CN116012244A - 基于图像多尺度信息的图像降噪方法和电子设备 - Google Patents
基于图像多尺度信息的图像降噪方法和电子设备 Download PDFInfo
- Publication number
- CN116012244A CN116012244A CN202211711024.9A CN202211711024A CN116012244A CN 116012244 A CN116012244 A CN 116012244A CN 202211711024 A CN202211711024 A CN 202211711024A CN 116012244 A CN116012244 A CN 116012244A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- processed
- current pixel
- pyramid
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
一种基于图像多尺度信息的图像降噪方法和电子设备,方法包括:获取待处理图像,基于待处理图像构建图像金字塔;针对待处理图像中的每个需要滤波的当前像素点:从图像金字塔中查找与当前像素点相关的关联像素点,基于当前像素点和关联像素点计算关联像素点的空域滤波权重,并基于空域滤波权重得到当前像素点的滤波结果;基于每个当前像素点的滤波结果,得到待处理图像的降噪结果。该方法和装置通过构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
Description
技术领域
本申请涉及图像降噪技术领域,更具体地涉及一种基于图像多尺度信息的图像降噪方法和电子设备。
背景技术
噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。常见的基于空间像素相似性的空域滤波算法,在进行相似像素匹配时往往会被噪声影响匹配的正确性,影响空域滤波的效果,从而影响图像降噪的效果。
发明内容
为了解决上述问题而提出了本申请。根据本申请一方面,提供了一种基于图像多尺度信息的图像降噪方法,方法包括:获取待处理图像,基于所述待处理图像构建图像金字塔;针对所述待处理图像中的每个需要滤波的当前像素点:从所述图像金字塔中查找与所述当前像素点相关的关联像素点,基于所述当前像素点和所述关联像素点计算所述关联像素点的空域滤波权重,并基于所述空域滤波权重得到所述当前像素点的滤波结果;基于每个所述当前像素点的滤波结果,得到所述待处理图像的降噪结果。
在本申请的一个实施例中,所述基于所述待处理图像构建图像金字塔,包括:定义所述图像金字塔的层数,所述图像金字塔包括第一层和其他层;对所述第一层,将所述待处理图像赋给所述第一层;对所述其他层,基于定义的滤波核对所述待处理图像进行卷积并下采样后赋给所述其他层。
在本申请的一个实施例中,所述方法还包括:初始化一个长度等于所述图像金字塔的层数的向量,用于存储所述图像金字塔的各层。
在本申请的一个实施例中,所述从所述图像金字塔中查找与所述当前像素点相关的关联像素点,包括:计算所述图像金字塔的每一层中与所述当前像素点对应的像素点作为中心像素点;对于所述图像金字塔的每一层,以该层中的所述中心像素点为中心,将定义的空域降噪半径内的所有像素点作为与所述当前像素点相关的关联像素点。
在本申请的一个实施例中,所述基于所述当前像素点和所述关联像素点计算所述关联像素点的空域滤波权重,包括:计算每个所述关联像素点与所述当前像素点的像素值差值;基于所述像素值差值的绝对值计算每个所述关联像素点的空域滤波权重。
在本申请的一个实施例中,所述基于所述空域滤波权重得到所述当前像素点的滤波结果,包括:根据每个所述关联像素点的空域滤波权重计算每个所述关联像素点的加权像素值;将所有所述关联像素点的加权像素值的和与所有所述空域滤波权重的和这两者的比值作为所述当前像素点的滤波结果。
在本申请的一个实施例中,所述待处理图像为灰度图像或者亮度图像。
根据本申请另一方面,提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行上述基于图像多尺度信息的图像降噪方法。
根据本申请再一方面,提供了一种基于图像多尺度信息的图像降噪装置,所述装置包括金字塔构建模块、权重计算模块和滤波模块,其中,所述金字塔构建模块用于获取待处理图像,基于所述待处理图像构建图像金字塔;所述权重计算模块用于针对所述待处理图像中的每个需要滤波的当前像素点,从所述图像金字塔中查找与所述当前像素点相关的关联像素点,基于所述当前像素点和所述关联像素点计算所述关联像素点的空域滤波权重;所述滤波模块用于基于所述空域滤波权重得到所述当前像素点的滤波结果,并基于每个所述当前像素点的滤波结果,得到所述待处理图像的降噪结果。
在本申请的一个实施例中,所述金字塔构建模块基于所述待处理图像构建图像金字塔,包括:定义所述图像金字塔的层数,所述图像金字塔包括第一层和其他层;对所述第一层,将所述待处理图像赋给所述第一层;对所述其他层,基于定义的滤波核对所述待处理图像进行卷积并下采样后赋给所述其他层。
在本申请的一个实施例中,所述金字塔构建模块还用于:初始化一个长度等于所述图像金字塔的层数的向量,用于存储所述图像金字塔的各层。
在本申请的一个实施例中,所述权重计算模块从所述图像金字塔中查找与所述当前像素点相关的关联像素点,包括:计算所述图像金字塔的每一层中与所述当前像素点对应的像素点作为中心像素点;对于所述图像金字塔的每一层,以该层中的所述中心像素点为中心,将定义的空域降噪半径内的所有像素点作为与所述当前像素点相关的关联像素点。
在本申请的一个实施例中,所述权重计算模块基于所述当前像素点和所述关联像素点计算所述关联像素点的空域滤波权重,包括:计算每个所述关联像素点与所述当前像素点的像素值差值;基于所述像素值差值的绝对值计算每个所述关联像素点的空域滤波权重。
在本申请的一个实施例中,所述滤波模块基于所述空域滤波权重得到所述当前像素点的滤波结果,包括:根据每个所述关联像素点的空域滤波权重计算每个所述关联像素点的加权像素值;将所有所述关联像素点的加权像素值的和与所有所述空域滤波权重的和这两者的比值作为所述当前像素点的滤波结果。
在本申请的一个实施例中,所述待处理图像为灰度图像或者亮度图像。
根据本申请又一方面,提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序在被运行时,使得所述处理器执行上述基于图像多尺度信息的图像降噪方法。
根据本申请再一方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器运行时,使得所述处理器执行上述基于图像多尺度信息的图像降噪方法。
本申请的基于图像多尺度信息的图像降噪方法和装置通过构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出用于实现根据本发明实施例的基于图像多尺度信息的图像降噪方法和装置的示例电子设备的示意性框图。
图2示出根据本申请实施例的基于图像多尺度信息的图像降噪方法的示意性流程图。
图3示出根据本申请实施例的基于图像多尺度信息的图像降噪装置的示意性结构框图。
图4示出根据本申请实施例的电子设备的示意性结构框图。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
近年来,基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科,涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支,具体是让机器识别世界,计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步,该项技术在众多领域展开了应用,例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
下面,参照图1来描述用于实现本发明实施例的基于图像多尺度信息的图像降噪方法和装置的示例电子设备100。
如图1所示,电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106以及输出装置108,这些组件通过总线系统110和/或其它形式的连接机构(未示出)互连。应当注意,图1所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。此外,所述输入装置106也可以是任何接收信息的接口。
所述输出装置108可以向外部(例如用户)输出各种信息(例如图像或声音),并且可以包括显示器、扬声器等中的一个或多个。此外,所述输出装置108也可以是任何其他具备输出功能的设备。
示例性地,用于实现根据本发明实施例的基于图像多尺度信息的图像降噪方法和装置的示例电子设备可以被实现诸如智能手机、平板电脑、摄像头、车载设备、智能机器人等终端。
下面,将参考图2描述根据本申请实施例的基于图像多尺度信息的图像降噪方法200。如图2所示,基于图像多尺度信息的图像降噪方法200可以包括如下步骤:
在步骤S210,获取待处理图像,基于待处理图像构建图像金字塔。
在步骤S220,针对待处理图像中的每个需要滤波的当前像素点:从图像金字塔中查找与当前像素点相关的关联像素点,基于当前像素点和关联像素点计算关联像素点的空域滤波权重,并基于空域滤波权重得到当前像素点的滤波结果。
在步骤S230,基于每个当前像素点的滤波结果,得到待处理图像的降噪结果。
在本申请的实施例中,在获取待处理图像(例如灰度图像或者亮度图像)后,对于每个需要滤波的当前像素点,不是直接在待处理图像中基于空间像素相似性查找与当前像素点匹配的像素点,然后基于这样的单尺度的像素点匹配来进行空域滤波以进行图像降噪,因为这样的单尺度的像素点匹配这样的单尺度的像素点匹配。发明人发现,自然图像本身具备很强的分形特性,其在图像小尺度存在的图像模式,在图像的大尺度上也存在,且在图像的大尺度上噪声水平将会指数下降。基于此,发明人提出了本申请的方法200,其是一种基于应用图像的多尺度信息来提升图像降噪效果的方法,其通过构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度。具体地,在本申请的实施例中,在基于待处理图像构建图像金字塔后,针对待处理图像每个需要滤波的当前像素点,在图像金字塔的每一层中均可查找到与其匹配的关联像素点,计算每个关联像素点的空域滤波权重,最终基于当前像素点的像素值、与当前像素点相关的所有关联像素点的像素值、以及每个关联像素点的空域滤波权重,可计算得到当前像素点的空域滤波结果。对待处理图像中每个需要滤波的像素点都执行这样的操作,就可以得到所有像素点的滤波后的结果,从而得到整幅待处理图像的滤波结果,即得到降噪后的图像。这使得将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
在本申请的实施例中,步骤S210中所述的基于待处理图像构建图像金字塔,可以包括:定义图像金字塔的层数,图像金字塔包括第一层和其他层;对第一层,将待处理图像赋给第一层;对其他层,基于定义的滤波核对待处理图像进行卷积并下采样后赋给其他层。此处下采样的意思是隔一个点,取一个值。
例如,假定待处理图像表示为y,定义图像金字塔P的层数为K,K为大于1的自然数,每一层可以用k表示,其中k=1到K。其中,对于k=1(即第一层),可将原图像(即待处理图像)y直接赋给图像金字塔P的即第一层,即P[k=1]=y。对于k≠1(即不是第一层的其他层,即第二层到第K层),可以使用预先定义的滤波核kernel对待处理图像y进行卷积,对卷积之后的y进行下采样,得到yk,并将yk赋值给金字塔的第k层:P[k≠1]=yk。
例如,对于k=2(即第二层),可使用预先定义的滤波核kernel对待处理图像y进行卷积,例如是二维卷积,用公式表示可以为y’=conv2d(kernel,y),此处conv2d表示二维卷积运算。然后,对卷积之后得到的y’进行1/2下采样,得到y2,并将y2赋值给金字塔的第二层。对于k=3(即第三层),可使用预先定义的滤波核kernel对待处理图像y进行卷积,例如是二维卷积,用公式表示可以为y’=conv2d(kernel,y),此处conv2d表示二维卷积运算。然后,对卷积之后得到的y’进行1/4下采样,得到y3,并将y3赋值给金字塔的第三层。以此类推,对于k=K(即第K层),可使用预先定义的滤波核kernel对待处理图像y进行卷积,例如是二维卷积,用公式表示可以为y’=conv2d(kernel,y),此处conv2d表示二维卷积运算。然后,对卷积之后得到的y’进行1/2^(K-1)下采样,得到yK,并将yK赋值给金字塔的第K层。至此,图像金字塔构建完成。可以初始化一个长度为K的向量P,才存储图像金字塔的各层。
其中,前文所述的预先定义的滤波核kernel可以包括各向异性滤波核kernel_x、kernel_y和各向同性滤波核kernel。其中,kernel=ones(n,n),意思是定义一个行数为n、列数为n,内部元素全部为1的矩阵;kernel=kernel/(n*n),意思是kernel内的每个元素都除n*n。其中,n为滤波核的尺寸。
在本申请的实施例中,步骤S220中所述的从图像金字塔中查找与当前像素点相关的关联像素点,可以包括:计算图像金字塔的每一层中与当前像素点对应的像素点作为中心像素点;对于图像金字塔的每一层,以该层中的中心像素点为中心,将定义的空域降噪半径内的所有像素点作为与当前像素点相关的关联像素点。
例如,将一个当前像素点表示为(i,j),i∈[1,……,h],j∈[1,……,w],这里的h、w分别是指待处理图像y的高度和宽度。则,图像金字塔的每一层与当前像素点对应的像素点为((i/2^(k-1),j/2^(k-1))。例如,对于k=1,也就是图像金字塔的第一层,由于是原图像y赋给第一层,该层中与当前像素点(i,j)对应的像素点是((i/2^(1-1),j/2^(1-1)),即当前像素点本身。对于k=2,也就是图像金字塔的第二层,该层中与当前像素点(i,j)对应的像素点是((i/2^(2-1),j/2^(2-1)),即(i/2,j/2)。对于k=3,也就是图像金字塔的第三层,该层中与当前像素点(i,j)对应的像素点是((i/2^(3-1),j/2^(3-1)),即(i/4,j/4)。以此类推。
得到中心像素点以后,可将定义的空域降噪半径r内的所有像素点作为与当前像素点相关的关联像素点。例如,可将这些关联像素点存储在val[k,s1,s2]中,其中,k表示图像金字塔当前的层,s1表示该层中该关联像素点的x坐标相对于中心像素点的x坐标的距离,s2表示该层中该关联像素点的y坐标相对于中心像素点的y坐标的距离。
在本申请的实施例中,步骤S220所述的基于当前像素点和关联像素点计算关联像素点的空域滤波权重,可以包括:计算每个关联像素点与当前像素点的像素值差值;基于像素值差值的绝对值计算每个关联像素点的空域滤波权重。
接着上文的示例,每个关联像素点与当前像素点的像素值差值的绝对值可以为:d[k,s1,s2]=abs(y(i,j)-P[k,i/2^(k-1)+s1,j/2^(k-1]+s2])。基于像素值差值的绝对值计算每个关联像素点的空域滤波权重可以表示为:w[k,s1,s2]=exp(-((d[k,s1,s2])^2)/s[k])。其中s[k]为预先定义的图像金字塔每层的像素点参与空域滤波的强度值,s[k]∈R,k∈[1,……,K]。
在本申请的实施例中,步骤S220中所述的基于空域滤波权重得到当前像素点的滤波结果,可以包括:根据每个关联像素点的空域滤波权重计算每个关联像素点的加权像素值;将所有关联像素点的加权像素值的和与所有空域滤波权重的和这两者的比值作为当前像素点的滤波结果。
接着上文的示例,根据每个关联像素点的空域滤波权重计算每个关联像素点的加权像素值可以表示为w.*val,此处.*表示对应点元素相乘。将所有关联像素点的加权像素值的和与所有空域滤波权重的和这两者的比值作为当前像素点的滤波结果,可以表示为点(i,j)的空域滤波结果new_y(i,j)=sum(w.*val)/sum(w)。
在本申请的实施例中,基于每个当前像素点的滤波结果,得到待处理图像的降噪结果。也即,依照前文所述的方式得到每个当前像素点的滤波结果,即得到待处理图像的降噪结果。
基于上面的描述,根据本申请实施例的基于图像多尺度信息的图像降噪方法通过构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
下面结合图3到图4描述根据本申请另一方面提供的基于图像多尺度信息的图像降噪装置,它们可以用于执行前文所述的根据本申请实施例的基于图像多尺度信息的图像降噪方法。前文已经详细描述过基于图像多尺度信息的图像降噪方法的具体操作过程,因此下文中为了简洁,不再描述具体细节,仅描述一些主要的操作。
图3示出了根据本申请实施例的基于图像多尺度信息的图像降噪装置300的示意性结构框图。根据本申请实施例的基于图像多尺度信息的图像降噪装置300可以用于执行前文所述的根据本申请实施例的基于图像多尺度信息的图像降噪方法200。前文已经对基于图像多尺度信息的图像降噪方法300进行了详细描述,此处为了简洁,仅描述基于图像多尺度信息的图像降噪装置300的结构和主要操作,其他细节不再赘述。
如图3所示,基于图像多尺度信息的图像降噪装置300可以包括金字塔构建模块310、权重计算模块320和滤波模块330。其中,金字塔构建模块310用于获取待处理图像,基于待处理图像构建图像金字塔;权重计算模块320用于针对待处理图像中的每个需要滤波的当前像素点,从图像金字塔中查找与当前像素点相关的关联像素点,基于当前像素点和关联像素点计算关联像素点的空域滤波权重;滤波模块330用于基于空域滤波权重得到当前像素点的滤波结果,并基于每个当前像素点的滤波结果,得到待处理图像的降噪结果。
在本申请的实施例中,在获取待处理图像(例如灰度图像或者亮度图像)后,对于每个需要滤波的当前像素点,不是直接在待处理图像中基于空间像素相似性查找与当前像素点匹配的像素点,然后基于这样的单尺度的像素点匹配来进行空域滤波以进行图像降噪,因为这样的单尺度的像素点匹配这样的单尺度的像素点匹配。发明人发现,自然图像本身具备很强的分形特性,其在图像小尺度存在的图像模式,在图像的大尺度上也存在,且在图像的大尺度上噪声水平将会指数下降。基于此,发明人提出了本申请的装置300,其是一种基于应用图像的多尺度信息来提升图像降噪效果的装置,其通过金字塔构建模块310构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度。具体地,在本申请的实施例中,在图像金字塔构建模块310基于待处理图像构建图像金字塔后,权重计算模块320针对待处理图像每个需要滤波的当前像素点,在图像金字塔的每一层中均可查找到与其匹配的关联像素点,计算每个关联像素点的空域滤波权重,最终滤波模块330基于当前像素点的像素值、与当前像素点相关的所有关联像素点的像素值、以及每个关联像素点的空域滤波权重,可计算得到当前像素点的空域滤波结果。对待处理图像中每个需要滤波的像素点都执行这样的操作,就可以得到所有像素点的滤波后的结果,从而得到整幅待处理图像的滤波结果,即得到降噪后的图像。这使得将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
在本申请的一个实施例中,金字塔构建模块310基于待处理图像构建图像金字塔,包括:定义图像金字塔的层数,图像金字塔包括第一层和其他层;对第一层,将待处理图像赋给第一层;对其他层,基于定义的滤波核对待处理图像进行卷积并下采样后赋给其他层。此处下采样的意思是隔一个点,取一个值。
例如,假定待处理图像表示为y,定义图像金字塔P的层数为K,K为大于1的自然数,每一层可以用k表示,其中k=1到K。其中,对于k=1(即第一层),可将原图像(即待处理图像)y直接赋给图像金字塔P的即第一层,即P[k=1]=y。对于k≠1(即不是第一层的其他层,即第二层到第K层),可以使用预先定义的滤波核kernel对待处理图像y进行卷积,对卷积之后的y进行下采样,得到yk,并将yk赋值给金字塔的第k层:P[k≠1]=yk。
例如,对于k=2(即第二层),可使用预先定义的滤波核kernel对待处理图像y进行卷积,例如是二维卷积,用公式表示可以为y’=conv2d(kernel,y),此处conv2d表示二维卷积运算。然后,对卷积之后得到的y’进行1/2下采样,得到y2,并将y2赋值给金字塔的第二层。对于k=3(即第三层),可使用预先定义的滤波核kernel对待处理图像y进行卷积,例如是二维卷积,用公式表示可以为y’=conv2d(kernel,y),此处conv2d表示二维卷积运算。然后,对卷积之后得到的y’进行1/4下采样,得到y3,并将y3赋值给金字塔的第三层。以此类推,对于k=K(即第K层),可使用预先定义的滤波核kernel对待处理图像y进行卷积,例如是二维卷积,用公式表示可以为y’=conv2d(kernel,y),此处conv2d表示二维卷积运算。然后,对卷积之后得到的y’进行1/2^(K-1)下采样,得到yK,并将yK赋值给金字塔的第K层。至此,图像金字塔构建完成。金字塔构建模块310还可以初始化一个长度为K的向量P,才存储图像金字塔的各层。
其中,前文所述的预先定义的滤波核kernel可以包括各向异性滤波核kernel_x、kernel_y和各向同性滤波核kernel。其中,kernel=ones(n,n),意思是定义一个行数为n、列数为n,内部元素全部为1的矩阵;kernel=kernel/(n*n),意思是kernel内的每个元素都除n*n。其中,n为滤波核的尺寸。
在本申请的一个实施例中,权重计算模块320从图像金字塔中查找与当前像素点相关的关联像素点,包括:计算图像金字塔的每一层中与当前像素点对应的像素点作为中心像素点;对于图像金字塔的每一层,以该层中的中心像素点为中心,将定义的空域降噪半径内的所有像素点作为与当前像素点相关的关联像素点。
例如,将一个当前像素点表示为(i,j),i∈[1,……,h],j∈[1,……,w],这里的h、w分别是指待处理图像y的高度和宽度。则,图像金字塔的每一层与当前像素点对应的像素点为((i/2^(k-1),j/2^(k-1))。例如,对于k=1,也就是图像金字塔的第一层,由于是原图像y赋给第一层,该层中与当前像素点(i,j)对应的像素点是((i/2^(1-1),j/2^(1-1)),即当前像素点本身。对于k=2,也就是图像金字塔的第二层,该层中与当前像素点(i,j)对应的像素点是((i/2^(2-1),j/2^(2-1)),即(i/2,j/2)。对于k=3,也就是图像金字塔的第三层,该层中与当前像素点(i,j)对应的像素点是((i/2^(3-1),j/2^(3-1)),即(i/4,j/4)。以此类推。
得到中心像素点以后,可将定义的空域降噪半径r内的所有像素点作为与当前像素点相关的关联像素点。例如,可将这些关联像素点存储在val[k,s1,s2]中,其中,k表示图像金字塔当前的层,s1表示该层中该关联像素点的x坐标相对于中心像素点的x坐标的距离,s2表示该层中该关联像素点的y坐标相对于中心像素点的y坐标的距离。
在本申请的一个实施例中,权重计算模块320基于当前像素点和关联像素点计算关联像素点的空域滤波权重,包括:计算每个关联像素点与当前像素点的像素值差值;基于像素值差值的绝对值计算每个关联像素点的空域滤波权重。
接着上文的示例,每个关联像素点与当前像素点的像素值差值的绝对值可以为:d[k,s1,s2]=abs(y(i,j)-P[k,i/2^(k-1)+s1,j/2^(k-1]+s2])。基于像素值差值的绝对值计算每个关联像素点的空域滤波权重可以表示为:w[k,s1,s2]=exp(-((d[k,s1,s2])^2)/s[k])。其中s[k]为预先定义的图像金字塔每层的像素点参与空域滤波的强度值,s[k]∈R,k∈[1,……,K]。
在本申请的一个实施例中,滤波模块330基于空域滤波权重得到当前像素点的滤波结果,包括:根据每个关联像素点的空域滤波权重计算每个关联像素点的加权像素值;将所有关联像素点的加权像素值的和与所有空域滤波权重的和这两者的比值作为当前像素点的滤波结果。
接着上文的示例,根据每个关联像素点的空域滤波权重计算每个关联像素点的加权像素值可以表示为w.*val,此处.*表示对应点元素相乘。将所有关联像素点的加权像素值的和与所有空域滤波权重的和这两者的比值作为当前像素点的滤波结果,可以表示为点(i,j)的空域滤波结果new_y(i,j)=sum(w.*val)/sum(w)。
在本申请的实施例中,基于每个当前像素点的滤波结果,得到待处理图像的降噪结果。也即,依照前文所述的方式得到每个当前像素点的滤波结果,即得到待处理图像的降噪结果。
基于上面的描述,根据本申请实施例的基于图像多尺度信息的图像降噪装置通过构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
图4示出了根据本申请实施例的电子设备400的示意性框图。如图4所示,根据本申请实施例的电子设备400可以包括存储器410和处理器420,存储器410存储有由处理器420运行的计算机程序,所述计算机程序在被处理器420运行时,使得处理器420执行前文所述的根据本申请实施例的基于图像多尺度信息的图像降噪方法200。本领域技术人员可以结合前文所述的内容理解根据本申请实施例的电子设备400的具体操作,为了简洁,此处不再赘述具体的细节。
此外,根据本申请实施例,还提供了一种存储介质,在所述存储介质上存储了程序指令,在所述程序指令被计算机或处理器运行时用于执行本申请实施例的基于图像多尺度信息的图像降噪方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。所述计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
此外,根据本申请实施例,还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序在被处理器运行时,使得处理器执行本申请实施例的基于图像多尺度信息的图像降噪方法。
基于上面的描述,根据本申请实施例的基于图像多尺度信息的图像降噪方法、装置和电子设备通过构建图像金字塔,将原本的单尺度的像素点匹配通过图像金字塔扩展到多尺度,不仅能够使用到图像的多尺度信息,还能够使得更多点参与到空域滤波当中,从而增强空域滤波的效果,使得能够更好地去除图像噪声,且更好地保留图像细节信息。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
Claims (10)
1.一种基于图像多尺度信息的图像降噪方法,其特征在于,所述方法包括:
获取待处理图像,基于所述待处理图像构建图像金字塔;
针对所述待处理图像中的每个需要滤波的当前像素点:从所述图像金字塔中查找与所述当前像素点相关的关联像素点,基于所述当前像素点和所述关联像素点计算所述关联像素点的空域滤波权重,并基于所述空域滤波权重得到所述当前像素点的滤波结果;
基于每个所述当前像素点的滤波结果,得到所述待处理图像的降噪结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待处理图像构建图像金字塔,包括:
定义所述图像金字塔的层数,所述图像金字塔包括第一层和其他层;
对所述第一层,将所述待处理图像赋给所述第一层;
对所述其他层,基于定义的滤波核对所述待处理图像进行卷积并下采样后赋给所述其他层。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
初始化一个长度等于所述图像金字塔的层数的向量,用于存储所述图像金字塔的各层。
4.根据权利要求1所述的方法,其特征在于,所述从所述图像金字塔中查找与所述当前像素点相关的关联像素点,包括:
计算所述图像金字塔的每一层中与所述当前像素点对应的像素点作为中心像素点;
对于所述图像金字塔的每一层,以该层中的所述中心像素点为中心,将定义的空域降噪半径内的所有像素点作为与所述当前像素点相关的关联像素点。
5.根据权利要求4所述的方法,其特征在于,所述基于所述当前像素点和所述关联像素点计算所述关联像素点的空域滤波权重,包括:
计算每个所述关联像素点与所述当前像素点的像素值差值;
基于所述像素值差值的绝对值计算每个所述关联像素点的空域滤波权重。
6.根据权利要求4或5所述的方法,其特征在于,所述基于所述空域滤波权重得到所述当前像素点的滤波结果,包括:
计算每个所述关联像素点的空域滤波权重计算每个所述关联像素点的加权像素值;
将所有所述关联像素点的加权像素值的和与所有所述空域滤波权重的和这两者的比值作为所述当前像素点的滤波结果。
7.根据权利要求1所述的方法,其特征在于,所述待处理图像为灰度图像或者亮度图像。
8.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器上存储有由所述处理器运行的计算机程序,所述计算机程序在被所述处理器运行时,使得所述处理器执行如权利要求1-7中的任一项所述的基于图像多尺度信息的图像降噪方法。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序在被运行时,使得所述处理器执行如权利要求1-7中的任一项所述的基于图像多尺度信息的图像降噪方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序在被处理器运行时,使得所述处理器执行如权利要求1-7中的任一项所述的基于图像多尺度信息的图像降噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211711024.9A CN116012244A (zh) | 2022-12-29 | 2022-12-29 | 基于图像多尺度信息的图像降噪方法和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211711024.9A CN116012244A (zh) | 2022-12-29 | 2022-12-29 | 基于图像多尺度信息的图像降噪方法和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116012244A true CN116012244A (zh) | 2023-04-25 |
Family
ID=86029373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211711024.9A Pending CN116012244A (zh) | 2022-12-29 | 2022-12-29 | 基于图像多尺度信息的图像降噪方法和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012244A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876252A (zh) * | 2024-03-11 | 2024-04-12 | 上海玄戒技术有限公司 | 一种图像降噪方法、装置、设备、存储介质及芯片 |
-
2022
- 2022-12-29 CN CN202211711024.9A patent/CN116012244A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876252A (zh) * | 2024-03-11 | 2024-04-12 | 上海玄戒技术有限公司 | 一种图像降噪方法、装置、设备、存储介质及芯片 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473137B (zh) | 图像处理方法和装置 | |
CN110838125B (zh) | 医学图像的目标检测方法、装置、设备、存储介质 | |
CN112446270A (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
CN111782840B (zh) | 图像问答方法、装置、计算机设备和介质 | |
EP4322056A1 (en) | Model training method and apparatus | |
WO2021218238A1 (zh) | 图像处理方法和图像处理装置 | |
CN111783996B (zh) | 一种数据处理方法、装置及设备 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
WO2022111387A1 (zh) | 一种数据处理方法及相关装置 | |
CN111126249A (zh) | 一种大数据和贝叶斯相结合的行人重识别方法及装置 | |
CN111428805A (zh) | 显著性物体的检测方法、装置、存储介质及电子设备 | |
CN116597336A (zh) | 视频处理方法、电子设备、存储介质及计算机程序产品 | |
CN116012244A (zh) | 基于图像多尺度信息的图像降噪方法和电子设备 | |
CN111104911A (zh) | 一种基于大数据训练的行人重识别方法及装置 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN113158970B (zh) | 一种基于快慢双流图卷积神经网络的动作识别方法与系统 | |
CN114168768A (zh) | 图像检索方法及相关设备 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113627421A (zh) | 一种图像处理方法、模型的训练方法以及相关设备 | |
CN111626212B (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN116977804A (zh) | 图像融合方法、电子设备、存储介质及计算机程序产品 | |
CN116229262A (zh) | 一种建筑信息模型的建模方法及装置 | |
CN116309050A (zh) | 图像超分辨率方法、程序产品、存储介质及电子设备 | |
CN114708143A (zh) | 一种hdr图像生成方法、设备、产品及介质 |
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 |