频谱结构,确定滤波器的长半轴和短半轴;
判断迭代循环次数是否达到最大循环次数,若没有达到最大循环次数,则调整加权因子的值,执行S4~S8;否则转至S10。
进一步优选地,局部边缘保持系数的计算方法为:
EPI_G=∑∑(i,j)∈D(i,j)|G(i,j)-G(i,j+1)|+∑∑(i,j)∈D(i,j)|G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)|F(i,j)-F(i,j+1)|+∑∑(i,j)∈D(i,j)|F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
另一方面,本发明提供了一种频谱结构约束的红外图像迭代去噪系统,包括:
区域分割模块,用于将原始红外图像采用图像分割方法分成均匀区域和非均匀区域两类区域;
窗口图像获取模块,用于利用滑动窗口在均匀区域通过窗口步进的方式获取若干个窗口,窗口组合图像与原始红外图像大小一致;
频域变换模块,用于将窗口组合的图像变换至频域并中心化,获取均匀区域频谱;
第一滤波器构建模块,用于设置滤波器频域半径,构建相应的第一滤波器函数;
第二滤波器构建模块,用于根据原始红外图像频谱中目标的频谱位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;
噪声频谱估计模块,用于将均匀区域频谱与第二滤波器函数点乘,滤除均匀区域自身低频频谱分量,得到估计的噪声频谱;
去噪频谱计算模块,用于将原始红外图像进行傅里叶变换后,与估计的噪声频谱加权相减得到去噪频谱;
去噪结果图像获取模块,用于将去噪频谱进行反傅里叶变换和去中心化,获取去噪结果图像;
驱动判定模块,用于判断迭代过程是否完成;
参数调节模块,用于调整滤波器参数和加权因子;
去噪结果图像筛选模块,用于计算去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像。
进一步优选地,构造的第一滤波器函数为:
其中,D为均匀区域频谱区域;D1为均匀区域频谱中属于噪声的无方向中高频部分;D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;u为横坐标;v为纵坐标。
进一步优选地,所述参数调节模块用于在不同的均匀区域频谱图中,根据相应的频谱结构,确定滤波器的长半轴和短半轴;若迭代循环次数没有达到最大循环次数,则调整加权因子的值;
所述驱动判定模块用于判断迭代循环次数是否达到最大循环次数。
进一步优选地,局部边缘保持系数的计算方法为:
EPI_G=∑∑(i,j)∈D(i,j)|G(i,j)-G(i,j+1)|+∑∑(i,j)∈D(i,j)|G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)|F(i,j)-F(i,j+1)|+∑∑(i,j)∈D(i,j)|F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明通过目标和噪声在频谱图中频率成分的差别,利用均匀区域中缺乏结构,易于提取噪声的特性,估计噪声频谱,以及利用目标的频谱结构,进行了原始图像频谱和去噪频谱通过加权因子相减的频域去噪操作。相较于一般的空域去噪,如双边滤波、均值滤波等,本发明有效的对目标图像进行去噪,能够在去除噪声同时,保持图像的结构信息不被破坏。对比多数频域滤波器,本发明为局部边缘保持系数约束的自适应频域滤波器,对不同程度的背景噪声图像具有良好的泛化性。
附图说明
图1是本发明实施例提供的目标频谱结构约束的红外图像去噪方法的流程图;
图2(a)是本发明实施例提供的红外图像示意图;
图2(b)是本发明实施例提供的红外图像的频谱图;
图3(a)是本发明实施例提供的均匀区域图像示意图;
图3(b)是本发明实施例提供的均匀区域的频谱图;
图4是本发明实施例提供的基于频谱结构的第二滤波器图像;
图5(a)是本发明实施例提供的中间去噪结果频谱图像(参数a=45,b=20,R=0.7);
图5(b)是本发明实施例提供的图5(a)的傅里叶反变换图像;
图6(a)是本发明实施例提供的中间去噪结果频谱图像(参数a=55,b=30,R=0.7);
图6(b)是本发明实施例提供的图6(a)的傅里叶反变换图像;
图7(a)是本发明实施例提供的最终去噪频谱图像(参数a=55,b=30,R=0.9);
图7(b)是本发明实施例提供的最终去噪结果图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一方面,如图1所示,本发明提供了一种频谱结构约束的红外图像迭代去噪方法,包括以下步骤:
S1:通过图像分割方法将如图2(a)所示的红外图像f(x,y)分为两大类:均匀区域f1(x,y)和非均匀区域f2(x,y);其中,两类区域上的红外噪声具有相同的统计特性和频谱特性;其中,红外图像的频谱图如图2(b)所示;
进一步地,S1具体为:
采用阈值分割方法,按照图像的灰度级,对像素集合进行划分,得到两个子集形成与图像对应的均匀区域和非均匀区域,每个区域内部具有一致的属性,而相邻的区域或者不同区域不具有这一属性;
S2:估计噪声频谱:选择均匀区域f1(x,y)作为噪声频谱估计,利用滑动窗口M×M在均匀区域f1(x,y)通过窗口步进的方式获取若干个窗口,窗口组合的图像f1 (1)(x,y)和红外图像大小一致;其中,由于均匀区域缺乏结构,因此噪声特性更易于提取;
进一步地,S2具体包括:
滑动窗口的大小设置为M×M,步长范围设置在1~m,在均匀的背景与噪声混合的区域获取若干个窗口图像,组合的噪声图像和红外图像大小一致;
S3:对S2的窗口组合的图像f1 (1)(x,y)变换到频域并中心化,得到均匀区域频谱Fh′,即Fh′=Fh+N;其中,Fh为均匀区域f1 (1)(x,y)自身的频谱,N为传感器的噪声频谱;
S4:设置初始的滤波器频域半径,即长半轴a,短半轴b,构建相应的第一滤波器函数;
进一步地,S4具体为:
构造的第一滤波器函数为:
其中,D为均匀区域频谱区域,D1为频谱中属于噪声的无方向中高频部分,D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;
其中,(D-D1)边界区域函数的数学表达式为:
(D-D1)={(u,v)|fu(u,v)≤1∪fv(u,v)≤1}
其中,(u,v)为频谱的坐标,fu(u,v)和fv(u,v)为滤波器的形状函数,m×n为频谱的大小,a、b为长半轴与短半轴的大小;
滤波器H(u,v)的含义就是估计出均匀区域频谱中属于噪声的成分,即进行保留频谱图中无方向性的中高频部分,同时利用保留因子λ对频谱图中的低频部分进行保留;虽然低频部分中大部分是均匀背景的频率成分,但同时包含了少量的噪声频谱,若完全去除,会导致估计的噪声频谱不够准确,不利于后续去噪工作的开展;
S5:根据红外图像频谱中目标的频谱位置,即带有方向频谱结构的位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;
进一步地,S5具体为:
对于红外图像频谱中有方向、线条状结构的部分,代表了红外图像中目标的结构信息,需要进行保留,因此需要在第一滤波器中保留这些带有方向的目标频谱区域,构建第二滤波器;
S6:将噪声频谱Fh′与第二滤波器函数点乘,滤除均匀区域f1 (1)(x,y)自身低频频谱分量Fh,得到估计的噪声频谱N′;
S7:对原始红外图像傅里叶变换为F(x,y),与估计的噪声频谱N′加权相减得到去噪频谱,即
S7具体为:
将红外图像频谱与估计的噪声频谱加权相减得到去噪频谱数学表达式如下:
G(u,v)=F(u,v)-R(u,v).*N(u,v)
其中,F(u,v)为红外图像频谱,N(u,v)为估计的噪声频谱,R(u,v)为加权因子,R(u,v)的范围在区间(0,1)中;
S8:再将去噪后的频谱进行反傅里叶变换和去中心化,得到去噪结果图像
S9:调整滤波器参数和加权因子,重复S4~S8,直至完成所有迭代过程;
S10:计算S8中去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像。
进一步地,S10具体为:
图像的局部边缘保持系数计算方法具体如下:
EPI_G=∑∑(i,j)∈D(i,j)|G(i,j)-G(i,j+1)|+∑∑(i,j)∈D(i,j)|G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)|F(i,j)-F(i,j+1)|+∑∑(i,j)∈D(i,j)|F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
另一方面,本发明提供了一种频谱结构约束的红外图像迭代去噪系统,包括:
区域分割模块,用于将原始红外图像采用图像分割方法分成均匀区域和非均匀区域两类区域;
窗口图像获取模块,用于利用滑动窗口在均匀区域通过窗口步进的方式获取若干个窗口,窗口组合图像与原始红外图像大小一致;
频域变换模块,用于将窗口组合的图像变换至频域并中心化,获取均匀区域频谱;
第一滤波器构建模块,用于设置滤波器频域半径,构建相应的第一滤波器函数;
第二滤波器构建模块,用于根据原始红外图像频谱中目标的频谱位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;
噪声频谱估计模块,用于将均匀区域频谱与第二滤波器函数点乘,滤除均匀区域自身低频频谱分量,得到估计的噪声频谱;
去噪频谱计算模块,用于将原始红外图像进行傅里叶变换后,与估计的噪声频谱加权相减得到去噪频谱;
去噪结果图像获取模块,用于将去噪频谱进行反傅里叶变换和去中心化,获取去噪结果图像;
驱动判定模块,用于判断迭代过程是否完成;
参数调节模块,用于调整滤波器参数和加权因子;
去噪结果图像筛选模块,用于计算去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像。
进一步优选地,构造的第一滤波器函数为:
其中,D为均匀区域频谱区域;D1为均匀区域频谱中属于噪声的无方向中高频部分;D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;u为横坐标;v为纵坐标。
进一步优选地,所述参数调节模块用于在不同的均匀区域频谱图中,根据相应的频谱结构,确定滤波器的长半轴和短半轴;若迭代循环次数没有达到最大循环次数,则调整加权因子的值;
所述驱动判定模块用于判断迭代循环次数是否达到最大循环次数。
进一步优选地,局部边缘保持系数的计算方法为:
EPI_G=∑∑(i,j)∈D(i,j)|G(i,j)-G(i,j+1)|+∑∑(i,j)∈D(i,j)|G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)|F(i,j)-F(i,j+1)|+∑∑(i,j)∈D(i,j)|F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
在一个具体的实施例中,按照上述步骤对本发明进行验证:
(1)通过图像分割方法将红外图像f(x,y)分为两大类:均匀区域f1(x,y)和非均匀区域f2(x,y),并且两类区域上的红外噪声具有相同的统计特性和频谱特性;
(2)估计噪声频谱:选择均匀区域f1(x,y)作为噪声频谱估计;因为均匀区域缺乏结构,噪声特性更易于提取;利用滑动窗口M×M在均匀区域f1(x,y)通过窗口步进的方式获取若干个窗口,窗口组合的图像f1 (1)(x,y)和红外图像大小一致;具体而言,在全图上准确估计出噪声的种类和具体的分布具有一定的困难;目标信息具有边缘、纹理特征,并与噪声混合在一起,转换到频域中的目标与噪声的频率成分也会混叠在一起,区分性体现的不够明显,此时难以分离出目标和噪声的频率成分;通过寻找均匀区域,将此区域变换到频域并中心化,频谱图表现较柔和,均匀区域的海背景主要体现在频谱中的低频成分中,即频谱图的中心位置,此时均匀区域上存在的噪声在频谱图中会表现一定的规律性和结构性;
寻找均匀区域的滑动窗口的大小设置为64×64,步长范围设置在1~64,在均匀的背景与噪声混合的区域获取若干个窗口图像,组合图像和红外图像大小一致,得到的均匀区域图像如图3(a);
(3)对步骤(2)的图像f1 (1)(x,y)变换到频域并中心化,得到均匀区域频谱Fh′,即Fh′=Fh+N;式中Fh为均匀区域f1 (1)(x,y)自身的频谱,N为传感器的噪声频谱;具体而言,均匀区域对应的频谱图如图3(b);
(4)设置初始的滤波器频域半径,即长半轴a,短半轴b,构建相应的第一滤波器函数;具体而言,构建相应的第一滤波器将均匀区域频谱图中的噪声部分予以保留,其中,中高频部分属于噪声也进行保留,得到均匀区域的噪声频谱估计;将均匀部分的噪声估计应用于不均匀部分的噪声估计,以得到红外图像的噪声的估计,从而解决红外图像中各种目标信息与噪声混合在一起难以区分出噪声的难题;
构建相应的第一滤波器函数表示为:
其中,D为频谱区域,D1为频谱中属于噪声的无方向中高频部分,D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;对于本例使用红外图像,λ取0.3;
其中,(D-D1)边界区域函数的数学表达式为:
(D-D1)={(u,v)|fu(u,v)≤1∪fv(u,v)≤1}
这里的(u,v)为频谱的坐标,fu(u,v)和fv(u,v)为滤波器的形状函数,m×n为频谱的大小,也即256×256,a、b为长半轴与短半轴的大小。
滤波器H(u,v)估计出均匀区域噪声频谱中属于噪声的成分,即进行保留频谱图中无方向性的中高频部分,同时利用保留因子λ对频谱图中的低频部分进行保留。虽然低频部分中大部分是均匀背景的频率成分,但同时包含了少量的噪声频谱,若完全去除,会导致估计的噪声频谱不够准确,不利于后续去噪工作的开展;
(5)根据红外图像频谱中目标的频谱位置,即带有方向频谱结构的位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;具体而言,对于红外频谱中有方向、线条状结构的部分,代表了红外图像中目标的结构信息需要进行保留;红外频谱图的上方、左方、下方和右方有很多线条,而这些频谱结构又分布在频谱的中高谱区域,可以推断出这些区域的频谱结构对应于红外图像的目标信息部分;因此需要在第一滤波器中设置这些带有方向的区域,构建的第二滤波器如图4所示;
(6)将均匀区域频谱与第二滤波器函数点乘,滤除均匀区域f1 (1)(x,y)自身低频频谱分量Fh,得到估计的噪声频谱N′;具体而言,在频域中将噪声频谱与第二滤波器函数点乘,得到噪声频谱中属于噪声的成分;
(7)对原始红外图像傅里叶变换为F(x,y),与估计的噪声频谱N′加权相减得到去噪频谱,即具体而言,红外图像频谱与估计的噪声频谱加权相减的数学表达式如下:/>其中,F(x,y)为红外图像频谱,N′为估计的噪声频谱,λ为加权因子,λ的范围在区间(0,1)中;
(8)再将去噪后的频谱进行反傅里叶变换和去中心化,得到去噪结果图像
(9)调整滤波器参数和加权因子,重复步骤(4)至步骤(8),直至完成所有迭代过程;具体而言,在这个过程中不断优化调整估计噪声滤波器H(u,v)的参数和加权因子R(u,v)的值,以确定最优的参数取值;由于在每次迭代过程中都需要优化调整滤波器的参数a、b,会降低程序运行的速度;为了提高运行速度,在对不同的噪声频谱图中,根据相应的频谱结构,确定参数a、b后,在循环次数到T1未到最大循环次数T时,选择不改变该参数,只需调整加权因子R(u,v)的值,可降低算法的计算复杂度,并且对该方法去噪效果寻找合适的参数。
图5(a)为参数a=45,b=20,R=0.7的中间去噪结果频谱图像,图5(b)为对应的结果图像,局部边缘保持系数为0.8417;如图6(a)为参数a=55,b=30,R=0.7的中间去噪结果频谱图像;图6(b)为对应的结果图像,局部边缘保持系数为0.9260;可以看出,由于参数的选择不是最优的,图5(a)的频谱图中的上方、左方、下方和右方的结构丢失,导致反变换的结果图像目标信息损失,影响去噪效果;图6(a)的结果频谱图四周很明显还保留了目标的结构信息,对应的去噪效果更好;
(10)计算步骤(8)中去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像;具体而言,通过计算去噪图像的局部边缘保持系数作为约束,并以此作为迭代方法的终止条件;评价去噪算法可用峰值信噪比或者结构相似性作为评价指标,但是这些指标不适合没有原始清晰无噪声的红外图像,因此引入局部边缘保持系数;对于所用实例的红外图像而言,存在陆地部分与海面部分,属于海面的部分不存在边缘信息。因此在计算局部边缘保持系数时,设置一定的阈值T,即红外图像陆地与海面交界处的边缘,会出现较大灰度值的变化;当计算图像遍历到边缘地区时,通过阈值的约束,不再计算海面的区域,得到去噪图像的局部边缘保持系数;
图像的局部边缘保持系数的计算方法为:
EPI_G=∑∑(i,j)∈D(i,j)|G(i,j)-G(i,j+1)|+∑∑(i,j)∈D(i,j)|G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)|F(i,j)-F(i,j+1)|+∑∑(i,j)∈D(i,j)|F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
图7(a)为参数a=55,b=30,R=0.9的最终结果频谱图像,图7(b)为最终的去噪结果图像,局部边缘保持系数为0.9617。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种频谱结构约束的红外图像迭代去噪方法,其特征在于,包括以下步骤:
S1:将原始红外图像采用图像分割方法分成均匀区域和非均匀区域;
S2:利用滑动窗口在均匀区域通过窗口步进的方式获取若干个窗口,窗口组合的图像与原始红外图像大小一致;
S3:将窗口组合的图像变换至频域并中心化,获取均匀区域频谱;
S4:设置滤波器频域半径,构建相应的第一滤波器函数;
S5:根据原始红外图像频谱中目标的频谱位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;
S6:将均匀区域频谱与第二滤波器函数点乘,滤除均匀区域自身低频频谱分量,得到估计的噪声频谱;
S7:将原始红外图像进行傅里叶变换后,与估计的噪声频谱加权相减得到去噪频谱;
S8:将去噪频谱进行反傅里叶变换和去中心化,获取去噪结果图像;
S9:调整滤波器参数和加权因子,重复S4~S8,直至完成所有迭代过程;
S10:计算去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像;
其中,构造的第一滤波器函数为:
其中,D为均匀区域频谱区域;D1为均匀区域频谱中属于噪声的无方向中高频部分;D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;u为横坐标;v为纵坐标;
局部边缘保持系数的计算方法为:
EPI_G=∑∑(i,j)∈D(i,j)G(i,j)-G(i,j+1)+∑∑(i,j)∈D(i,j)G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)F(i,j)-F(i,j+1)+∑∑(i,j)∈D(i,j)F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
2.根据权利要求1所述的红外图像迭代去噪方法,其特征在于,S9具体为:
在不同的均匀区域频谱图中,根据相应的频谱结构,确定滤波器的长半轴和短半轴;
判断迭代循环次数是否达到最大循环次数,若没有达到最大循环次数,则调整加权因子的值,执行S4~S8;否则转至S10。
3.一种频谱结构约束的红外图像迭代去噪系统,其特征在于,包括:
区域分割模块,用于将原始红外图像采用图像分割方法分成均匀区域和非均匀区域两类区域;
窗口图像获取模块,用于利用滑动窗口在均匀区域通过窗口步进的方式获取若干个窗口,窗口组合的图像与原始红外图像大小一致;
频域变换模块,用于将窗口组合的图像变换至频域并中心化,获取均匀区域频谱;
第一滤波器构建模块,用于设置滤波器频域半径,构建相应的第一滤波器函数;
第二滤波器构建模块,用于根据原始红外图像频谱中目标的频谱位置,在第一滤波器中相应的位置进行保留,构建第二滤波器;
噪声频谱估计模块,用于将均匀区域频谱与第二滤波器函数点乘,滤除均匀区域自身低频频谱分量,得到估计的噪声频谱;
去噪频谱计算模块,用于将原始红外图像进行傅里叶变换后,与估计的噪声频谱加权相减得到去噪频谱;
去噪结果图像获取模块,用于将去噪频谱进行反傅里叶变换和去中心化,获取去噪结果图像;
驱动判定模块,用于判断迭代过程是否完成;
参数调节模块,用于调整滤波器参数和加权因子;
去噪结果图像筛选模块,用于计算去噪结果图像的局部边缘保持系数,获得局部边缘保持系数最大时的图像作为最终的去噪结果图像;
其中,构造的第一滤波器函数为:
其中,D为均匀区域频谱区域;D1为均匀区域频谱中属于噪声的无方向中高频部分;D-D1为频谱中中低频区域噪声部分,λ为噪声成分的保留因子,(u,v)为频谱的坐标;u为横坐标;v为纵坐标;
局部边缘保持系数的计算方法为:
EPI_G=∑∑(i,j)∈D(i,j)|G(i,j)-G(i,j+1)|+∑∑(i,j)∈D(i,j)|G(i,j)-G(i+1,j)|
EPI_F=∑∑(i,j)∈D(i,j)|F(i,j)-F(i,j+1)|+∑∑(i,j)∈D(i,j)|F(i,j)-F(i+1,j)|
其中,EPI为局部边缘保持系数,G(i,j)为去噪后图像像素点,F(i,j)为红外图像像素点,D(i,j)为图像中不包括均匀区域的部分。
4.根据权利要求3所述的红外图像迭代去噪系统,其特征在于,所述参数调节模块用于在不同的均匀区域频谱图中,根据相应的频谱结构,确定滤波器的长半轴和短半轴;若迭代循环次数没有达到最大循环次数,则调整加权因子的值;
所述驱动判定模块用于判断迭代循环次数是否达到最大循环次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211733071.3A CN115937231B (zh) | 2022-12-30 | 2022-12-30 | 一种频谱结构约束的红外图像迭代去噪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211733071.3A CN115937231B (zh) | 2022-12-30 | 2022-12-30 | 一种频谱结构约束的红外图像迭代去噪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937231A CN115937231A (zh) | 2023-04-07 |
CN115937231B true CN115937231B (zh) | 2023-10-20 |
Family
ID=86552450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211733071.3A Active CN115937231B (zh) | 2022-12-30 | 2022-12-30 | 一种频谱结构约束的红外图像迭代去噪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937231B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542875B (zh) * | 2023-05-09 | 2024-01-23 | 南京工程学院 | 基于分数傅里叶变换的多滤波的乳腺超声图像去噪方法 |
CN117830141B (zh) * | 2024-03-04 | 2024-05-03 | 奥谱天成(成都)信息科技有限公司 | 红外图像竖条纹噪声去除方法、介质、设备及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201110A (zh) * | 2011-04-27 | 2011-09-28 | 华中科技大学 | 一种利用目标图像频谱特性的频域滤波去噪方法 |
KR101347979B1 (ko) * | 2013-01-14 | 2014-01-08 | 한양대학교 에리카산학협력단 | 표적 검출을 위해 적외선 영상의 잡음 제거 방법 및 장치 |
CN104574324A (zh) * | 2014-12-30 | 2015-04-29 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
CN106056555A (zh) * | 2016-06-03 | 2016-10-26 | 宁波大红鹰学院 | 一种图像去噪方法 |
CN114998112A (zh) * | 2022-04-22 | 2022-09-02 | 南通悦福软件有限公司 | 基于自适应频域滤波的图像去噪方法及系统 |
CN115409735A (zh) * | 2022-09-05 | 2022-11-29 | 航天宏图信息技术股份有限公司 | 一种InSAR干涉图像的滤波方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654432B (zh) * | 2015-12-23 | 2017-05-17 | 华中科技大学 | 一种气动热辐射效应的频域校正方法 |
-
2022
- 2022-12-30 CN CN202211733071.3A patent/CN115937231B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201110A (zh) * | 2011-04-27 | 2011-09-28 | 华中科技大学 | 一种利用目标图像频谱特性的频域滤波去噪方法 |
KR101347979B1 (ko) * | 2013-01-14 | 2014-01-08 | 한양대학교 에리카산학협력단 | 표적 검출을 위해 적외선 영상의 잡음 제거 방법 및 장치 |
CN104574324A (zh) * | 2014-12-30 | 2015-04-29 | 华中科技大学 | 一种对地建筑群遥感图像频谱特性约束的去噪方法 |
CN106056555A (zh) * | 2016-06-03 | 2016-10-26 | 宁波大红鹰学院 | 一种图像去噪方法 |
CN114998112A (zh) * | 2022-04-22 | 2022-09-02 | 南通悦福软件有限公司 | 基于自适应频域滤波的图像去噪方法及系统 |
CN115409735A (zh) * | 2022-09-05 | 2022-11-29 | 航天宏图信息技术股份有限公司 | 一种InSAR干涉图像的滤波方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115937231A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937231B (zh) | 一种频谱结构约束的红外图像迭代去噪方法及系统 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN108921800B (zh) | 基于形状自适应搜索窗口的非局部均值去噪方法 | |
Aja-Fernández et al. | Noise and signal estimation in magnitude MRI and Rician distributed images: a LMMSE approach | |
CN113313641B (zh) | 一种自适应中值滤波的ct图像去噪方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
CN111681174A (zh) | 抑制椒盐/高斯混噪目标图像的联合滤波方法 | |
CN111783583B (zh) | 基于非局部均值算法的sar图像相干斑抑制方法 | |
CN113191979B (zh) | 一种分区域sar图像非局部均值去噪方法 | |
CN108932699B (zh) | 基于变换域的三维匹配调和滤波图像去噪方法 | |
CN113837198B (zh) | 一种基于三维块匹配的改进自适应阈值Canny边缘检测方法 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN106940782B (zh) | 基于变差函数的高分sar新增建设用地提取软件 | |
CN112150386B (zh) | 基于对比度均值的sar图像相干斑非局部平均抑制方法 | |
Leng | An improved non-local means algorithm for image denoising | |
CN111369458B (zh) | 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法 | |
CN116152115A (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
Rubel et al. | Prediction of Despeckling Efficiency of DCT-based filters Applied to SAR Images | |
Zhang et al. | An improved BM3D algorithm based on anisotropic diffusion equation | |
CN117368920B (zh) | 基于D-insar的采煤区沉陷监测方法及系统 | |
Abramova | A blind method for additive noise variance evaluation based on homogeneous region detection using the fourth central moment analysis | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN115564705B (zh) | 用于精密标准件的毛刺检测精度增强方法及系统 | |
CN113759375B (zh) | 基于统计特性的sar图像非局部均值去噪方法 |
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 |