CN117078532A - 一种基于图像边缘特性的图像噪声估计方法及其系统 - Google Patents

一种基于图像边缘特性的图像噪声估计方法及其系统 Download PDF

Info

Publication number
CN117078532A
CN117078532A CN202310880451.8A CN202310880451A CN117078532A CN 117078532 A CN117078532 A CN 117078532A CN 202310880451 A CN202310880451 A CN 202310880451A CN 117078532 A CN117078532 A CN 117078532A
Authority
CN
China
Prior art keywords
image
estimated
sub
noise estimation
area
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
Application number
CN202310880451.8A
Other languages
English (en)
Inventor
杨洋
林师杰
黄淦
翟爱亭
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.)
Shenzhen Huahan Weiye Technology Co ltd
Original Assignee
Shenzhen Huahan Weiye Technology Co ltd
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 Shenzhen Huahan Weiye Technology Co ltd filed Critical Shenzhen Huahan Weiye Technology Co ltd
Priority to CN202310880451.8A priority Critical patent/CN117078532A/zh
Publication of CN117078532A publication Critical patent/CN117078532A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/13Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明提供一种基于图像边缘特性的图像噪声估计方法及其系统。该图像噪声估计方法包括:获取原始图像,将原始图像划分为多个待估计子图像;基于待估计子图像的梯度图像,对每个待估计子图像进行判断,以确定待估计子图像是否为有效待估计子图像;利用二阶差分滤波核对有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值。该方法通过获取包含较多噪声的待估计子图像并将其作为有效待估计子图像,再使用有效待估计子图像去估计原始图像的噪声,进而最终达到对原始图像中噪声的分布情况进行准确地估计。上述系统能够实现上述方法。

Description

一种基于图像边缘特性的图像噪声估计方法及其系统
技术领域
本发明涉及数字图像处理领域,具体涉及一种基于图像边缘特性的图像噪声估计方法及其系统。
背景技术
众所周知,通过硬件采集得到的图像会存在一定程度的噪声,而对上述图像中噪声水平的准确估计,对于后续的图像处理和分析等具有极高的参考价值。例如,相机中ISP(Image Signal Processor,图像信号处理器)的图像处理流程,通常在去马赛克算法后面有一个去噪的环节,而噪声一般是CMOS感光元件或者CCD感光元件(Charge-coupledDevice,电荷耦合元件)接收光子然后转化成RAW图(即原始图像文件)的过程中产生的,环境中的光通过镜头模组照射到上述感光元件上,由于光电效应会激发很多电子,这些电子会转换成电流被模拟放大器放大,然后通过ADC模数转换器转换,最后输出离散的照度值。
噪声水平是许多图像处理应用程序的重要参数。若对图像的噪声水平的估计较差,那么图像去噪算法的性能可能会较差。而大多数现有的去噪算法是假设图像中的噪声水平是众所周知的,再基于该噪声水平进行去噪,可以有效地抑制图像的噪声,从而满足高精度的测量、检测等方面的需求。此外,即使图像具有给定的真实噪声水平,这些去噪算法仍然无法达到其最佳性能,尤其是对于具有丰富纹理的图像。当前对图像中噪声进行估计,主要是基于局部图像的灰度信息进行估计。该类方法对于具有丰富纹理的图像,无法给出图像真实的噪声水平。为了改进该方法,一些图像噪声水平估计的改进方法是采用基于分块的技术思路,其主要针对具有丰富纹理信息的图像,以便满足场景复杂度高的噪声水平的估计。上述改进方法首先从对图像分块而得到的多个图像块中,选择没有高频分量或者高频分量少的图像块进行分析(注:这是由于噪声的分布是均匀的),即,选择平坦的图像区域进行分析,然后基于上述平坦的图像区域的统计梯度信息以及主成分分析完成图像的噪声水平估计。上述改进方法对于噪声污染严重的图像,无法稳定地对噪声水平进行估计。因此,针对现有技术的不足有必要进行改进。
发明内容
本发明主要解决的技术问题是提供一种基于图像边缘特性的图像噪声估计方法及其系统,用于对原始图像中噪声的分布情况进行更准确地估计,进而提高图像噪声估计的准确性和稳定性。
根据第一方面,一种实施例中提供一种基于图像边缘特性的图像噪声估计方法。该图像噪声估计方法包括:
获取原始图像;
利用二阶差分滤波核对所述原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
根据第二方面,一种实施例中还提供另一种基于图像边缘特性的图像噪声估计方法。该图像噪声估计方法包括:
获取原始图像,将所述原始图像划分为多个待估计子图像;其中,相邻的两个所述待估计子图像之间不存在重叠区域;基于所述待估计子图像的梯度图像,对每个所述待估计子图像进行判断,以确定所述待估计子图像是否为有效待估计子图像;
利用二阶差分滤波核对所述有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
一实施例中,所述基于所述待估计子图像的梯度图像,对每个所述待估计子图像进行判断,以确定所述待估计子图像是否为有效待估计子图像,包括:
获取所述待估计子图像的梯度图像,根据所述梯度图像确定所述待估计子图像中的有效噪声估计区域,根据有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像。
一实施例中,获取所述待估计子图像的梯度图像,根据所述梯度图像确定所述待估计子图像中的有效噪声估计区域,根据有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像,包括:
计算所述待估计子图像中各像素的梯度幅值,以获得所述待估计子图像的梯度图像;计算得到所述梯度图像的相对灰度直方图;
从所述相对灰度直方图的最小灰度值开始,对各灰度值的概率值进行累加,直至累加得到的概率值达到或者超过预设的累计概率阈值,获取最后累加的灰度值作为二值化阈值;
根据所述二值化阈值获取所述待估计子图像中的有效噪声估计区域,其中,所述有效噪声估计区域为所述待估计子图像中梯度幅值小于所述二值化阈值的区域;
计算所述有效噪声估计区域的面积;其中,所述有效噪声估计区域的面积表示所述待估计子图像中梯度幅值小于所述二值化阈值的像素点的个数;
根据所述有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到所述有效待估计子图像。
一实施例中,根据所述有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到所述有效待估计子图像,包括:
基于所述有效噪声估计区域的面积计算所述有效噪声估计区域的面积比例;其中,所述有效噪声估计区域的面积比例表示所述有效噪声估计区域的面积占与所述有效噪声估计区域对应的待估计子图像的面积的百分比;
若所述有效噪声估计区域的面积比例小于预设的面积比例阈值,则将与所述有效噪声估计区域对应的待估计子图像作为无效待估计子图像,并剔除所述无效待估计子图像;若所述有效噪声估计区域的面积比例大于或等于预设的二值化梯度面积比例阈值,则将与所述有效噪声估计区域的对应的待估计子图像作为所述有效待估计子图像。
一实施例中,所述基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值,包括:
获取每一个所述二阶差分图像,计算每一个所述二阶差分图像的全局平均值;
将每一个所述二阶差分图像的全局平均值乘以而得到每一个所述二阶差分图像的噪声估计值;
基于每一个所述二阶差分图像的噪声估计值,获得所述原始图像的噪声估计值。
一实施例中,所述原始图像的噪声估计值由以下表达式确定:
其中,σi为第i个所述二阶差分图像的噪声估计值,βi为第i个所述二阶差分图像对应的待估计子图像的有效噪声估计区域的面积占第i个所述二阶差分图像的面积的比值,L为所述二阶差分图像的总个数。
根据第三方面,一种实施例中提供一种基于图像边缘特性的图像噪声估计系统。该图像噪声估计系统包括:
预处理模块,被配置为获取原始图像;
二阶差分信息提取模块,被配置为利用二阶差分滤波核对所述原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
分析处理模块,被配置为基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
根据第四方面,一种实施例中提供一种基于图像边缘特性的图像噪声估计系统。该图像噪声估计系统包括:
预处理模块,被配置为获取原始图像,将所述原始图像划分为多个待估计子图像;其中,相邻的两个所述待估计子图像之间不存在重叠区域;基于所述原始图像的梯度图像,对每个所述待估计子图像进行判断,以确定所述待估计子图像是否为有效待估计子图像;
二阶差分信息提取模块,被配置为利用二阶差分滤波核对所述有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
分析处理模块,被配置为基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
根据第五方面,一种实施例中提供一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如本文中任一实施例所述的图像噪声估计方法。
本申请的有益效果是:
本申请提供一种图像噪声估计方法,一种实施例中该方法包括:获取原始图像;利用二阶差分滤波核对所述原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值。由于图像中的噪声在图像中常体现为图像的局部响应信号,而图像的局部响应信号具有很强的二阶差分特性,因此本申请的图像噪声估计方法通过利用二阶差分滤波核对图像进行噪声估计,进而最终达到对原始图像中噪声的分布情况进行更准确地估计。而另一种实施例中该方法包括:获取原始图像,将原始图像划分为多个待估计子图像;基于待估计子图像的梯度图像,对每个待估计子图像进行判断,以确定待估计子图像是否为有效待估计子图像;利用二阶差分滤波核对有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值;通过该实施例中的方法获取包含较多噪声的待估计子图像并将其作为有效待估计子图像;再使用有效待估计子图像去估计原始图像的噪声,进而最终达到对原始图像中噪声的分布情况进行更准确地估计。
附图说明
图1为一种实施例的图像噪声估计方法的流程示意图;
图2为另一种实施例的图像噪声估计方法的流程示意图;
图3为一种实施例的基于待估计子图像的梯度图像获得有效待估计子图像的流程示意图;
图4为一种实施例的对原始图像中的噪声进行估计而得到原始图像的噪声估计值的流程示意图;
图5为一种实施例的图像噪声估计系统的模块示意图;
图6为另一种实施例的图像噪声估计系统的模块示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
本申请的图像噪声估计方法的技术构思是:由于图像中的噪声在图像中常体现为图像的局部响应信号,而图像(如下述原始图像)的局部响应信号具有很强的二阶差分特性,因此图像对二阶差分的噪声统计器(如下述二阶差分滤波核)是敏感的,进而可以通过二阶差分滤波核来对图像进行卷积运算或相关运算而得到二阶差分图像,之后,可以基于所述二阶差分图像对原始图像中的噪声进行估计而得到原始图像的噪声估计值。
本申请的图像噪声估计方法可以为后续的调焦、图像的预处理和分析等提供指导。
下面将结合实施例对本申请的技术方案进行详细说明。
请参考图1,本申请提供一种基于图像边缘特性的图像噪声估计方法。该图像噪声估计方法,包括:
步骤S100a:获取原始图像;
步骤S200a:利用二阶差分滤波核对原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,二阶差分图像包含原始图像的二阶差分信息;
步骤S300a:基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值;其中,噪声估计值用于表征图像中的噪声水平。
由于图像的边缘具有很强的二阶差分特性,进而图像对拉普拉斯(Laplacian)的二阶响应是比较敏感的,因此,一些实施例中,可以利用下述卷积核L1和卷积核L2去逼近图像的拉普拉斯响应。卷积核L1和卷积核L2分别表示为:
因而,一些实施例中,上述对原始图像进行相关运算的二阶差分滤波核w可以表示为:
需要说明的是,本领域技术人员也可以根据实际应用场景需求而选择其他的二阶差分滤波核。
上述步骤S200a中,利用上述二阶差分滤波核可以对原始图像进行卷积运算或相关运算而得到二阶差分图像。
上述对原始图像进行相关运算而得到的二阶差分图像的表达式可以为:
其中,上述f表示原始图像中像素的灰度值;x和y分别为原始图像中像素的横坐标和纵坐标;上述s和t分别表示二阶差分滤波核中各元素相对于位于二阶差分滤波核中心的像素点的相对坐标,例如,对于一个3×3的二阶差分滤波核,若假设坐标原点位于二阶差分滤波核的中心位置,那么位于二阶差分滤波核的左上角的像素点相对于位于二阶差分滤波核中心的像素点的相对坐标就是(-1,-1),而位于二阶差分滤波核的右下角的像素点相对于位于二阶差分滤波核中心的像素点的相对坐标就是(1,1),进而可以理解的是:上述s和t的取值范围均为[-1,1];上述g(x,y)表示二阶差分图像中位于(x,y)的像素点的灰度值,w(s,t)表示二阶差分滤波核中相对坐标为(s,t)的元素的数值。
需要说明的是,利用上述二阶差分滤波核对原始图像进行卷积运算或相关运算属于本领域的公知常识,故不再对利用上述二阶差分滤波核对原始图像进行卷积运算或相关运算的具体过程进行赘述。
对于噪声估计值,其可以是能够表征图像中的噪声水平的噪声参数,如噪声的标准差、方差、峰值信噪比(PNSR)、结构相似性(SSIM)等,即步骤S300a估计得到的可以是原始图像中噪声的标准差、方差、峰值信噪比、结构相似性等。
需要指出的是,上述基于图像边缘特性的图像噪声估计方法假设图像中的噪声为加性噪声。基于上述假设,上述图像噪声估计方法对于整幅图像进行噪声估计。由于上述基于图像边缘特性的图像噪声估计方法是对整幅图像进行噪声估计,因而对于图像中局部区域的噪声估计可能存在一定的偏差。本申请一种实施例中还提供另一种基于图像边缘特性的图像噪声估计方法,其有利于提高局部区域的噪声估计的准确性。
请参考图2,本申请提供的另一种基于图像边缘特性的图像噪声估计方法包括:
步骤S100b:获取原始图像,将原始图像划分为多个待估计子图像;其中,相邻的两个待估计子图像之间不存在重叠区域;基于待估计子图像的梯度图像,对每个待估计子图像进行判断,以确定待估计子图像是否为有效待估计子图像;
步骤S200b:利用二阶差分滤波核对有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;其中,二阶差分图像包含原始图像的二阶差分信息;
步骤S300b:基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值。
上述步骤S100b中,可以将原始图像划分为多个大小相同的待估计子图像。相邻的两个待估计子图像之间不存在重叠区域。待估计子图像可以呈方形,也可以呈矩形。本领域技术人员还可以根据实际场景需求而选定待估计子图像呈其他形状。之后,基于待估计子图像的梯度图像,对每个待估计子图像进行判断,以确定待估计子图像是否为有效待估计子图像。
此处判断待估计子图像是否为有效待估计子图像的目的是为了筛选出包含较多噪声的待估计子图像。由于图像中除了噪声外还存在其他的边缘特征,这些边缘特征属于图像的有效图像信息,但这些边缘特征会对噪声的估计产生干扰,因此步骤S100b中对待估计子图像进行筛选,获取噪声较多的待估计子图像作为有效待估计子图像,在后续进行噪声估计时仅考虑有效待估计子图像,以提高噪声估计的准确性。由于边缘特征可以借助梯度信息进行分析,因此步骤S100b中基于待估计子图像的梯度图像判断待估计子图像中噪声的多少,以确定待估计子图像是否为有效待估计子图像。
一种实施例中,上述步骤S100b中,基于待估计子图像的梯度图像,对每个待估计子图像进行判断,以确定待估计子图像是否为有效待估计子图像,包括:
步骤S110b:获取待估计子图像的梯度图像,根据梯度图像确定待估计子图像中的有效噪声估计区域;根据有效噪声估计区域的面积判断待估计子图像是否为无效待估计子图像,从待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像。其中,有效噪声估计区域是指噪声比较多的区域。
一种实施例中,请参考图3,上述步骤S110b中,获取待估计子图像的梯度图像,根据梯度图像确定待估计子图像中的有效噪声估计区域,根据有效噪声估计区域的面积判断待估计子图像是否为无效待估计子图像,从待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像,包括:
步骤S111b:计算待估计子图像中各像素的梯度幅值,以获得待估计子图像的梯度图像;计算得到梯度图像的相对灰度直方图;
步骤S112b:从相对灰度直方图的最小灰度值开始,对各灰度值的概率值进行累加,直至累加得到的概率值达到或者超过预设的累计概率阈值,获取最后累加的灰度值作为二值化阈值;
步骤S113b:根据二值化阈值获取待估计子图像中的有效噪声估计区域,其中,有效噪声估计区域为待估计子图像中梯度幅值小于二值化阈值的区域;
步骤S114b:计算有效噪声估计区域的面积;其中,有效噪声估计区域的面积表示待估计子图像中梯度幅值小于二值化阈值的像素点的个数;
步骤S115b:根据有效噪声估计区域的面积判断待估计子图像是否为无效待估计子图像,从待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像。
上述步骤S111b中,可以通过计算待估计子图像中各像素的梯度幅值而获取待估计子图像的梯度图像。之后,可以计算得到梯度图像的相对灰度直方图。上述梯度幅值的计算可以采用以下表达式:其中,上述/>表示待估计子图像中像素沿x方向的一阶导数;/>表示待估计子图像中像素沿y方向的一阶导数。
需要说明的是,通过计算待估计子图像中各像素的梯度幅值而获取待估计子图像的梯度图像以及基于梯度图像获得梯度图像的相对灰度直方图是本领域的常规手段,故不再对获取梯度图像和相对灰度直方图的具体过程进行赘述。
图像(如原始图像或有效待估计子图像)里通常含有一定比例的噪声,而代表噪声的像素点占整个图像的像素点总数量的比例通常较小。本申请通过梯度值来区分噪声和图像中的其他边缘特征,将梯度值所占比例较小的像素点看作噪声,梯度值所占比例较大的像素点则认为是其他边缘特征等有效图像信息,而相对灰度直方图统计的是梯度图像的灰度值(即梯度值),因此本申请的图像噪声估计方法将上述相对灰度直方图中比例比较小的灰度值(也就是说,从相对灰度直方图的最小灰度值(即最小梯度值)开始,到上述预设的累计概率阈值所对应的目标灰度值(即目标梯度值)之间的灰度值区间(即梯度值区间))所对应的像素点看作是图像中的噪声。通过对各灰度值的概率值进行累加,从上述相对灰度直方图的最小灰度值开始逐个寻找,当累加得到的概率值达到或者超过预设的累计概率阈值时,本申请的图像噪声估计方法将从相对灰度直方图的最小灰度值到预设的累计概率阈值所对应的目标灰度值之间的灰度值区间所对应的像素点视为原始图像中的噪声,而将从预设的累计概率阈值所对应的目标灰度值到相对灰度直方图的最大灰度值之间的灰度值区间所对应的像素点视为原始图像中的有效图像信息。
因此,可以利用预设的累计概率阈值所对应的目标灰度值对梯度图像进行二值化处理,获取梯度值小于二值化阈值的区域,将待估计子图像中与所获取的区域对应的区域作为有效噪声估计区域,也就是说,有效噪声估计区域为待估计子图像中梯度幅值小于二值化阈值的区域。因此,上述步骤S112b中,可以从梯度图像的相对灰度直方图的最小灰度值开始,对各灰度值的概率值进行累加,直至累加得到的概率值达到或者超过预设的累计概率阈值,其中,获取最后累加的灰度值(即,预设的累计概率阈值所对应的目标灰度值)作为上述二值化处理的二值化阈值。其中,预设的累计概率阈值的取值范围为0至1。
一些实施例中,预设的累计概率阈值的取值范围为0.1至0.3。
需要说明的是,本领域技术人员可以根据实际应用场景来选定具体的预设的累计概率阈值。
一些实施例中,二值化阈值a的表达式可以为:a=vmin。其中,vmin为预设的累计概率阈值所对应的目标灰度值。
上述步骤S113b中,根据二值化阈值获取待估计子图像中的有效噪声估计区域,其中,有效噪声估计区域为待估计子图像中梯度幅值小于二值化阈值的区域。上述相对灰度直方图的纵坐标表示每个灰度值在图像中出现的概率或者比例。例如,一个相对灰度直方图中从最小灰度值开始依次对应的概率或者比例分别为:[0.005,0.003,0.01,0.02,0,0.1,0.2,…],若预设的累计概率阈值为0.28,那么从相对灰度直方图的下标索引0开始,对相对灰度直方图中各灰度值的概率值进行累加,直至累加得到的概率值达到或者超过预设的累计概率阈值,进而第一个累加概率大于0.28所对应的目标灰度值作为二值化阈值a。之后,采用该二值化阈值a对梯度图像进行二值化处理,将梯度图像中梯度幅值在[0,a]之间的像素点的灰度值设置为255,将梯度幅值在[0,a]之外的像素点的灰度值设置为0,那么待估计子图像中,与梯度图像中灰度值为255的像素点所组成的区域相对应的区域就是有效噪声估计区域。
上述步骤S114b中,可以采用统计上述梯度图像中的灰度值为255的像素点的数量来计算待估计子图像中有效噪声估计区域的面积。有效噪声估计区域的面积表示待估计子图像中梯度幅值小于二值化阈值的像素点的个数。
一种实施例中,上述步骤S115b中,根据有效噪声估计区域的面积判断待估计子图像是否为无效待估计子图像,从待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像,包括:
基于有效噪声估计区域的面积计算有效噪声估计区域的面积比例;其中,有效噪声估计区域的面积比例表示有效噪声估计区域的面积占与有效噪声估计区域对应的待估计子图像的面积的百分比;
若有效噪声估计区域的面积比例小于预设的面积比例阈值,则将与有效噪声估计区域对应的待估计子图像作为无效待估计子图像,并剔除无效待估计子图像;若有效噪声估计区域的面积比例大于或等于预设的二值化梯度面积比例阈值,则将与有效噪声估计区域的对应的待估计子图像作为有效待估计子图像。
需要说明的是,本领域技术人员可以根据具体的应用场景对预设的面积比例阈值进行灵活地设定。
一种实施例中,请参考图4,上述步骤S300b中,基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值,包括:
步骤S310b:获取每一个二阶差分图像,计算每一个二阶差分图像的全局平均值;
步骤S320b:将每一个二阶差分图像的全局平均值乘以而得到每一个二阶差分图像的噪声估计值;
步骤S330b:基于每一个二阶差分图像的噪声估计值,获得原始图像的噪声估计值。
上述步骤S310b中,二阶差分图像的全局平均值E的表达式可以为:
其中,上述|gi(x,y)|表示第i个二阶差分图像中坐标为(x,y)的像素点的灰度值,wi和hi分别表示第i个二阶差分图像的宽度和高度,N表示第i个二阶差分图像中像素点的总数量。
由于通过感光元件(如CMOS感光元件或者CCD感光元件)获取的图像中的噪声一般为加性噪声,即叠加在图像(如下述图像的有效图像信息)上且与图像信号无关的噪声;而这种噪声通常被认为是高斯分布且功率谱密度均匀的高斯白噪声,故一种实施例中噪声的大小采用其标准差进行衡量,也就是说,上述感光元件一般得到的先验是:图像中的噪声是高斯模型,因此,上述步骤S320b中,二阶差分图像的噪声估计值的表达式可以为:
其中,上述噪声估计值的表达式的推导过程如下:由于在连续化情况下,因此可得:/>而数字图像是离散化的形式,将积分运算转化为求和运算,即为:
上述步骤S330b中,原始图像的噪声估计值由以下表达式确定:其中,σi为第i个二阶差分图像的噪声估计值,βi为第i个二阶差分图像对应的待估计子图像的有效噪声估计区域的面积占第i个二阶差分图像的面积的比值,L为二阶差分图像的总个数。
通常情况下,现有的噪声估计方法会借助图像的灰度值的局部变化情况对图像里的噪声进行描述或估计。其中,借助图像的灰度值的局部变化情况的一种方式是借助图像的灰度值的一阶差分。这是由于若图像中某部分/像素点的灰度值的一阶差分变化比较大,则说明一阶差分变化比较大的灰度值所对应的某部分/像素点属于图像(如原始图像或有效待估计子图像)的边缘;若图像中某部分/像素点的灰度值的一阶差分变化比较小,则说明一阶差分变化比较大的灰度值所对应的某部分/像素点属于图像(即原始图像)的平坦区域。但是,借助图像的灰度值的一阶差分并不能准确地描述图像中的某部分/像素点到底是属于图像的噪声还是图像的有效图像信息。因此,本申请的图像噪声估计方法采用借助图像的灰度值的局部变化情况的另一种方式,即,借助图像的灰度值的二阶差分。例如,若图像的灰度值的二阶差分等于0,则说明二阶差分等于0的灰度值所对应的某部分/像素点(即为一个临界点)属于图像的边缘;若图像中灰度值的二阶差分为一个最大值或最小值,则说明二阶差分为一个最大值或最小值的灰度值所对应的某部分/像素点不属于图像的边缘或高频信息。也就是说,本申请的图像噪声估计方法是利用图像边缘的二阶差分特性去描述图像中的噪声。
因此,可以看出,一些实施例中,本申请的图像噪声估计方法将从相对灰度直方图的最小梯度值到预设的累计概率阈值所对应的目标梯度值之间的梯度值区间所对应的像素点视为原始图像中的噪声。本申请的图像噪声估计方法就着重关注上述被视为原始图像中的噪声的像素点在各待估计子图像中的比例,例如,若某个待估计子图像中被视为原始图像中的噪声所占的比例比较小(如小于下述预设的面积比例阈值),则本申请的图像噪声估计方法认为该待估计子图像主要表征的是图像的有效图像信息,而该待估计子图像也会被视为无效待估计子图像;若某个待估计子图像中被视为原始图像中的噪声所占的比例比较大(如大于或等于下述预设的面积比例阈值),则本申请的图像噪声估计方法认为该待估计子图像中噪声的比例比较大,进而本申请的图像噪声估计方法将该待估计子图像视为有效待估计子图像,避免使用无效待估计子图像去估计原始图像的噪声,而使用有效待估计子图像去估计原始图像的噪声,进而最终达到对原始图像中噪声的分布情况进行准确地估计。简而言之,本申请的图像噪声估计方法的核心是希望抑制或去除包含较多图像中有效图像信息的边缘部分的待估计子图像,而仅保留包含较多噪声的待估计子图像并将其作为有效待估计子图像;之后使用有效待估计子图像去估计原始图像的噪声,进而最终达到对原始图像中噪声的分布情况进行准确地估计。
以上就是关于基于图像边缘特性的图像噪声估计方法的一些说明。本申请一些实施例中还公开了一种基于图像边缘特性的图像噪声估计系统。请参考图5,该图像噪声估计系统包括:
预处理模块100a,被配置为获取原始图像;
二阶差分信息提取模块200a,被配置为利用二阶差分滤波核对原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,二阶差分图像包含原始图像的二阶差分信息;
分析处理模块300a,被配置为基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值;其中,噪声估计值用于表征图像中的噪声水平。
本申请一些实施例中还公开了另一种基于图像边缘特性的图像噪声估计系统。请参考图6,该图像噪声估计系统包括:
预处理模块100b,被配置为获取原始图像,将原始图像划分为多个待估计子图像;其中,相邻的两个待估计子图像之间不存在重叠区域;基于原始图像的梯度图像,对每个待估计子图像进行判断,以确定待估计子图像是否为有效待估计子图像;
二阶差分信息提取模块200b,被配置为利用二阶差分滤波核对有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;其中,二阶差分图像包含原始图像的二阶差分信息;
分析处理模块300b,被配置为基于二阶差分图像,对原始图像中的噪声进行估计而得到原始图像的噪声估计值;其中,噪声估计值用于表征图像中的噪声水平。
需要说明的是,图像噪声估计系统各模块的具体运行流程以及相应的技术效果可以参考前述基于图像边缘特性的图像噪声估计方法的论述,此处不再重复论述。
以上就是关于基于图像边缘特性的图像噪声估计系统的一些说明。本申请一些实施例中还公开了一种计算机可读存储介质。该介质包括程序,程序能够被处理器执行以实现如本申请中任一项实施例的图像噪声估计方法。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例做出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。另外,如本领域技术人员所理解的,本文的原理可以反映在计算机可读存储介质上的计算机程序产品中,该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用,包括磁存储设备(硬盘、软盘等)、光学存储设备(CD至ROM、DVD、BluRay盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器,使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中,该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行,这样存储在计算机可读存储器中的指令就可以形成一件制造品,包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上,从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程,使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
虽然在各种实施例中已经示出了本文的原理,但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到,在不脱离本发明的基本原理的情况下,可以对上述实施例的细节进行许多改变。因此,本发明的范围应仅由权利要求确定。

Claims (10)

1.一种基于图像边缘特性的图像噪声估计方法,其特征在于,包括:
获取原始图像;
利用二阶差分滤波核对所述原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
2.一种基于图像边缘特性的图像噪声估计方法,其特征在于,包括:
获取原始图像,将所述原始图像划分为多个待估计子图像;其中,相邻的两个所述待估计子图像之间不存在重叠区域;基于所述待估计子图像的梯度图像,对每个所述待估计子图像进行判断,以确定所述待估计子图像是否为有效待估计子图像;
利用二阶差分滤波核对所述有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
3.如权利要求2所述的图像噪声估计方法,其特征在于,所述基于所述待估计子图像的梯度图像,对每个所述待估计子图像进行判断,以确定所述待估计子图像是否为有效待估计子图像,包括:
获取所述待估计子图像的梯度图像,根据所述梯度图像确定所述待估计子图像中的有效噪声估计区域,根据有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像。
4.如权利要求3所述的图像噪声估计方法,其特征在于,获取所述待估计子图像的梯度图像,根据所述梯度图像确定所述待估计子图像中的有效噪声估计区域,根据有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到有效待估计子图像,包括:
计算所述待估计子图像中各像素的梯度幅值,以获得所述待估计子图像的梯度图像;计算得到所述梯度图像的相对灰度直方图;
从所述相对灰度直方图的最小灰度值开始,对各灰度值的概率值进行累加,直至累加得到的概率值达到或者超过预设的累计概率阈值,获取最后累加的灰度值作为二值化阈值;
根据所述二值化阈值获取所述待估计子图像中的有效噪声估计区域,其中,所述有效噪声估计区域为所述待估计子图像中梯度幅值小于所述二值化阈值的区域;
计算所述有效噪声估计区域的面积;其中,所述有效噪声估计区域的面积表示所述待估计子图像中梯度幅值小于所述二值化阈值的像素点的个数;
根据所述有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到所述有效待估计子图像。
5.如权利要求4所述的图像噪声估计方法,其特征在于,根据所述有效噪声估计区域的面积判断所述待估计子图像是否为无效待估计子图像,从所述待估计子图像中剔除无效待估计子图像,以得到所述有效待估计子图像,包括:
基于所述有效噪声估计区域的面积计算所述有效噪声估计区域的面积比例;其中,所述有效噪声估计区域的面积比例表示所述有效噪声估计区域的面积占与所述有效噪声估计区域对应的待估计子图像的面积的百分比;
若所述有效噪声估计区域的面积比例小于预设的面积比例阈值,则将与所述有效噪声估计区域对应的待估计子图像作为无效待估计子图像,并剔除所述无效待估计子图像;若所述有效噪声估计区域的面积比例大于或等于预设的二值化梯度面积比例阈值,则将与所述有效噪声估计区域的对应的待估计子图像作为所述有效待估计子图像。
6.如权利要求5所述的图像噪声估计方法,其特征在于,所述基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值,包括:
获取每一个所述二阶差分图像,计算每一个所述二阶差分图像的全局平均值;
将每一个所述二阶差分图像的全局平均值乘以而得到每一个所述二阶差分图像的噪声估计值;
基于每一个所述二阶差分图像的噪声估计值,获得所述原始图像的噪声估计值。
7.如权利要求6所述的图像噪声估计方法,其特征在于,所述原始图像的噪声估计值由以下表达式确定:
其中,σi为第i个所述二阶差分图像的噪声估计值,βi为第i个所述二阶差分图像对应的待估计子图像的有效噪声估计区域的面积占第i个所述二阶差分图像的面积的比值,L为所述二阶差分图像的总个数。
8.一种基于图像边缘特性的图像噪声估计系统,其特征在于,包括:
预处理模块,被配置为获取原始图像;
二阶差分信息提取模块,被配置为利用二阶差分滤波核对所述原始图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
分析处理模块,被配置为基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
9.一种基于图像边缘特性的图像噪声估计系统,其特征在于,包括:
预处理模块,被配置为获取原始图像,将所述原始图像划分为多个待估计子图像;其中,相邻的两个所述待估计子图像之间不存在重叠区域;基于所述原始图像的梯度图像,对每个所述待估计子图像进行判断,以确定所述待估计子图像是否为有效待估计子图像;
二阶差分信息提取模块,被配置为利用二阶差分滤波核对所述有效待估计子图像进行卷积运算或相关运算而得到二阶差分图像;其中,所述二阶差分图像包含所述原始图像的二阶差分信息;
分析处理模块,被配置为基于所述二阶差分图像,对所述原始图像中的噪声进行估计而得到所述原始图像的噪声估计值;其中,所述噪声估计值用于表征图像中的噪声水平。
10.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1至7中任一项所述的图像噪声估计方法。
CN202310880451.8A 2023-07-18 2023-07-18 一种基于图像边缘特性的图像噪声估计方法及其系统 Pending CN117078532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310880451.8A CN117078532A (zh) 2023-07-18 2023-07-18 一种基于图像边缘特性的图像噪声估计方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310880451.8A CN117078532A (zh) 2023-07-18 2023-07-18 一种基于图像边缘特性的图像噪声估计方法及其系统

Publications (1)

Publication Number Publication Date
CN117078532A true CN117078532A (zh) 2023-11-17

Family

ID=88718423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310880451.8A Pending CN117078532A (zh) 2023-07-18 2023-07-18 一种基于图像边缘特性的图像噪声估计方法及其系统

Country Status (1)

Country Link
CN (1) CN117078532A (zh)

Similar Documents

Publication Publication Date Title
CN106709928B (zh) 一种快速的含噪图像二维最大类间方差阈值法
US7522782B2 (en) Digital image denoising
US9324153B2 (en) Depth measurement apparatus, image pickup apparatus, depth measurement method, and depth measurement program
US10395393B2 (en) Method for assessing the quality of an image of a document
US9153013B2 (en) Image processing apparatus, image processing method and computer readable medium
JP7449507B2 (ja) カメラストリームのためのマスクを生成する方法、コンピュータープログラム製品およびコンピューター可読媒体
CN110796615A (zh) 一种图像去噪方法、装置以及存储介质
CN109064504A (zh) 图像处理方法、装置和计算机存储介质
Balovsyak et al. Automatic determination of the gaussian noise level on digital images by high-pass filtering for regions of interest
CN111489337A (zh) 一种自动光学检测伪缺陷去除方法及系统
Hu et al. Source camera identification using large components of sensor pattern noise
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN108335268B (zh) 一种基于盲解卷积的彩色图像去模糊的方法
US8055093B2 (en) Method and system for noise level detection in image data
CN107170002B (zh) 一种图像自动对焦方法和设备
CN109087347B (zh) 一种图像处理方法及装置
US8090215B2 (en) Method and system for noise level detection in image data
van Zyl Marais et al. Robust defocus blur identification in the context of blind image quality assessment
WO2017128646A1 (zh) 一种图像处理的方法及装置
CN117078532A (zh) 一种基于图像边缘特性的图像噪声估计方法及其系统
KR20190109242A (ko) 이미지 신호로부터 계단 아티팩트들을 감소시키는 이미지 프로세싱 장치
KR20160132209A (ko) 다중 컬러 센서를 기반하여, 고속 컨벌루션을 이용한 영상의 깊이 정보 추출 방법 및 장치
RU2405200C2 (ru) Способ и устройство быстрого фильтрования шума цифровых изображений
Nasonov et al. Edge width estimation for defocus map from a single image

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