WO2022110804A1 - 一种基于局部统计信息的图像噪声检测方法、装置 - Google Patents

一种基于局部统计信息的图像噪声检测方法、装置 Download PDF

Info

Publication number
WO2022110804A1
WO2022110804A1 PCT/CN2021/103352 CN2021103352W WO2022110804A1 WO 2022110804 A1 WO2022110804 A1 WO 2022110804A1 CN 2021103352 W CN2021103352 W CN 2021103352W WO 2022110804 A1 WO2022110804 A1 WO 2022110804A1
Authority
WO
WIPO (PCT)
Prior art keywords
pixel
noise
image
statistical information
local statistical
Prior art date
Application number
PCT/CN2021/103352
Other languages
English (en)
French (fr)
Other versions
WO2022110804A9 (zh
Inventor
黄梦醒
冯思玲
吴迪
冯文龙
张雨
林聪�
Original Assignee
海南大学
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 海南大学 filed Critical 海南大学
Publication of WO2022110804A1 publication Critical patent/WO2022110804A1/zh
Publication of WO2022110804A9 publication Critical patent/WO2022110804A9/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing

Definitions

  • the present invention relates to the technical field of image noise detection, in particular to an image noise detection method and device based on local statistical information.
  • Random-valued impulse noise is a type of impulse noise that has noise pixel values randomly between 0 and 255, making it difficult to deal with.
  • VIN Random-valued impulse noise
  • the mainstream denoising algorithms can be divided into methods based on block matching, methods based on convolutional neural networks and methods based on fuzzy rules. From the perspective of popular denoising algorithms in recent years, due to the introduction of fuzzy rules and convolution Although the neural network has achieved a good filtering effect, it also leads to an increase in the complexity of the algorithm, a longer running time, and a high equipment cost.
  • the purpose of the present invention is to provide an image noise detection method and device based on local statistical information. Compared with the prior art, the implementation is simple and the detection accuracy and sensitivity are higher.
  • a first aspect of the present invention provides an image noise detection method based on local statistical information, comprising the following steps:
  • the pixel When a certain pixel is in a complex area and the local statistical information value of the pixel is less than the second noise detection threshold, the pixel is determined as a noise pixel, otherwise it is a clean pixel.
  • step S1 the local statistical information value of each pixel in the image to be tested is calculated, including
  • D(x,y) is the Euclidean distance between the pixel x and the pixel y
  • I(x,y) is the grayscale difference between the pixel x and the pixel y
  • (s,t) means that the pixel x is in the Area
  • ⁇ D is the adjustment parameter of the Euclidean distance
  • ⁇ I is the adjustment parameter of the grayscale difference
  • ⁇ x is the sum of the similarity
  • LS X is the local statistical information value of the pixel x.
  • judging whether each pixel in the image to be tested is in a flat area or a complex area includes:
  • W1 and W2 are the weights of LS y , which are used to adjust the proportion of the influence of clean pixels and noise pixels on the calculation of the local variance
  • a and b are normalized parameters
  • T ⁇ is to distinguish whether the pixel is in a complex area or a flat area.
  • the threshold of LS y is the neighborhood
  • the maximum value of the local statistics value of all pixels within u y is the gray value of the pixel y with the maximum value of the local statistics value.
  • calculating the first noise detection threshold of the flat area, and calculating the second noise detection threshold of the complex area including:
  • the overall noise level of the image is obtained by taking a weighted average of the noise levels of each region:
  • Qn is the number of abnormal pixels
  • Qc is the number of non-abnormal pixels
  • d is the number of flat areas
  • Ix is the intensity of pixel x
  • Iy is the intensity of pixel y
  • ⁇ is the empirical threshold
  • step S4 when the pixel x is in a flat area, compare the LS x value of the pixel x with the size of the first noise detection threshold:
  • the pixel x is a noise pixel
  • the pixel x is a clean pixel
  • the pixel x is a noise pixel
  • the pixel x is a clean pixel
  • the step S4 further includes, when the pixel x is judged to be a noise pixel, filtering and preprocessing the image to be tested, obtaining a filtered image of the image to be tested, and comparing the pixel x located at the same coordinate of the two images:
  • the range of ⁇ is [5,8].
  • the value of T P is 15.
  • a second aspect of the present invention provides an image noise detection device, comprising an acquisition module, and further comprising:
  • a calculation module for calculating the local statistical information value of each pixel in the image to be tested
  • the first judgment module is used for judging whether each pixel in the image to be tested is in a flat area or a complex area.
  • the second judgment module when a certain pixel is in a flat area and the local statistical information value of the pixel is less than the first noise detection threshold, the pixel is judged as a noise pixel, otherwise it is a clean pixel;
  • the pixel When a certain pixel is in a complex area and the local statistical information value of the pixel is less than the second noise detection threshold, the pixel is determined as a noise pixel, otherwise it is a clean pixel.
  • the invention provides an image noise detection method and device based on local statistical information.
  • the local statistical information value of each pixel in the image to be tested is used to characterize the probability of whether a pixel is noise.
  • the local statistical information value and setting an appropriate threshold value can screen out noisy pixels and clean pixels, so that the image noise detection method provided by the present invention has high accuracy and sensitivity, and solves the problem of the accuracy and sensitivity of the method for detecting impulse noise in the prior art. Lower problem; because the present invention does not involve complex multiplication operations in the implementation process, the implementation method is simple, and the problem of complex detection methods caused by the use of multiplication operations in the prior art is solved.
  • FIG. 1 is a flowchart of a method for detecting image noise based on local statistical information according to Embodiment 1 of the present invention
  • Embodiment 2 is a flowchart of an image noise detection method based on local statistical information provided in Embodiment 2 of the present invention
  • FIG. 3 is a schematic structural diagram of an image noise detection apparatus according to Embodiment 3 of the present invention.
  • first and second are only used for description purposes, and cannot be understood as indicating or implying relative importance or implying the number of indicated technical features.
  • a feature defined as “first” or “second” may expressly or implicitly include one or more of that feature.
  • plural means two or more.
  • the present application provides an image noise detection method based on local statistical information, including the following steps:
  • D(x,y) is the Euclidean distance between pixel x and pixel y
  • I(x,y) is the grayscale difference between pixel x and pixel y.
  • (s,t) indicates that the pixel x is in the neighborhood
  • the position in , (m,n) represents the pixel y in the neighborhood
  • the position in , ⁇ D is the adjustment parameter of Euclidean distance
  • ⁇ I is the adjustment parameter of grayscale difference, you can change their effect on D(x, y) and I(x, y by adjusting the values of these two parameters respectively.
  • ⁇ x is the sum of the similarity
  • LS X is the local statistical information value of the pixel x, which can represent the probability of whether the pixel is noise. If the value of LS X is smaller, it indicates that the similarity between pixel x and the pixels in its neighborhood is smaller, which means that the probability of pixel x being noise is higher.
  • the constructed neighborhood is a 5 ⁇ 5 neighborhood.
  • W1 and W2 are the weights of LS y , which are used to adjust the proportion of the influence of clean pixels and noise pixels on the calculation of the local variance
  • a and b are normalized parameters
  • T ⁇ is to distinguish whether the pixel is in a complex area or a flat area.
  • the threshold of LS y is the neighborhood
  • the maximum value of the local statistics value of all pixels within u y is the gray value of the pixel y with the maximum value of the local statistics value.
  • the range of T ⁇ is [0.3, 8]
  • pixel x is an abnormal pixel
  • I x -I y ⁇ pixel x is a non-abnormal pixel
  • I x is the intensity of pixel x
  • I y is the intensity of pixel y
  • its The intensity is the gray value of the pixel.
  • the range of ⁇ is [5, 8].
  • the range of ⁇ is [0, 20].
  • the overall noise level of the image is obtained by taking a weighted average of the noise levels of each region:
  • Q n is the number of abnormal pixels
  • Q c is the number of non-abnormal pixels
  • d is the number of flat areas
  • ⁇ is the empirical threshold
  • the pixel is determined as a noise pixel, otherwise it is a clean pixel, and the above specific methods are:
  • the pixel x is a noise pixel
  • the pixel x is a clean pixel
  • the pixel x is a noise pixel
  • the pixel x is a clean pixel
  • the present invention adds a qualification on the basis of step S4 to avoid falsely detecting edge pixels as noise pixels:
  • the image to be tested is preprocessed by median filtering and Gaussian filtering to obtain the filtered image of the image to be tested, and the pixel x located at the same coordinate of the two images is compared:
  • the value of TP is 15.
  • the present invention provides an image noise detection device, including an acquisition module, the acquisition device is used to acquire a noise image to be measured, and further includes:
  • a calculation module for calculating the local statistical information value of each pixel in the image to be tested
  • the first judgment module is used for judging whether each pixel in the image to be tested is in a flat area or a complex area.
  • the second judgment module when a certain pixel is in a flat area and the local statistical information value of the pixel is less than the first noise detection threshold, the pixel is judged as a noise pixel, otherwise it is a clean pixel;
  • the pixel When a certain pixel is in a complex area and the local statistical information value of the pixel is less than the second noise detection threshold, the pixel is determined as a noise pixel, otherwise it is a clean pixel.
  • an image noise detection apparatus provided in this embodiment implements the methods described in Embodiment 1 and Embodiment 2 during execution.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

一种基于局部统计信息的图像噪声检测方法、装置，所述方法包括下列步骤：S1、计算待测图像中每个像素的局部统计信息值；S2、判断待测图像中每个像素处于平坦区域还是复杂区域；S3、计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值；S4、在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。

Description

一种基于局部统计信息的图像噪声检测方法、装置 技术领域
本发明涉及图像噪声检测技术领域，尤其涉及一种基于局部统计信息的图像噪声检测方法、装置。
背景技术
在图像的采集和传输过程中，由于传感器设备的原因，数字图像经常被脉冲噪声破坏。随机值脉冲噪声(RVIN)是其中一种脉冲噪声，其噪声像素值随机位于0到255之间，因此很难处理。为了后面对图像进行轮廓提取、区域分割和目标识别等操作，有必要对噪声图像进行恢复。
目前主流的去噪算法主要可分为基于块匹配的方法、基于卷积神经网络的方法和基于模糊规则的方法，从近几年流行的去噪算法来看，由于引入了模糊规则和卷积神经网络，虽然取得了很好的滤波效果，但也导致了算法的复杂度增加，运行时间变长，设备成本高。
发明内容
本发明的目的在于提供一种基于局部统计信息的图像噪声检测方法、装置，与现有技术相比，实现简单，检测的准确度和灵敏度较高
本发明是通过以下技术方案实现的：本发明第一方面提供了一种基于局部统计信息的图像噪声检测方法，包括下列步骤：
S1、计算待测图像中每个像素的局部统计信息值；
S2、判断待测图像中每个像素处于平坦区域还是复杂区域；
S3、计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值；
S4、在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
优选的，在步骤S1中，计算待测图像中每个像素的局部统计信息值，包括
以待测图像中的任意给定像素x为中心构建邻域
Figure PCTCN2021103352-appb-000001
计算像素x与邻域
Figure PCTCN2021103352-appb-000002
中的任一像素y的欧氏距离和灰度差：
Figure PCTCN2021103352-appb-000003
Figure PCTCN2021103352-appb-000004
基于欧氏距离和灰度差，计算像素x与邻域
Figure PCTCN2021103352-appb-000005
中的任一其他像素y的相似度：S(x,y)＝D(x,y)*I(x,y)
计算像素x与邻域
Figure PCTCN2021103352-appb-000006
中所有像素的相似度之和：
Figure PCTCN2021103352-appb-000007
对ζx进行归一化使其约束在[0.1]区间：
Figure PCTCN2021103352-appb-000008
将
Figure PCTCN2021103352-appb-000009
标准化为[0.1]间隔：
Figure PCTCN2021103352-appb-000010
在式中，D(x,y)为像素x与像素y之间的欧式距离，I(x,y)为像素x与像素 y之间的灰度差，(s,t)表示像素x在邻域
Figure PCTCN2021103352-appb-000011
中的位置，(m,n)表示像素y在邻域
Figure PCTCN2021103352-appb-000012
中的位置，σ D为欧氏距离的调节参数，σ I为灰度差的调节参数，ζx为相似度之和，LS X为像素x的局部统计信息值。
优选的，判断待测图像中每个像素处于平坦区域还是复杂区域，包括：
计算所述邻域
Figure PCTCN2021103352-appb-000013
内的所有像素的强度的估计均值μ x：
Figure PCTCN2021103352-appb-000014
Figure PCTCN2021103352-appb-000015
基于所述估计均值，计算邻域
Figure PCTCN2021103352-appb-000016
中所有像素的强度的标准偏差
Figure PCTCN2021103352-appb-000017
Figure PCTCN2021103352-appb-000018
Figure PCTCN2021103352-appb-000019
根据所述标准偏差，判断给定像素x是否为处于平坦区域还是复杂区域：
Figure PCTCN2021103352-appb-000020
式中，W1和W2为LS y的权重，用来调整干净像素和噪声像素对计算局部方差影响的比重,a、b为归一化的参数，T σ为区分像素是处于复杂区域还是平坦区域的阈值，LS y为邻域
Figure PCTCN2021103352-appb-000021
内的所有像素的局部统计信息值的最大值，u y是具有局部统计信息值的最大值的像素y的灰度值。
优选的，计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检 测阈值，包括：
在待测图像中选取若干个大小为M的平坦区域，判断平坦区域中的异常像素与非异常像素：
Figure PCTCN2021103352-appb-000022
估算每个区域的噪声水平：
Figure PCTCN2021103352-appb-000023
通过对每个区域的噪声水平进行加权平均运算获得图像的整体噪声水平：
Figure PCTCN2021103352-appb-000024
计算平坦区域的第一噪声检测阈值：
θ f＝-0.12σ 3+0.07σ 2+0.75σ+0.19
计算复杂区域的第二噪声检测阈值：
θ c＝0.31σ 3+0.63σ 2+0.52σ+0.03
其中，Q n为异常像素个数，而Q c为非异常像素个数，d为平坦区域的数量，I x为像素x的强度，I y为像素y的强度，θ是经验阈值。
优选的，在步骤S4中，当像素x处于平坦区域时，比较像素x的LS x值与第一噪声检测阈值的大小：
Figure PCTCN2021103352-appb-000025
当LS x≤θ f时，像素x为噪声像素，当LS x>θ f时，像素x为干净像素。
优选的，当像素x处于复杂区域时，比较像素x的LS x值与第二噪声检测阈值的大小：
Figure PCTCN2021103352-appb-000026
当LS x≤θ c时，像素x为噪声像素，当LS x>θ c时，像素x为干净像素。
优选的，所述步骤S4还包括，当像素x被判断为噪声像素时，对待测图像进行滤波预处理，获得待测图像的滤波图像，将位于两个图像的同一坐标的像素x进行比较：
Figure PCTCN2021103352-appb-000027
当|I x-I x’|>T P时，像素x为干净像素，当|I x-I x’|≤T P时，像素x为噪声像素，其中I x’为像素x在滤波图像中的对应点的强度值，T P为判断阈值。
优选的，所述θ的范围为[5,8]。
优选的，所述T P取值为15。
本发明第二方面提供了一种图像噪声检测装置，包括获取模块，还包括：
计算模块，用于计算待测图像中每个像素的局部统计信息值；
第一判断模块，用于判断待测图像中每个像素处于平坦区域还是复杂区域。
第二判断模块，在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
与现有技术相比，本发明达到的有益效果如下：
本发明提供的一种基于局部统计信息的图像噪声检测方法、装置，通过待测图像中每个像素的局部统计信息值来表征像素是否为噪声的概率，通过求取图像中每个像素点的局部统计信息值并设置合适的阈值可以将噪声像素和干净像素筛选出来，使得本发明提供的图像噪声检测方法准确度和灵敏度较高，解决了现有技术中检测脉冲噪声的方法准确度和灵敏度较低的问题；由于本发明在实现过程中不涉及复杂的乘法操作，使得实现方法简单，解决了现有技术中由于要采用乘法操作而造成的检测方法复杂的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种基于局部统计信息的图像噪声检测方法的流程图；
图2为本发明实施例2提供的一种基于局部统计信息的图像噪声检测方法的流程图；
图3为本发明实施例3提供的一种图像噪声检测装置的结构示意图。
具体实施方式
为了更好理解本发明技术内容，下面提供具体实施例，并结合附图对本发明做进一步的说明。
在本申请实施例的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两 个以上。
实施例1
参见图1，作为本申请的第一实施例，本申请提供了一种基于局部统计信息的图像噪声检测方法，包括下列步骤：
S1、计算待测图像中每个像素的局部统计信息值，包括：
以待测图像中的任意给定像素x为中心构建邻域
Figure PCTCN2021103352-appb-000028
计算像素x与邻域
Figure PCTCN2021103352-appb-000029
中的任一像素y的欧氏距离和灰度差：
Figure PCTCN2021103352-appb-000030
Figure PCTCN2021103352-appb-000031
基于欧氏距离和灰度差，计算像素x与邻域
Figure PCTCN2021103352-appb-000032
中的任一其他像素y的相似度：S(x,y)＝D(x,y)*I(x,y)
计算像素x与邻域
Figure PCTCN2021103352-appb-000033
中所有像素的相似度之和：
Figure PCTCN2021103352-appb-000034
对ζx进行归一化使其约束在[0.1]区间：
Figure PCTCN2021103352-appb-000035
这里的
Figure PCTCN2021103352-appb-000036
表示对
Figure PCTCN2021103352-appb-000037
的均一化操作。
通过观察，可以发现噪声图像中每个像素的ζx基本上散布在[0，2.5]中。为了更方便，更快速地处理数据，可以使用以下公式将任何像素的将
Figure PCTCN2021103352-appb-000038
标准化为[0.1]间隔：
Figure PCTCN2021103352-appb-000039
在式中，D(x,y)为像素x与像素y之间的欧式距离，I(x,y)为像素x与像素y之间的灰度差，当两个像素之间的距离和灰度级差变大时，它们都减小，这也意味着如果两个像素之间的灰度差大或距离远，则它们的相似度很小，甚至欧几里德距离也可以被省略；
(s,t)表示像素x在邻域
Figure PCTCN2021103352-appb-000040
中的位置，(m,n)表示像素y在邻域
Figure PCTCN2021103352-appb-000041
中的位置，σ D为欧氏距离的调节参数，σ I为灰度差的调节参数，可以分别通过调整这两个参数的值来更改它们对D(x，y)和I(x，y)的影响，ζx为相似度之和，LS X为像素x的局部统计信息值，可以表示像素是否为噪声的概率。如果LS X值越小，表明像素x与其邻域内的像素的相似度越小，也就意味着像素x是噪声的概率更大。
在本实施例的一个优选实施方式中，所构建的邻域
Figure PCTCN2021103352-appb-000042
为5×5的邻域。
S2、判断待测图像中每个像素处于平坦区域还是复杂区域，包括：
计算所述邻域
Figure PCTCN2021103352-appb-000043
内的所有像素的强度的估计均值μ x：
Figure PCTCN2021103352-appb-000044
Figure PCTCN2021103352-appb-000045
基于所述估计均值，计算邻域
Figure PCTCN2021103352-appb-000046
中所有像素的强度的标准偏差
Figure PCTCN2021103352-appb-000047
Figure PCTCN2021103352-appb-000048
Figure PCTCN2021103352-appb-000049
根据所述标准偏差，判断给定像素x是否为处于平坦区域还是复杂区域：
Figure PCTCN2021103352-appb-000050
式中，W1和W2为LS y的权重，用来调整干净像素和噪声像素对计算局部方差影响的比重,a、b为归一化的参数，T σ为区分像素是处于复杂区域还是平坦区域的阈值，LS y为邻域
Figure PCTCN2021103352-appb-000051
内的所有像素的局部统计信息值的最大值，u y是具有局部统计信息值的最大值的像素y的灰度值。
在本实施例的一个优选实施方式中，所述T σ的范围为[0.3,8]
S3、计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值，包括：
在待测图像中选取若干个大小为M的平坦区域，判断平坦区域中的异常像素与非异常像素：
Figure PCTCN2021103352-appb-000052
当I x-I y>θ时，像素x为异常像素，当I x-I y≤θ时，像素x为非异常像素，I x为像素x的强度，I y为像素y的强度，其强度为像素的灰度值，通过将待测图像导入相应的Matlab程序中，可获得待测图像的像素灰度值；
在本实施例的一个优选实施方式中，所述θ的范围为[5,8]。
在本实施例的又一个优选实施方式中，所述θ的范围为[0,20]。
估算每个区域的噪声水平：
Figure PCTCN2021103352-appb-000053
通过对每个区域的噪声水平进行加权平均运算获得图像的整体噪声水平：
Figure PCTCN2021103352-appb-000054
计算平坦区域的第一噪声检测阈值：
θ f＝-0.12σ 3+0.07σ 2+0.75σ+0.19
计算复杂区域的第二噪声检测阈值：
θ c＝0.31σ 3+0.63σ 2+0.52σ+0.03
其中，Q n为异常像素个数，而Q c为非异常像素个数，d为平坦区域的数量，θ是经验阈值。
S4、在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素，上述具体方式为：
当像素x处于平坦区域时，比较像素x的LS x值与第一噪声检测阈值的大小：
Figure PCTCN2021103352-appb-000055
当LS x≤θ c时，像素x为噪声像素，当LS x>θ c时，像素x为干净像素。
当像素x处于复杂区域时，比较像素x的LS x值与第二噪声检测阈值的大小：
Figure PCTCN2021103352-appb-000056
当LS x≤θ f时，像素x为噪声像素，当LS x>θ f时，像素x为干净像素。
实施例2
参见图2，作为本发明的第二实施例，当一个干净像素在图像的边缘或轮廓上时，它跟其附近的像素之间的强度差较为明显，这很容易导致在噪声检测过程中将边缘和轮廓上的像素视为噪声像素，为了进一步提高检测结果的精度，本发明在步骤S4的基础上增加了限定条件来避免错误地检测边缘像素作为噪声像素：
当像素x被判断为噪声像素时，对待测图像进行中值滤波和高斯滤波预处理，获得待测图像的滤波图像，将位于两个图像的同一坐标的像素x进行比较：
Figure PCTCN2021103352-appb-000057
当|I x-I x’|>T P时，像素x为干净像素，当|I x-I x’|≤T P时，像素x为噪声像素，其中I x’为像素x在滤波图像中的对应点的强度值，T P为判断阈值。
在本实施例的一个优选实施方式中，所述T P取值为15。
实施例3
参见图3，作为本发明的第三实施例，本发明提供了一种图像噪声检测装置，包括获取模块，其获取装置用于获取待测噪声图像，还包括：
计算模块，用于计算待测图像中每个像素的局部统计信息值；
第一判断模块，用于判断待测图像中每个像素处于平坦区域还是复杂区域。
第二判断模块，在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
进一步的，本实施例提供的一种图像噪声检测装置，在执行时实现如实施例1和实施例2所述的方法。
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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

  1. 一种基于局部统计信息的图像噪声检测方法，其特征在于，包括下列步骤：
    S1、计算待测图像中每个像素的局部统计信息值；
    S2、判断待测图像中每个像素处于平坦区域还是复杂区域；
    S3、计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值；
    S4、在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
    在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
  2. 根据权利要求1所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，在步骤S1中，计算待测图像中每个像素的局部统计信息值，包括
    以待测图像中的任意给定像素x为中心构建邻域
    Figure PCTCN2021103352-appb-100001
    计算像素x与邻域
    Figure PCTCN2021103352-appb-100002
    中的任一像素y的欧氏距离和灰度差：
    Figure PCTCN2021103352-appb-100003
    Figure PCTCN2021103352-appb-100004
    基于欧氏距离和灰度差，计算像素x与邻域
    Figure PCTCN2021103352-appb-100005
    中的任一其他像素y的相似度：S(x,y)＝D(x,y)*I(x,y)；
    计算像素x与邻域
    Figure PCTCN2021103352-appb-100006
    中所有像素的相似度之和：
    Figure PCTCN2021103352-appb-100007
    对ζx进行归一化使其约束在[0.1]区间：
    Figure PCTCN2021103352-appb-100008
    将
    Figure PCTCN2021103352-appb-100009
    标准化为[0.1]间隔：
    Figure PCTCN2021103352-appb-100010
    在式中，D(x,y)为像素x与像素y之间的欧式距离，I(x,y)为像素x与像素y之间的灰度差，(s,t)表示像素x在邻域
    Figure PCTCN2021103352-appb-100011
    中的位置，(m,n)表示像素y在邻域
    Figure PCTCN2021103352-appb-100012
    中的位置，σ D为欧氏距离的调节参数，σ I为灰度差的调节参数，ζx为相似度之和，LS X为像素x的局部统计信息值。
  3. 根据权利要求2所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，判断待测图像中每个像素处于平坦区域还是复杂区域，包括：
    计算所述邻域
    Figure PCTCN2021103352-appb-100013
    内的所有像素的强度的估计均值μ x：
    Figure PCTCN2021103352-appb-100014
    Figure PCTCN2021103352-appb-100015
    基于所述估计均值，计算邻域
    Figure PCTCN2021103352-appb-100016
    中所有像素的强度的标准偏差
    Figure PCTCN2021103352-appb-100017
    Figure PCTCN2021103352-appb-100018
    Figure PCTCN2021103352-appb-100019
    根据所述标准偏差，判断给定像素x是否为处于平坦区域还是复杂区域：
    Figure PCTCN2021103352-appb-100020
    式中，W1和W2为LS y的权重，用来调整干净像素和噪声像素对计算局部方差影响的比重,a、b为归一化的参数，T σ为区分像素是处于复杂区域还是平坦区域的阈值，LS y为邻域
    Figure PCTCN2021103352-appb-100021
    内的所有像素的局部统计信息值的最大值，u y是具有局部统计信息值的最大值的像素y的灰度值。
  4. 根据权利要求3所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，计算平坦区域的第一噪声检测阈值，计算复杂区域的第二噪声检测阈值，包括：
    在待测图像中选取若干个大小为M的平坦区域，判断平坦区域中的异常像素与非异常像素：
    Figure PCTCN2021103352-appb-100022
    估算每个区域的噪声水平：
    Figure PCTCN2021103352-appb-100023
    通过对每个区域的噪声水平进行加权平均运算获得图像的整体噪声水平：
    Figure PCTCN2021103352-appb-100024
    计算平坦区域的第一噪声检测阈值：
    θ f＝-0.12σ 3+0.07σ 2+0.75σ+0.19
    计算复杂区域的第二噪声检测阈值：
    θ c＝0.31σ 3+0.63σ 2+0.52σ+0.03
    其中，Q n为异常像素个数，而Q c为非异常像素个数，d为平坦区域的数量，I x为像素x的强度，I y为像素y的强度，θ是经验阈值。
  5. 根据权利要求4所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，在步骤S4中，当像素x处于平坦区域时，比较像素x的LS x值与第一噪声检测阈值的大小：
    Figure PCTCN2021103352-appb-100025
    当LS x≤θ f时，像素x为噪声像素，当LS x>θ f时，像素x为干净像素。
  6. 根据权利要求5所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，当像素x处于复杂区域时，比较像素x的LS x值与第二噪声检测阈值的大小：
    Figure PCTCN2021103352-appb-100026
    当LS x≤θ c时，像素x为噪声像素，当LS x>θ c时，像素x为干净像素。
  7. 根据权利要求6所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，所述步骤S4还包括，当像素x被判断为噪声像素时，对待测图像进行滤波预处理，获得待测图像的滤波图像，将位于两个图像的同一坐标的像素x进行比较：
    Figure PCTCN2021103352-appb-100027
    当|I x-I x’|>T P时，像素x为干净像素，当|I x-I x’|≤T P时，像素x为噪 声像素，其中I x’为像素x在滤波图像中的对应点的强度值，T P为判断阈值。
  8. 根据权利要求4所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，所述θ的范围为[5,8]。
  9. 根据权利要求7所述的一种基于局部统计信息的图像噪声检测方法，其特征在于，所述T P取值为15。
  10. 一种图像噪声检测装置，包括获取模块，其特征在于，还包括：
    计算模块，用于计算待测图像中每个像素的局部统计信息值；
    第一判断模块，用于判断待测图像中每个像素处于平坦区域还是复杂区域。
    第二判断模块，在某一像素处于平坦区域且该像素的局部统计信息值小于第一噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素；
    在某一像素处于复杂区域且该像素的局部统计信息值小于第二噪声检测阈值的情况下，将该像素判定为噪声像素，否则为干净像素。
PCT/CN2021/103352 2020-11-24 2021-06-30 一种基于局部统计信息的图像噪声检测方法、装置 WO2022110804A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011338644.3A CN112446838B (zh) 2020-11-24 2020-11-24 一种基于局部统计信息的图像噪声检测方法、装置
CN202011338644.3 2020-11-24

Publications (2)

Publication Number Publication Date
WO2022110804A1 true WO2022110804A1 (zh) 2022-06-02
WO2022110804A9 WO2022110804A9 (zh) 2023-09-21

Family

ID=74737927

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/103352 WO2022110804A1 (zh) 2020-11-24 2021-06-30 一种基于局部统计信息的图像噪声检测方法、装置

Country Status (2)

Country Link
CN (1) CN112446838B (zh)
WO (1) WO2022110804A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272684A (zh) * 2022-09-29 2022-11-01 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法
CN115526890A (zh) * 2022-11-25 2022-12-27 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115981589A (zh) * 2023-03-22 2023-04-18 东莞锐视光电科技有限公司 一种产生条纹光的软件系统
CN116168026A (zh) * 2023-04-24 2023-05-26 山东拜尔检测股份有限公司 基于计算机视觉的水质检测方法及系统
CN116188462A (zh) * 2023-04-24 2023-05-30 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统
CN116342638A (zh) * 2023-03-31 2023-06-27 西南大学 基于相变和扩散神经网络的图像元素提取方法
CN116342610A (zh) * 2023-05-31 2023-06-27 山东恒海钢结构有限公司 一种钢结构装配式建筑焊接异常检测方法
CN116883370A (zh) * 2023-07-18 2023-10-13 西藏净微检测技术有限公司 一种农产品外观质量检测系统
CN117437600A (zh) * 2023-12-20 2024-01-23 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117689917A (zh) * 2024-02-02 2024-03-12 广州中海电信有限公司 基于热成像及激光探测技术的舱内安全状态监测方法
CN117952856A (zh) * 2024-03-15 2024-04-30 深圳市星能计算机有限公司 基于红外热成像的服务器通风散热状态监控方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446838B (zh) * 2020-11-24 2024-07-12 海南大学 一种基于局部统计信息的图像噪声检测方法、装置
CN114764803B (zh) * 2022-06-16 2022-09-20 深圳深知未来智能有限公司 一种基于真实噪场景的噪声评估方法、装置及可存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002102086A2 (en) * 2001-06-12 2002-12-19 Miranda Technologies Inc. Apparatus and method for adaptive spatial segmentation-based noise reducing for encoded image signal
CN103971343A (zh) * 2014-05-21 2014-08-06 浙江宇视科技有限公司 基于相似像素点检测的图像降噪方法
CN105809630A (zh) * 2014-12-30 2016-07-27 展讯通信(天津)有限公司 一种图像噪声过滤方法及系统
CN106373098A (zh) * 2016-08-30 2017-02-01 天津大学 基于非相似像素统计的随机脉冲噪声去除方法
CN112446838A (zh) * 2020-11-24 2021-03-05 海南大学 一种基于局部统计信息的图像噪声检测方法、装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784605B (zh) * 2020-06-30 2024-01-26 珠海全志科技股份有限公司 一种基于区域指导的图像降噪方法、计算机装置及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002102086A2 (en) * 2001-06-12 2002-12-19 Miranda Technologies Inc. Apparatus and method for adaptive spatial segmentation-based noise reducing for encoded image signal
CN103971343A (zh) * 2014-05-21 2014-08-06 浙江宇视科技有限公司 基于相似像素点检测的图像降噪方法
CN105809630A (zh) * 2014-12-30 2016-07-27 展讯通信(天津)有限公司 一种图像噪声过滤方法及系统
CN106373098A (zh) * 2016-08-30 2017-02-01 天津大学 基于非相似像素统计的随机脉冲噪声去除方法
CN112446838A (zh) * 2020-11-24 2021-03-05 海南大学 一种基于局部统计信息的图像噪声检测方法、装置

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272684B (zh) * 2022-09-29 2022-12-27 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法
CN115272684A (zh) * 2022-09-29 2022-11-01 山东圣点世纪科技有限公司 一种静脉图像增强过程中伪噪声的处理方法
CN115526890A (zh) * 2022-11-25 2022-12-27 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115526890B (zh) * 2022-11-25 2023-03-24 深圳市腾泰博科技有限公司 一种电唱机唱头故障因素识别方法
CN115981589A (zh) * 2023-03-22 2023-04-18 东莞锐视光电科技有限公司 一种产生条纹光的软件系统
CN115981589B (zh) * 2023-03-22 2023-06-02 东莞锐视光电科技有限公司 一种产生条纹光的软件系统
CN116342638B (zh) * 2023-03-31 2023-10-31 西南大学 一种图像元素提取方法
CN116342638A (zh) * 2023-03-31 2023-06-27 西南大学 基于相变和扩散神经网络的图像元素提取方法
CN116168026A (zh) * 2023-04-24 2023-05-26 山东拜尔检测股份有限公司 基于计算机视觉的水质检测方法及系统
CN116188462A (zh) * 2023-04-24 2023-05-30 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统
CN116168026B (zh) * 2023-04-24 2023-06-27 山东拜尔检测股份有限公司 基于计算机视觉的水质检测方法及系统
CN116188462B (zh) * 2023-04-24 2023-08-11 深圳市翠绿贵金属材料科技有限公司 一种基于视觉鉴定的贵金属质量检测方法及系统
CN116342610A (zh) * 2023-05-31 2023-06-27 山东恒海钢结构有限公司 一种钢结构装配式建筑焊接异常检测方法
CN116342610B (zh) * 2023-05-31 2023-08-15 山东恒海钢结构有限公司 一种钢结构装配式建筑焊接异常检测方法
CN116883370A (zh) * 2023-07-18 2023-10-13 西藏净微检测技术有限公司 一种农产品外观质量检测系统
CN116883370B (zh) * 2023-07-18 2024-02-20 西藏净微检测技术有限公司 一种农产品外观质量检测系统
CN117437600A (zh) * 2023-12-20 2024-01-23 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117437600B (zh) * 2023-12-20 2024-03-26 山东海纳智能装备科技股份有限公司 基于图像识别技术的煤流监测系统
CN117689917A (zh) * 2024-02-02 2024-03-12 广州中海电信有限公司 基于热成像及激光探测技术的舱内安全状态监测方法
CN117689917B (zh) * 2024-02-02 2024-04-30 广州中海电信有限公司 基于热成像及激光探测技术的舱内安全状态监测方法
CN117952856A (zh) * 2024-03-15 2024-04-30 深圳市星能计算机有限公司 基于红外热成像的服务器通风散热状态监控方法
CN117952856B (zh) * 2024-03-15 2024-06-07 深圳市星能计算机有限公司 基于红外热成像的服务器通风散热状态监控方法

Also Published As

Publication number Publication date
WO2022110804A9 (zh) 2023-09-21
CN112446838B (zh) 2024-07-12
CN112446838A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
WO2022110804A1 (zh) 一种基于局部统计信息的图像噪声检测方法、装置
WO2022042579A1 (zh) 一种用于lcd屏幕的缺陷检测方法、装置
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
JP6358351B1 (ja) 表面欠陥検査方法及び表面欠陥検査装置
US9361672B2 (en) Image blur detection
CN102156996B (zh) 一种图像边缘检测的方法
JP4601134B2 (ja) 形状特徴に基づく欠陥検出の方法及び装置
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN117764986B (zh) 基于图像处理的钛板表面缺陷检测方法
CN107220962B (zh) 一种隧道裂纹的图像检测方法和装置
CN115330791A (zh) 一种零件毛刺检测方法
CN117522863B (zh) 基于图像特征的集成箱体质量检测方法
TW202127372A (zh) 瑕疵等級判定的方法及存儲介質
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法
CN117808799B (zh) 基于人工智能的倒角设备加工质量检测方法
CN116524205A (zh) 一种污水曝气自动检测识别方法
CN118261821A (zh) 一种用于动物疫病监测的红外图像采集及预警系统
CN115994870A (zh) 一种用于增强去噪的图像处理方法
CN114418935A (zh) 用于手机tp框螺丝孔的检测识别方法及螺丝锁付装置
CN116385440A (zh) 一种弧形刀片视觉检测方法
CN113705672B (zh) 图像目标检测的阈值选取方法、系统、装置及存储介质
CN106898084B (zh) 一种确定图像处理阈值的方法及装置
CN112419190B (zh) 一种基于局部统计信息和几何距离的脉冲噪声滤波方法、系统
CN116883401B (zh) 一种工业产品生产质量检测系统
CN118297839B (zh) 一种基于视觉的变压器绕组状态检测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21896312

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21896312

Country of ref document: EP

Kind code of ref document: A1