CN117745572A - 一种红外图像的去噪方法 - Google Patents

Abstract

本发明公开了一种红外图像的去噪方法，包括下列步骤：（1）对原始彩色红外图像采用加权平均法进行灰度化处理方，将彩色像转化为灰度在0‑255之间的灰度；（2）对于灰度化后的红外图像进行基于改进型像素同龄组和均值滤波的降噪处理，去除图像中的椒盐噪声；（3）将第一次去噪后的红外图像采用小波阈值法处理，去除图像中的高斯噪声。本发明基于加权平均法、改进型像素同龄组、均值滤波和超小波去噪算法对所得红外图像进行了灰度化处理和降噪，以便于后续基于红外图像的特征提取及故障分析，工作效果优异。

Description

一种红外图像的去噪方法

技术领域

本发明涉及一种红外图像的去噪方法。

背景技术

红外热像仪通过探测目标和背景的红外辐射进行成像，在经过大气传输、光学成像、光电转换和电子处理等一系列的处理过程后，红外成像系统已能被作为一个线性空间不变系统。

红外图像存在大量噪声，造成图像对比度低，噪声多，细节较少。因此，需要对红外图像中的噪声干扰进行处理，以消减其对后续研究的影响，提高算法的检测效率。

红外图像中噪声主要分为两大类：随机噪声，固定图案噪声。随机噪声分为高斯噪声和泊松噪声，在红外图像中，最主要且最常见的随机噪声为高斯噪声。高斯噪声是指像素值幅度服从高斯分布的噪声；红外探测器自身响应率的不均匀以及杂波干扰将会导致固定图案噪声产生。固定图案噪声包括椒盐噪声、乘性噪声以及3D噪声。其中红外图像中常见的固定图案噪声主要是椒盐噪声。当红外图像中出现椒盐噪声时，图像中往往会规律出现黑、白点致使图像模糊。导致图像模糊的原因是图像受到像素值为极大值(出现白点，像素值为255)或极小值(出现黑点，像素值为0)的污染，从而无法辨别某些细节。在红外图像中，高斯噪声占大部分，其次为椒盐噪声

针对红外图像噪声的去除，国内外的研究人员提出了多种方法，这些方法总体上分为两大类，一类是在频域上去噪，以小波及超小波去噪为代表，一类是在空域上去噪，包括中值滤波，均值滤波及像素同龄组去噪等。

发明内容

本发明的目的是为克服现有技术的不足，提供了一种新型的红外图像去噪方法。该方法基于加权平均法、改进型像素同龄组、均值滤波和超小波去噪算法对所得红外图像进行了灰度化处理和降噪，以便于后续基于红外图像的特征提取及故障分析。

本发明的技术解决方案是：

一种红外图像的去噪方法，其特征是：包括下列步骤：

(1)对原始彩色红外图像采用加权平均法进行灰度化处理方，将彩色像转化为灰度在0-255之间的灰度；

(2)对于灰度化后的红外图像进行基于改进型像素同龄组和均值滤波的降噪处理，去除图像中的椒盐噪声；

(3)将第一次去噪后的红外图像采用小波阈值法处理，去除图像中的高斯噪声。

所述步骤(1)的具体方法为：

通过红外图像采集装置采集到的原始红外图像为彩色红外图像，计算机对原始彩色红外图像进行灰度化处理，然后进行噪声去除工作，减小工作量的同时又能突出故障的特征信息；灰度值用来表示灰度化后的红外图像的温度值，灰度图像用亮暗来表示不同的灰度值，图像越明亮的地方灰度值越大，表示设备该部位的温度越高；

灰度图像上每个像素的颜色值即为灰度，简单来说就是黑白图像中颜色深浅程度，取值范围0～255，其中白色的对应值区间的上限，黑色的对应值为区间下限，所以在灰度图中的每一个像素点，都会有0～255中的一个值与其相对应；

在灰度图中，R即红色、G即绿色、B即蓝色三个色彩分量全部相等，即若在灰度图某一像素点的灰度为100，则该点RGB(100,100,100)；

综合考虑R、G、B三个分量的不同重要程度以及其他指标，在计算时分别赋予R、G、B三个分量不同的权值，并求取这三个分量的加权平均结果；为得到较合理的灰度图像，按下式所示，将R、G、B三个分量分别跟其权值相乘，然后进行加权平均：

Gray(ij)＝0.299×R(i，j)+0.578×G(i，j)+0.114×B(i，j)

其中：Gray(i，j)、R(i，j)、G(i，j)、B(i，j)分别指图像上(i，j)位置处的红色、绿色、蓝色的色彩分量。

所述步骤(2)的具体方法为：

得到灰度化的红外图像后，首先遍历图像寻找灰度值为0和255的像素点作为中心点，在其3×3邻域内寻找其他灰度值的像素点，若存在，采用像素同龄组和均值滤波结合的方法处理，若不存在，自适应扩大邻域范围，直到找到为止，并用其均值代替中心点；

对于一个给定的像素p，其像素同龄组被定义成一个在其邻域内与其相似的集合；假定像素p的灰度值为f(x,y)，在p的某个邻域内的像素q，灰度值为f(s，t)，则满足|f(s，t)-f(x，y)|≤md的那些像素组成了像素p的像素同龄组；该方法的原理简单，但不同的图像，其md差别很大，因此，在使用时需针对图像的特点多次实验md的值方能取得较好的效果，不适合去噪程序的自动运行。假定ρ是两个像素的一个相似性度量，在n×n窗口W中所有像素表示为其中f_n为窗口中心像素点，这个相似性度量满足如下要求：这里f_(n)表示离中心像素点第n个最相似的像素显然，f₁＝f_(i)，中心像素点f₁含有m个元素的像素同龄组/>的定义如下式：/>md为像素同龄组判定阈值，因对于不同图像阈值大小不同，使用时由用户自行设定与调节，直到达到最好的去噪效果。

同龄组表示与中心点相似的像素点的集合，而均方差表示像素点之间的离散程度，均方差越小，表明离散程度越小，像素点越相似，均方差的定义见下式

另外，在上式中，将替换为x_ij表示邻域内中心点的均方差，如式

其中，x_ij表示中心像素点的灰度值，x_kl为中心点3×3邻域W内像素的灰度值，表示W内像素灰度值的平均值，n表示W内像素个数；

中心点均方差σ₂反映的是邻域内其他像素点与中心点的离散程度，该值越大，表示邻域内像素与中心点的离散程度越大，这些点与中心点越不相似；反之，该值越小，表示邻域内像素与中心点的离散程度越小，这些点与中心点越相似；

综合考虑邻域内均方差σ₁和邻域内中心点均方差σ₂来确定像素同龄组，在邻域内所有像素中，求取邻域均方差σ₁和中心点f₁均方差σ₂的较小者σ_min＝min(σ₁，σ₂)，之后计算中心像素点f₁和其邻域内像素点f_i灰度值的绝对值d；当d≤σ_min时，则可判断fi为f1的像素同龄组，否则不是；

具体算法流程为：

(1)对于一个图像X，依次遍历待处理图像的每个像素点，如果某个像素x(i，j)的灰度值为孤立的0或255，可认为该像素是脉冲像素，引入Y表示去噪后的图像；对于灰度值不为0或255的像素点，则令Y(i，j)＝X(i，j)，继续遍历下一个像素；其余则认为是噪声点，对其处理；

(2)以该点为中心点，获得其n×n(n＝3)邻域内所有点的集合，去掉集合中灰度值为0和255的元素，得到集合为V，V的元素个数N_v，如果N_v＞0，则转到(4)，否则转到(3)；

(3)令n＝n+2，获得中心点n×n邻域内所有点的集合，去掉集合中0和255的元素，得到V′，如果V′的元素个数仍为0，则继续以步长为2的方式增大n的值，直到得到的集合V′不再为空为止；利用集合V′中所有元素的平均值替换该中心点的灰度值；

(4)将该中心点的邻域内像素分为两组，V₁和V₂，V₁包含该中心点在该邻域内的同龄组并将同龄组内灰度值值为0和255的像素去除，V₂包含该中心点邻域内除中心点同龄组外的其他像素，去掉V₂中0和255的像素，比较V₁和V₂集合的元素个数，哪个集合的元素个数多，说明在这个邻域内中心点像素的灰度值与哪个集合可能更接近，这样，该中心点的灰度值就由集合元素个数多的集合元素平均值替代；

(5)循环结束，输出图像。

所述步骤(3)的具体方法为：采用小波软阈值去噪；小波软阈值去噪法是基于软阈值函数对小波系数进行处理。软阈值函数的基本思想是对绝对值小于阈值的初始小波系数仍赋值为零，但在初始小波系数绝对值大于或等于阈值时，将其与阈值进行做差处理；

其中，软阈值函数如下式所示：

式中表示新赋值的小波系数，a_i，j表示初始小波系数，λ表示为阈值。

本发明基于加权平均法、改进型像素同龄组、均值滤波和超小波去噪算法对所得红外图像进行了灰度化处理和降噪，以便于后续基于红外图像的特征提取及故障分析，工作效果优异。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是红外图像。

图2是加入高斯噪声的红外图像。

图3是加入椒盐噪声的红外图像。

具体实施方式

一种红外图像的去噪方法，包括下列步骤：

(1)对原始彩色红外图像采用加权平均法进行灰度化处理方，将彩色像转化为灰度在0-255之间的灰度；

(2)对于灰度化后的红外图像进行基于改进型像素同龄组和均值滤波的降噪处理，去除图像中的椒盐噪声；

(3)将第一次去噪后的红外图像采用小波阈值法处理，去除图像中的高斯噪声。

所述步骤(1)的具体方法为：

通过红外图像采集装置采集到的原始红外图像为彩色红外图像，计算机对原始彩色红外图像进行灰度化处理，然后进行噪声去除工作，减小工作量的同时又能突出故障的特征信息；灰度值用来表示灰度化后的红外图像的温度值，灰度图像用亮暗来表示不同的灰度值，图像越明亮的地方灰度值越大，表示设备该部位的温度越高；

灰度图像上每个像素的颜色值即为灰度，简单来说就是黑白图像中颜色深浅程度，取值范围0～255，其中白色的对应值区间的上限，黑色的对应值为区间下限，所以在灰度图中的每一个像素点，都会有0～255中的一个值与其相对应；

在灰度图中，R即红色、G即绿色、B即蓝色三个色彩分量全部相等，即若在灰度图某一像素点的灰度为100，则该点RGB(100,100,100)；

综合考虑R、G、B三个分量的不同重要程度以及其他指标，在计算时分别赋予R、G、B三个分量不同的权值，并求取这三个分量的加权平均结果；为得到较合理的灰度图像，按下式所示，将R、G、B三个分量分别跟其权值相乘，然后进行加权平均：

Gray(i，j)＝0.299×R(i，j)+0.578×G(i，j)+0.114×B(i，j)

其中：Gray(i，j)、R(i，j)、G(i，j)、B(i，j)分别指图像上(i，j)位置处的红色、绿色、蓝色的色彩分量。

所述步骤(2)的具体方法为：

得到灰度化的红外图像后，首先遍历图像寻找灰度值为0和255的像素点作为中心点，在其3×3邻域内寻找其他灰度值的像素点，若存在，采用像素同龄组和均值滤波结合的方法处理，若不存在，自适应扩大邻域范围，直到找到为止，并用其均值代替中心点；

对于一个给定的像素p，其像素同龄组被定义成一个在其邻域内与其相似的集合；假定像素p的灰度值为f(x,y)，在p的某个邻域内的像素q，灰度值为f(s，t)，则满足|f(s，t)-f(x，y)|≤md的那些像素组成了像素p的像素同龄组；该方法的原理简单，但不同的图像，其md差别很大，因此，在使用时需针对图像的特点多次实验md的值方能取得较好的效果，不适合去噪程序的自动运行。假定ρ是两个像素的一个相似性度量，在n×n窗口W中所有像素表示为其中f_n为窗口中心像素点，这个相似性度量满足如下要求：这里f_(n)表示离中心像素点第n个最相似的像素显然，f₁＝f_(i)，中心像素点f₁含有m个元素的像素同龄组/>的定义如下式：/>md为像素同龄组判定阈值，因对于不同图像阈值大小不同，使用时由用户自行设定与调节，直到达到最好的去噪效果。

同龄组表示与中心点相似的像素点的集合，而均方差表示像素点之间的离散程度，均方差越小，表明离散程度越小，像素点越相似，均方差的定义见下式

另外，在上式中，将替换为x_ij表示邻域内中心点的均方差，如式

其中，x_ij表示中心像素点的灰度值，x_kl为中心点3×3邻域W内像素的灰度值，表示W内像素灰度值的平均值，n表示W内像素个数；

中心点均方差σ₂反映的是邻域内其他像素点与中心点的离散程度，该值越大，表示邻域内像素与中心点的离散程度越大，这些点与中心点越不相似；反之，该值越小，表示邻域内像素与中心点的离散程度越小，这些点与中心点越相似；

综合考虑邻域内均方差σ₁和邻域内中心点均方差σ₂来确定像素同龄组，在邻域内所有像素中，求取邻域均方差σ₁和中心点f₁均方差σ₂的较小者σ_min＝min(σ₁,σ₂)，之后计算中心像素点f₁和其邻域内像素点f_i灰度值的绝对值d；当d≤σ_min时，则可判断fi为f1的像素同龄组，否则不是；

具体算法流程为：

(1)对于一个图像X，依次遍历待处理图像的每个像素点，如果某个像素x(i，j)的灰度值为孤立的0或255，可认为该像素是脉冲像素，引入Y表示去噪后的图像；对于灰度值不为0或255的像素点，则令Y(i，j)＝X(i，j)，继续遍历下一个像素；其余则认为是噪声点，对其处理；

(2)以该点为中心点，获得其n×n(n＝3)邻域内所有点的集合，去掉集合中灰度值为0和255的元素，得到集合为V，V的元素个数N_v，如果N_v＞0，则转到(4)，否则转到(3)；

(3)令n＝n+2，获得中心点n×n邻域内所有点的集合，去掉集合中0和255的元素，得到V′，如果V′的元素个数仍为0，则继续以步长为2的方式增大n的值，直到得到的集合V′不再为空为止；利用集合V′中所有元素的平均值替换该中心点的灰度值；

(4)将该中心点的邻域内像素分为两组，V₁和V₂，V₁包含该中心点在该邻域内的同龄组并将同龄组内灰度值值为0和255的像素去除，V₂包含该中心点邻域内除中心点同龄组外的其他像素，去掉V₂中0和255的像素，比较V₁和V₂集合的元素个数，哪个集合的元素个数多，说明在这个邻域内中心点像素的灰度值与哪个集合可能更接近，这样，该中心点的灰度值就由集合元素个数多的集合元素平均值替代；

(5)循环结束，输出图像。

所述步骤(3)的具体方法为：采用小波软阈值去噪；小波软阈值去噪法是基于软阈值函数对小波系数进行处理。软阈值函数的基本思想是对绝对值小于阈值的初始小波系数仍赋值为零，但在初始小波系数绝对值大于或等于阈值时，将其与阈值进行做差处理；

其中，软阈值函数如下式所示：

式中表示新赋值的小波系数，a_i，j表示初始小波系数，λ表示为阈值。

为了验证本发明提出的降噪方法的有效性，分别使用均值滤波、中值滤波和本方法对图像进行滤波。通过前面的分析，得知红外图像的噪声主要是以高斯噪声和椒盐噪声为主。所以为了便于比较实验结果，在红外图像中分别加入高斯噪声和椒盐噪声。

利用信噪比(SNR)和峰值信噪比(PSNR)两种参数作为指标评判降噪方法的性能。其中信噪比SNR的表达式为：

其中f(i，j)为表示原图像在(i，j)处的灰度值，g(i，j)表示被评价图像在(i，j)处的灰度值。

峰值信噪比是一种使用广泛的客观图像质量评价标准，它是原图像和被评价图像之间均方误差相对于(2^k1)²的对数值，其中k表示每个采样的比特数，对于灰度级为256的图像，它的取值为8。

设灰度图像大小为m×n，则均方差MSE表示为：

峰值信噪比定义为：

其中，MAX_f表示图像的最大灰度级，采样点用8位表示，则MAX_f＝225。

表1和表2给出了三种去噪方法在高斯噪声和椒盐噪声下去噪后信号的SNR和PSNR的值。由表中数据可判断，本文去噪方法能够有效地抑制高斯噪声和椒盐噪声，在SNR和PSNR两个指标上均优于均值滤波和中值滤波算法。

表1高斯噪声下的滤波效果

方法种类	SNR	PSNR
			均值滤波(3×3)	10.83	26.79
中值滤波(3×3)	10.95	27.22
			本发明方法	11.43	28.59

表2椒盐噪声下的滤波效果

方法种类	SNR	PSNR
			均值滤波(3×3)	9.89	26.24
中值滤波(3×3)	10.02	27.90
			本发明方法	12.15	29.17

由此可见本发明的优异技术效果。

Claims (4)

1.一种红外图像的去噪方法，其特征是：包括下列步骤：

(1)对原始彩色红外图像采用加权平均法进行灰度化处理方，将彩色像转化为灰度在0-255之间的灰度；

(2)对于灰度化后的红外图像进行基于改进型像素同龄组和均值滤波的降噪处理，去除图像中的椒盐噪声；

(3)将第一次去噪后的红外图像采用小波阈值法处理，去除图像中的高斯噪声。

2.根据权利要求1所述的一种红外图像的去噪方法，其特征是：所述步骤(1)的具体方法为：

通过红外图像采集装置采集到的原始红外图像为彩色红外图像，计算机对原始彩色红外图像进行灰度化处理，然后进行噪声去除工作，减小工作量的同时又能突出故障的特征信息；灰度值用来表示灰度化后的红外图像的温度值，灰度图像用亮暗来表示不同的灰度值，图像越明亮的地方灰度值越大，表示设备该部位的温度越高；

灰度图像上每个像素的颜色值即为灰度，简单来说就是黑白图像中颜色深浅程度，取值范围0～255，其中白色的对应值区间的上限，黑色的对应值为区间下限，所以在灰度图中的每一个像素点，都会有0～255中的一个值与其相对应；

在灰度图中，R即红色、G即绿色、B即蓝色三个色彩分量全部相等，即若在灰度图某一像素点的灰度为100，则该点RGB(100,100,100)；

综合考虑R、G、B三个分量的不同重要程度以及其他指标，在计算时分别赋予R、G、B三个分量不同的权值，并求取这三个分量的加权平均结果；为得到较合理的灰度图像，按下式所示，将R、G、B三个分量分别跟其权值相乘，然后进行加权平均：

Gray(i，j)＝0.299×R(i，j)+0.578×G(i，j)+0.114×B(i，j)

其中：Gray(i，j)、R(i，j)、G(i，j)、B(i，j)分别指图像上(i，j)位置处的红色、绿色、蓝色的色彩分量。

3.根据权利要求1所述的一种红外图像的去噪方法，其特征是：所述步骤(2)的具体方法为：

得到灰度化的红外图像后，首先遍历图像寻找灰度值为0和255的像素点作为中心点，在其3×3邻域内寻找其他灰度值的像素点，若存在，采用像素同龄组和均值滤波结合的方法处理，若不存在，自适应扩大邻域范围，直到找到为止，并用其均值代替中心点；

对于一个给定的像素p，其像素同龄组被定义成一个在其邻域内与其相似的集合；假定像素p的灰度值为f(x，y)，在p的某个邻域内的像素q，灰度值为f(s，t)，则满足|f(s，t)-f(x，y)|≤md的那些像素组成了像素p的像素同龄组；假定ρ是两个像素的一个相似性度量，在n×n窗口W中所有像素表示为其中f_n为窗口中心像素点，这个相似性度量满足如下要求：/>这里f_(n)表示离中心像素点第n个最相似的像素显然，f₁＝f₍₁₎，中心像素点f₁含有m个元素的像素同龄组/>的定义如下式：/>md为像素同龄组判定阈值；

同龄组表示与中心点相似的像素点的集合，而均方差表示像素点之间的离散程度，均方差越小，表明离散程度越小，像素点越相似，均方差的定义见下式

另外，在上式中，将替换为x_ij表示邻域内中心点的均方差，如式

其中，x_ij表示中心像素点的灰度值，x_kl为中心点3×3邻域W内像素的灰度值，表示W内像素灰度值的平均值，n表示W内像素个数；

中心点均方差σ₂反映的是邻域内其他像素点与中心点的离散程度，该值越大，表示邻域内像素与中心点的离散程度越大，这些点与中心点越不相似；反之，该值越小，表示邻域内像素与中心点的离散程度越小，这些点与中心点越相似；

综合考虑邻域内均方差σ₁和邻域内中心点均方差σ₂来确定像素同龄组，在邻域内所有像素中，求取邻域均方差σ₁和中心点f₁均方差σ₂的较小者σ_min＝min(σ₁，σ₂)，之后计算中心像素点f₁和其邻域内像素点f_i灰度值的绝对值d；当d≤σ_min时，则可判断fi为f1的像素同龄组，否则不是；

具体算法流程为：

(1)对于一个图像X，依次遍历待处理图像的每个像素点，如果某个像素x(i,j)的灰度值为孤立的0或255，可认为该像素是脉冲像素，引入Y表示去噪后的图像；对于灰度值不为0或255的像素点，则令Y(i,j)＝X(i,j)，继续遍历下一个像素；其余则认为是噪声点，对其处理；

(2)以该点为中心点，获得其n×n(n＝3)邻域内所有点的集合，去掉集合中灰度值为0和255的元素，得到集合为V，V的元素个数N_v，如果N_v＞0，则转到(4)，否则转到(3)；

(3)令n＝n+2，获得中心点n×n邻域内所有点的集合，去掉集合中0和255的元素，得到V'，如果V'的元素个数仍为0，则继续以步长为2的方式增大n的值，直到得到的集合V'不再为空为止；利用集合V'中所有元素的平均值替换该中心点的灰度值；

(4)将该中心点的邻域内像素分为两组，V₁和V₂，V₁包含该中心点在该邻域内的同龄组并将同龄组内灰度值值为0和255的像素去除，V₂包含该中心点邻域内除中心点同龄组外的其他像素，去掉V₂中0和255的像素，比较V₁和V₂集合的元素个数，哪个集合的元素个数多，说明在这个邻域内中心点像素的灰度值与哪个集合可能更接近，这样，该中心点的灰度值就由集合元素个数多的集合元素平均值替代；

(5)循环结束，输出图像。

4.根据权利要求1所述的一种红外图像的去噪方法，其特征是：所述步骤(3)的具体方法为：采用小波软阈值去噪；小波软阈值去噪法是基于软阈值函数对小波系数进行处理。软阈值函数的基本思想是对绝对值小于阈值的初始小波系数仍赋值为零,但在初始小波系数绝对值大于或等于阈值时，将其与阈值进行做差处理；

其中，软阈值函数如下式所示：

式中表示新赋值的小波系数，a_i,j表示初始小波系数，λ表示为阈值。