基于自适应扩散滤波的车载图像去噪方法及系统技术方案

本发明专利技术提供了一种基于自适应扩散滤波的车载图像去噪方法及系统，该车载图像去噪方法包括：步骤一：输入噪声图像，对噪声图像的边界进行延拓；步骤二：选定滤波器组，构造扩散通量函数；步骤三：基于显式前向差分进行循环迭代，图像自适应扩散开始；步骤四：对去噪图像边界进行裁剪，得到和原始输入噪声图像尺寸相同的去噪图像。本发明专利技术的有益效果是：本发明专利技术使用了改进的扩散通量函数，能够导致自适应的前向/后向扩散行为，因此能够兼顾图像平坦区域噪声的滤除和边缘、纹理等结构信息的保护和增强。

Vehicle borne image denoising method and system based on adaptive diffusion filtering

The present invention provides a method and system for denoising of vehicle image based on adaptive diffusion filter, including the vehicle image denoising method: step one: input image noise, the noise of image boundary extension; step two: the selected filter group, construct the diffusion flux function; step three: explicit forward difference cyclic iteration is carried out based on image adaptive diffusion; step four: cut to denoise image boundary, get the same size of the image and the original input noise image denoising. The beneficial effect of the invention is: using the diffusion flux function improved, the forward / backward diffusion behavior can lead to adaptive, so it can protect the smooth region of image filtering and edge and texture information and enhanced structure.

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及基于自适应扩散滤波的车载图像去噪方法及系统。
技术介绍
随着人们安全意识的增强，以及对驾乘舒适度要求的提高，高级驾驶辅助系统(AdvancedDriverAssistanceSystem,ADAS)在近几年出现了大幅增长。在各种系统中，以影像为基础的辅助驾驶系统市占率最高。其主要原因为是成本低廉，且可与行车记录器结合使用，并能将侦测的结果以视觉影像的方式呈现给驾驶人，因而广受欢迎。然而，车载影像的采集过程往往会受到噪声的干扰(如光光照条件差)，从而使得车载图像的质量大为下降。图像噪声除了影响视觉感受，更加严重的是影响后续更高层次的图像分析任务，如行人、车道检测，目标分割等。为了保证基于视觉的辅助驾驶系统的可视度和可靠性，找到一种可行的车载图像去噪方法，对辅助驾驶系统图像进行增强处理具有重要的意义。现有的图像去噪方法包括空间域滤波(如中值滤波、双边滤波、非局部均值滤波等)、频率域滤波(如傅里叶变换、小波变换等)、基于稀疏表示的去噪方法(如K-SVD等)以及基于各项异性扩散的去噪方法(如P-M模型等)。其中空间域滤波方法一般较为简单，因而效果略差。近期[S.Gu,L.Zhang,W.Zuo,andX.Feng,“WeightedNuclearNormMinimizationwithApplicationtoImageDenoising,”InCVPR2014]提出了一种改进的非局部滤波方法-WNNM。其利用图像非局部相似性和矩阵秩最小化，获得了一流的去噪效果，但是时间复杂度相对较高。频域滤波在滤除高频噪声的同时，对具有高频特性的边缘和纹理结构也有所破坏，降低去噪图像的质量。基于稀疏表示方法的字典学习过程运算量较大。相比之下，各项异性扩散模型具有(1)结构简单，时间复杂度低；(2)能够较好地兼顾噪声的去除和边缘、纹理等细节的保持两方面的优点，因而一直是研究的热点。常见的图像扩散模型一般源自于Perona和Malik在1990年提出的P-M模型。带有反应项的P-M模型的离散形式如公式(1)所示其中，u0为初始噪声图像，*为二维卷积操作，ki*u表示图像u和线性滤波器ki的卷积，表示将滤波器ki绕中心点旋转180度，φ为控制扩散行为的通量函数(fluxfunction)，通常取为K为阈值参数，λ为反应项的强度。公式(1)中的滤波器kx和ky分别为图像和滤波器kx的卷积为图像在x方向的梯度，图像和滤波器ky的卷积为图像在y方向的梯度。自P-M模型提出后，各向异性扩散技术得到了广泛的关注和研究。(中国专利CN105427262)对梯度阈值进行了自适应设计和改进，使其根据图像的最大灰度值和迭代次数自动控制梯度阈值。(中国专利CN101877122)公开了一种基于迹算子模型的各向异性滤波方法，这是一种基于局部几何结构的各向异性扩散模型。(中国专利CN104166965)公开了一种基于梯度幅值的熵值选择扩散通量函数的方法。随着对各项异性扩散模型的研究不断深入，实验结果表明，该技术还存在如下缺点：第一、由于扩散过程使用的滤波器kx和ky仅包含最近邻像素之间的相互关系，导致去噪后的图像出现明显的“阶梯”效应，即出现大量分块常数亮度值的区域；第二、由于所采用的控制扩散行为的通量函数在图像边缘、纹理等区域仅能减慢图像扩散的速度，并不能使扩散停止甚至进行逆扩散(即图像边缘增强)，从而导致保边缘性不是很好。如何设计一种图像去噪算法，结构简单，便于实现，且能够同时达到图像噪声去除和边缘、纹理等细节信息的保护和增强的目的，提高去噪性能，是车载图像处理中亟需解决的问题。
技术实现思路
本专利技术提供了一种基于自适应扩散滤波的车载图像去噪方法，包括如下步骤：步骤一：输入噪声图像，对噪声图像的边界进行延拓；步骤二：选定滤波器组，构造扩散通量函数；步骤三：选定滤波器组，构造扩散通量函数；步骤四：对去噪图像边界进行裁剪，得到和原始输入噪声图像尺寸相同的去噪图像。作为本专利技术的进一步改进，在所述步骤二中，使用线性滤波器构造扩散通量函数。作为本专利技术的进一步改进，在所述步骤二中：选定线性滤波器组F＝{f1,f2,f3…fN本文档来自技高网...

【技术保护点】
一种基于自适应扩散滤波的车载图像去噪方法，其特征在于，包括如下步骤：步骤一：输入噪声图像，对噪声图像的边界进行延拓；步骤二：选定滤波器组，构造扩散通量函数；步骤三：基于显式前向差分进行循环迭代，图像自适应扩散开始；步骤四：对去噪图像边界进行裁剪，得到和原始输入噪声图像尺寸相同的去噪图像。

【技术特征摘要】
1.一种基于自适应扩散滤波的车载图像去噪方法，其特征在于，包括如下步骤：步骤一：输入噪声图像，对噪声图像的边界进行延拓；步骤二：选定滤波器组，构造扩散通量函数；步骤三：基于显式前向差分进行循环迭代，图像自适应扩散开始；步骤四：对去噪图像边界进行裁剪，得到...

【专利技术属性】
技术研发人员：刘鹏，
申请(专利权)人：开易深圳科技有限公司，
类型：发明
国别省市：广东;44