CN1761285A - 一种去除视频孤立噪声点的方法 - Google Patents

Abstract

本发明提供了一种去除视频孤立噪声点的方法，其包含以下步骤：1.根据输入的图像，计算亮度图；2.对图像亮度图进行分频，得到高频部分和低频部分；3.按顺序识别图像各像素点的性质，包括小幅高频噪声、非边界噪声、孤立噪声点和图像有用信号，并对其作相应的去噪处理。本发明提供的去除视频孤立噪声点的方法，针对噪声的特点，应用像素间的相关信息，对图像进行分类，分别针对孤立噪声、非边界噪声和小幅高频噪声的不同特性，采用不同的处理方法，去除噪声的效果良好，同时，在去除噪声的基础上，最大程度的保留了图像的细节和边缘的清晰度，使图像不因去噪而变得模糊。

Description

一种去除视频孤立噪声点的方法

技术领域

本发明涉及一种去除视频孤立噪声点的方法，尤其针对视频图像中存在的孤立点椒盐噪声。

背景技术

在视频系统中，由于现阶段绝大部分的电视信号源仍然是模拟信号源，模拟信号在记录、摄制、传输过程中，由于受到所使用的器件和传输通道的限制，经常会受到一些噪声的干扰，其中包含随机噪声，脉冲噪声，椒盐噪声等，这些噪声的存在严重影响了图像的视觉效果，因此去除噪声是视频图像处理中一个非常重要的环节。

目前的去除噪声的方法一般有两种，一是进行空间域滤波，二是进行频率域滤波。典型的空间滤波器包括均值滤波器，中值滤波器，低通滤波器，多图像滤波法；典型的频率域滤波器有基于小波变换的图像去噪方法。其中，所述的多图像滤波法是一种目前比较通用的方法，但是其需要较多的视频图像帧处理器，硬件实现的代价比较大。而其他大部分的去噪方法都有个共同的缺点，就是处理后会使视频图像变得模糊，是以牺牲图像的清晰度为代价的。

根据不同类型的噪声的特点，通常需要采取不同的处理方法。如线性滤波方法主要是基于均值操作，其对象是高斯白噪声，而非线性滤波方法主要是中值滤波，主要针对椒盐噪声。这些滤波技术都存在模糊边缘的缺点，且没有利用到像素之间的相关性信息。

发明内容

本发明提供的一种去除视频孤立噪声点的方法，简单易行，针对视频图像中存在的孤立点椒盐噪声进行去噪处理，在去噪的同时保护图像的细节，保持图像的清晰度，使图像不因去噪而变得模糊。

为了达到上述目的，本发明提供了一种去除视频孤立噪声点的方法，包括以下步骤：

步骤1、计算视频图像的亮度图f(i，j)，其中，i和j分别表示当前点像素在图像中所处的行列位置；

步骤2、使用低通滤波器对图像亮度图f(i，j)进行低通滤波，得到图像亮度图的低频部分f_L(i，j)；并计算图像亮度图的高频部分f_H(i，j)：

             f_H(i，j)＝f(i，j)-f_L(i，j)；

步骤3、按顺序识别图像各像素点的性质，包括小幅高频噪声、非边界噪声、孤立噪声点和图像有用信号，并作相应处理：

步骤3.1、选取一个以当前像素点为中心的，大小为N*N的统计模板，其中，N是大于1的奇整数；

步骤3.2、识别当前像素是否是小幅高频噪声，并对其作相应处理：

步骤3.2.1、对当前像素亮度的高频部分f_H(i，j)进行比较判断：若0＜|f_H(i，j)|≤T₁，其中，T₁是预先设定的阈值，则认为该像素点为小幅高频噪声，继续执行步骤3.2.2；若|f_H(i，j)|＞T₁，则跳转执行步骤3.3；

步骤3.2.2、令w(i，j)＝1，其中，w为权值，决定该像素点是否参与小幅高频噪声的均值计算；

步骤3.2.3、对当前属于小幅高频噪声的像素点的亮度值重新赋值，用N*N-1邻域中不是边缘的点加权平均，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)*w(i+l,j+m)*H(i+l,j+m)}{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}w(i+l,j+m)}$

其中，H是一低通滤波器模板，k＝(N-1)/2；这样处理可避免将邻域中的边界点值混合进来，造成图像模糊；

步骤3.3、识别当前像素是否是非边界噪声，并对其作相应处理，所述的非边界噪声的高频分量很高，但不连续；

步骤3.3.1、由于当前像素点|f_H(i，j)|＞T₁，在以该点为中心的N*N的统计模板内，统计|f_H(i，j)|＞T₁的像素点的个数n；若n＜T₂，T₂是预先设定的N*N邻域边界像素点数的阈值，则认为当前像素点为非边界噪声，继续执行步骤3.3.2；若n≥T₂，则跳转执行步骤3.4；

步骤3.3.2、令w(i，j)＝0，其中，w为权值，决定该像素点是否参与非边界噪声的均值计算；

步骤3.3.3、对当前属于非边界噪声的像素点的亮度值重新赋值，用N*N-1邻域中的非边界噪声像素点的值平均得到对该噪声点去噪后的新值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)*w(i+l,j+m)}{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}w(i+l,j+m)};$

其中，k＝(N-1)/2；

步骤3.4、识别当前像素是否是孤立噪声点，并对其作相应处理，所述的孤立噪声点的高频分量远远大于以它为中心的N*N邻域的高频分量，且由于该孤立噪声点的影响，该N*N邻域的高频分量也相应较大；

步骤3.4.1、判断|f_H(i，j)-max_f(i，j)|＞T₃是否成立，其中，T₃是预先设定的阈值；若成立，则说明在以当前像素点为中心的N*N邻域模板内只有当前像素点这一个孤立噪声点，跳转执行步骤3.4.3；若不成立，则执行步骤3.4.2；

步骤3.4.2、判断|f_H(i，j)-max_f(i，j)|≤T₃&|f_H(i，j)-sec_f(i，j)|＞T₃是否成立，其中，max_f(i，j)是以当前像素点为中心的N*N-1邻域内的像素点高频分量绝对值的最大值，sec_f(i，j)是以当前像素点为中心的N*N-1邻域内的像素点的高频分量绝对值的第二大值；若成立，则说明在以当前像素点为中心的N*N邻域模板内，除了当前像素点是孤立噪声点，还存在另外的一个孤立噪声点，执行步骤3.4.3；若不成立，则说明当前像素点不属于孤立噪声点，则执行步骤3.5；

步骤3.4.3、对当前为孤立噪声的像素点的亮度值重新赋值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)}{N*N-1};$

其中，k＝(N-1)/2；l和m不同时为0；

步骤3.5、当前像素点不属于噪声点，属于图像边界或细节信息，保留输入的原值，并直接输出。

步骤1中，所述的亮度可以是YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

步骤3中，可按先行后列，或先列后行的顺序遍历到图像的所有像素，对其进行识别和去噪处理。

步骤3.4.1中，所述的T₃的值在14～24之间。

本发明提供的去除视频孤立噪声点的方法，针对噪声的特点，应用像素间的相关信息，对图像进行分类，分别针对孤立噪声、非边界噪声和小幅高频噪声的不同特性，采用不同的处理方法，去除噪声的效果良好，同时，在去除噪声的基础上，最大程度的保留了图像的细节和边缘的清晰度，使图像不因去噪而变得模糊。

附图说明

图1为本发明提供的去除视频孤立噪声点的方法的原理框图；

图2为本发明提供的3*3邻域模板中孤立噪声点的位置示意图；

图3为本发明提供的3*3邻域模板中孤立噪声点的另一种位置示意图；

图4为本发明提供的去除视频孤立噪声点的方法的步骤框图；

图5为本发明提供的去除视频孤立噪声点的方法的流程图。

具体实施方式

以下根据图1～图5具体说明本发明的最佳实施方式：

如图1、图4和图5所示，本发明提供了一种去除视频孤立噪声点的方法，包括以下步骤：

步骤1、计算视频图像的亮度图f(i，j)，其中，i和j分别表示当前点像素在图像中所处的行列位置；

步骤2、使用低通滤波器对图像亮度图f(i，j)进行低通滤波，得到图像亮度图的低频部分f_L(i，j)；并计算图像亮度图的高频部分f_H(i，j)：

                  f_H(i，j)＝f(i，j)-f_L(i，j)；

步骤3、按顺序识别图像各像素点的性质，包括小幅高频噪声、非边界噪声、孤立噪声点和图像有用信号，并作相应处理：

步骤3.1、选取一个以当前像素点为中心的，大小为3*3的统计模板；

步骤3.2、识别当前像素是否是小幅高频噪声，并对其作相应处理：

步骤3.2.1、对当前像素亮度的高频部分f_H(i，j)进行比较判断：若0＜|f_H(i，j)|≤T1，其中，T₁是预先设定的阈值，则认为该像素点为小幅高频噪声，继续执行步骤3.2.2；若|f_H(i，j)|＞T₁，则跳转执行步骤3.3；

步骤3.2.2、令w(i，j)＝1，其中，w为权值，决定该像素点是否参与小幅高频噪声的均值计算；

步骤3.2.3、对当前属于小幅高频噪声的像素点的亮度值重新赋值，用N*N-1邻域中不是边缘的点加权平均，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)*w(i+l,j+m)*H(i+l,j+m)}{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}w(i+l,j+m)}$

其中，H是一低通滤波器模板，k＝(3-1)/2＝1；这样处理可避免将邻域中的边界点值混合进来，造成图像模糊；

步骤3.3、识别当前像素是否是非边界噪声，并对其作相应处理，所述的非边界噪声的高频分量很高，但不连续；

步骤3.3.1、由于当前像素点|f_H(i，j)|＞T₁，在以该点为中心的3*3的统计模板内，统计|f_H(i，j)|＞T₁的像素点的个数n；若n＜T₂，T₂是预先设定的3*3邻域边界像素点数的阈值，则认为当前像素点为非边界噪声，继续执行步骤3.3.2；若n≥T₂，则跳转执行步骤3.4；

步骤3.3.2、令w(i，j)＝0，其中，w为权值，决定该像素点是否参与非边界噪声的均值计算；

步骤3.3.3、对当前属于非边界噪声的像素点的亮度值重新赋值，用N*N-1邻域中的非边界噪声像素点的值平均得到对该噪声点去噪后的新值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)*w(i+l,j+m)}{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}w(i+l,j+m)};$

其中，k＝(3-1)/2＝1；

步骤3.4、识别当前像素是否是孤立噪声点，并对其作相应处理，所述的孤立噪声点的高频分量远远大于以它为中心的3*3邻域的高频分量，且由于该孤立噪声点的影响，该3*3邻域的高频分量也相应较大；

步骤3.4.1、判断|f_H(i，j)-max_f(i，j)|＞T₃是否成立，其中，T₃是预先设定的阈值；若成立，则说明在以当前像素点A为中心的3*3邻域模板内只有当前像素点A这一个孤立噪声点，请参见图2，跳转执行步骤3.4.3；若不成立，则执行步骤3.4.2；

步骤3.4.2、判断|f_H(i，j)-max_f(i，j)|≤T₃&|f_H(i，j)-secf(i，j)|＞T₃是否成立，其中，max_f(i，j)是以当前像素点为中心的8邻域内的像素点的高频分量绝对值的最大值，sec_f(i，j)是以当前像素点为中心的8邻域内的像素点的高频分量绝对值的第二大值；若成立，则说明在以当前像素点A为中心的3*3模板内，除了当前像素点A是孤立噪声点，还存在另外的一个孤立噪声点B，请参见图3，此时该邻域的中心点A的高频分量不一定高于B点的高频分量绝对值，但一定高于邻域内其他七个像素点的高频分量绝对值的最大值，则执行步骤3.4.3；若不成立，则说明当前像素点不属于孤立噪声点，则执行步骤3.5；

步骤3.4.3、对当前属于孤立噪声的像素点的亮度值重新赋值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)}{N*N-1};$

其中，k＝(3-1)/2＝1；l和m不同时为0；

步骤3.5、当前像素点不属于噪声点，属于图像边界或细节信息，保留输入的原值，并直接输出。

步骤1中，所述的亮度可以是YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

步骤3中，可按先行后列，或先列后行的顺序遍历到图像的所有像素，对其进行识别和去噪处理。

步骤3.4.1中，所述的T₃的值在14～24之间。

本发明提供的去除视频孤立噪声点的方法，针对噪声的特点，应用像素间的相关信息，对图像进行分类，分别针对孤立噪声、非边界噪声和小幅高频噪声的不同特性，采用不同的处理方法，去除噪声的效果良好，同时，在去除噪声的基础上，最大程度的保留了图像的细节和边缘的清晰度，使图像不因去噪而变得模糊。

Claims (4)

1.一种去除视频孤立噪声点的方法，特征在于，包括以下步骤：

步骤1、计算视频图像的亮度图f(i，j)，其中，i和j分别表示当前点像素在图像中所处的行列位置；

步骤2、使用低通滤波器对图像亮度图f(i，j)进行低通滤波，得到图像亮度图的低频部分f_L(i，j)；并计算图像亮度图的高频部分f_H(i，j)：

                   f_H(i，j)＝f(i，j)-f_L(i，j)；

步骤3、按顺序识别图像各像素点的性质，包括小幅高频噪声、非边界噪声、孤立噪声点和图像有用信号，并作相应处理：

步骤3.1、选取一个以当前像素点为中心的，大小为N*N的统计模板，其中，N是大于1的奇整数；

步骤3.2、识别当前像素是否是小幅高频噪声，并对其作相应处理：

步骤3.2.1、对当前像素亮度的高频部分f_H(i，j)进行比较判断：若0＜|f_H(i，j)|≤T₁，其中，T₁是预先设定的阈值，则认为该像素点为小幅高频噪声，继续执行步骤3.2.2；若|f_H(i，j)|＞T₁，则跳转执行步骤3.3；

步骤3.2.2、令w(i，j)＝1，其中，w为权值；

步骤3.2.3、对当前属于小幅高频噪声的像素点的亮度值重新赋值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)*w(i+l,j+m)*H(i+l,j+m)}{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}w(i+l,j+m)};$

其中，H是一低通滤波器模板，k＝(N-1)/2；

步骤3.3、识别当前像素是否是非边界噪声，并对其作相应处理；

步骤3.3.1、由于当前像素点|f_H(i，j)|＞T₁，在以该点为中心的N*N的统计模板内，统计|f_H(i，j)|＞T₁的像素点的个数n；若n＜T₂，T₂是预先设定的N*N邻域边界像素点数的阈值，则执行步骤3.3.2；若n≥T₂，则跳转执行步骤3.4；

步骤3.3.2、令w(i，j)＝0，其中，w为权值；

步骤3.3.3、对当前属于非边界噪声的像素点的亮度值重新赋值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)*w(i+l,j+m)}{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}w(i+l,j+m)};$

其中，k＝(N-1)/2；

步骤3.4、识别当前像素是否是孤立噪声点，并对其作相应处理：

步骤3.4.1、判断|f_H(i，j)-max_f(i，j)|＞T₃是否成立，其中，T₃是预先设定的阈值；若成立，则执行步骤3.4.3；若不成立，则执行步骤3.4.2；

步骤3.4.2、判断|f_H(i，j)-max_f(i，j)|≤T₃&|f_H(i，j)-sec_f(i，j)|＞T₃是否成立，其中，max_f(i，j)是以当前像素点为中心的N*N-1邻域内的像素点高频分量绝对值的最大值，sec_f(i，j)是以当前像素点为中心的N*N-1邻域内的像素点的高频分量绝对值的第二大值；若成立，则执行步骤3.4.3；若不成立，则说明当前像素点不属于孤立噪声点，执行步骤3.5；

步骤3.4.3、对当前为孤立噪声的像素点的亮度值重新赋值，得到输出值：

$f_{\mathrm{den}}(i,j)=\frac{\underset{l=-k}{\overset{k}{\mathrm{\Σ}}}\underset{m=-k}{\overset{k}{\mathrm{\Σ}}}f(i+l,j+m)}{N*N-1};$

步骤3.5、当前像素点不属于噪声点，属于图像边界或细节信息，保留输入的原值，并直接输出。

2.如权利要求1所述的去除视频孤立噪声点的方法，其特征在于，步骤1中，所述的亮度可以是YUV模型中的Y，或者是HSV模型中的V，或者是HIS模型中的I，或者是其他合理的亮度公式推导出的亮度。

3.如权利要求1所述的去除视频孤立噪声点的方法，其特征在于，所述的T₃的值在14～24之间。

4.如权利要求1所述的去除视频孤立噪声点的方法，其特征在于，步骤3中，可按先行后列，或先列后行的顺序遍历到图像的所有像素，对其进行识别和去噪处理。

Images