一种基于巴特沃斯滤波器的红外图像去噪方法技术

本发明专利技术公开了一种基于巴特沃斯滤波器的红外图像去噪方法，首先利用巴特沃斯滤波器将图像分为高频分量和低频分量，对高频分量傅里叶反变换的图像进行偏微分方程去噪，对低频分量进行傅里叶反变换，并采用图像增强和中值滤波结果融合的办法去噪，最后将处理后的高频分量与低频分量转换到频域进行融合，再通过傅里叶反变换至空域即可得到去噪图像。本发明专利技术能够明显提高红外图像的信噪比，从而去除图像中的噪声，能够清楚地将图像与背景区分开，提高红外图像的质量。

An Infrared Image Denoising Method Based on Butterworth Filter

The invention discloses an infrared image denoising method based on Butterworth filter. Firstly, the image is divided into high-frequency component and low-frequency component by Butterworth filter, the image of high-frequency component is denoised by partial differential equation, the low-frequency component is denoised by Fourier inverse transformation, and the denoising is achieved by image enhancement and fusion of median filtering results. The processed high-frequency component and low-frequency component are converted into frequency domain for fusion, and then the denoised image can be obtained by inverse Fourier transform to spatial domain. The invention can obviously improve the signal-to-noise ratio of the infrared image, thereby removing the noise in the image, distinguishing the image from the background clearly, and improving the quality of the infrared image.

【技术实现步骤摘要】
一种基于巴特沃斯滤波器的红外图像去噪方法
本专利技术涉及图像去噪
，具体涉及一种基于巴特沃斯滤波器的红外图像去噪方法。
技术介绍
红外图像已经被广泛的应用于光学测量、目标识别、国防军工等一系列关系国计民生的方面，然而，红外探测器在成像过程中不可避免的会受到噪声的影响。一般而言对于红外相机大致有四种噪声：背景噪声(backgroundnoise)、暗噪声(darknoise)、光子噪声(photonnoise)和读出噪声(readoutnoise)，这些噪声按照统计分布来讲可以分为四类：高斯白噪声、泊松白噪声、混合白噪声以及1/f噪声。以上所述的噪声均会使得图像整体灰度值变大，即使得图像整体变白，这种噪声效果尤其会使得强光背景下的红外图像质量有较大的下降，图1为在强光背景下的红外图像。传统的图像去噪方法大约可以分为两大类：空域平滑和频域滤波。这些方法对噪声都有一定的抑制作用，但是对于红外图像尤其是高噪声强光背景下的红外图像的低对比度，处理后的图像较为模糊，对提高红外图像的质量的作用并不明显。
技术实现思路
本专利技术的目的在于提供一种基于巴特沃斯滤波器的红外图像去噪方法，能够提高强光背景下红外图像的信噪比，从而去除图像中的噪声。为实现上述目的，本专利技术采用如下技术方案：一种基于巴特沃斯滤波器的红外图像去噪方法，依次包括以下步骤：步骤1：读取添加高斯白噪声的原始图像im1，计算出原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差，并计算该原始图像的巴特沃斯滤波器最佳参数；步骤2：获取原始图像im1；步骤3：对步骤2得到的图像im1进行傅里叶变换，并且将低频分量转换至频谱图的中心位置；步骤4：利用步骤1中计算出的最佳参数，设计巴特沃斯低通滤波器，分别获得原始图像im1的低频分量im_L和高频分量im_H；步骤5：对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2，获取图像im2的高频分量的梯度及其梯度模值，具体公式如下：其中，表示图像im2的高频分量的梯度，表示图像im2的高频分量的梯度模值，im2x和im2y表示图像im2的梯度的水平方向分量和垂直方向分量；步骤6：根据步骤5中得到的高频分量的梯度及其模值构建偏微分方程对im2进行去噪：其中，是图像im2对时间的偏导数，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，当时，默认图像按照进行扩散，反之，图像按照进行扩散，div(·)代表求散度，g(·)为扩散方程；对上述偏微分方程进行迭代，得到高频滤波图像im3；步骤7：根据下式计算步骤6中的偏微分方程的平坦区域主扩散系数和边缘区域注扩散系数ρ：其中，h为经验取值，一般取h∈[0.5,0.8]；步骤8：对步骤4中得到的图像的低频分量im_L做傅里叶反变换得到图像im4；步骤9：利用步骤5的方法，求图像im4的梯度按照下式重建梯度场函数，以增强图像微弱边缘：其中，N为细节阈值，小于N的梯度值被认为是噪声，被舍弃掉，x表示图像im4中某一点的梯度模值，函数输出的结果表示该点的梯度增强系数；然后将该梯度增强系数同该位置的像素点灰度值相乘，得到增强图像im_z；步骤10：对步骤9得到的增强图像im_z进行自适应canny边缘处理，并二值化，得到图像im5；步骤11：设定边缘像素个数阈值为M，对图像im5进行边缘统计，从某灰度点为1的图像开始计数，计算该点四周8邻域是否存在灰度为1的点，如果存在，则继续对下一个8邻域进行计数，如果不存在则退出计数，若最终的数值大于M则认为是边缘，使其灰度值为1，否则认为是伪边缘，使其灰度值为0，利用此方法得到低频分量边缘图像im6；步骤12：对步骤8得到的图像im4进行中值滤波，滤波模板为5X5，得到图像im7；步骤13：遍历低频分量中值滤波后的图像im7，以图像im7为模板，选出图像im6中灰度值为1的像素点，并将图像im7中这些像素点的灰度值替换为图像im4中的同一位置的像素点的灰度值；步骤14：将改进过的im7做傅里叶变换，将步骤6得到的高频滤波图像im3做傅里叶变换，将上述两个的傅里叶变换的结果做融合处理，并且对融合后的图像做傅里叶反变换，得到最后的去噪图像im8。优选的，所述步骤1中，计算原始图像的巴特沃斯滤波器最佳参数的过程如下：步骤101：选择十张添加高斯白噪声的原始图像im1，求取所有原始图像的灰度直方图J，并对灰度直方图J进行统计学处理，获取所有原始图像的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4；步骤102：根据频谱图中频率分布的关系，根据下式设计巴特沃斯低通滤波器：其中，M,N分别为图像的行数和列数，D0为待定参数，u和v分别为频谱图的坐标，u＝1,2,3……M,v＝1,2,3……N；步骤103：利用步骤102的巴特沃斯低通滤波器，对步骤101中的原始图像滤波；原始图像中添加的高斯白噪声的均值从0.2开始，以0.02为步长，至0.5为止，在每一个噪声中，对D0赋值，以1为起始数值，以5位步长，至206为止，得到每个噪声下的最佳D0的数值；步骤104：将步骤101中获取的灰度均值x1、中位灰度值x2、灰度方差x3和灰度四分差x4作为输入向量，将步骤103得到的最佳D0为输出数据，建立BP神经网络，或者利用最小二乘法进行拟合，得到函数D0＝f(x1,x2,x3,x4)；步骤105：重新拍摄添加高斯白噪声的图像，对步骤104得到的函数D0进行验证，若偏差较大，则不断将用于验证的图像当做训练样本，重复步骤101至步骤104，不断重复训练函数D0＝f(x1,x2,x3,x4)，直至偏差达到设定值。优选的，所述步骤6中，对偏微分方程进行迭代时，利用满足偏微分方程对应能量泛函达到最小值的方法进行迭代，所述偏微分方程对应的能量泛函为：其中，Ω为整个图像域，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，对该偏微分方程迭代求解，即可得到高频滤波图像im3。本专利技术利用巴特沃斯滤波器对红外图像进行去噪处理，能够明显提高红外图像的信噪比，从而去除图像中的噪声，能够清楚地将图像与背景区分开，提高红外图像的质量。附图说明图1为在强光背景下的红外图像；图2为本专利技术的流程图；图3为本专利技术所述步骤102中巴特沃斯低通滤波器的函数图像；图4为本专利技术所述步骤9中梯度场函数的函数图像；图5为本专利技术的实验用图一；图6为实验用图一在本专利技术与传统去噪方法下的信噪比对比图；图7为实验用图一的灰度直方图；图8为实验用图一在添加高斯噪声值为0.5时的噪声图；图9为利用PM模型对图7处理后的去噪图；图10为利用YK模型对图7处理后的去噪图；图11为利用巴斯沃特低通滤波器对图7处理后的去噪图；图12为利用中值滤波法对图7处理后的去噪图；图13为利用本专利技术对图7处理后的去噪图；图14为本专利技术的实验用图二；图15为实验用图二在本专利技术与传统去噪方法下的信噪比对比图；图16为实验用图二的灰度直方图。具体实施方式以下结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例，都属于本专利技术的保护范围。如图2所示，本专利技术所述的一种基于巴特沃斯滤波器的红外图像本文档来自技高网...

【技术保护点】
1.一种基于巴特沃斯滤波器的红外图像去噪方法，其特征在于，依次包括以下步骤：步骤1：读取添加高斯白噪声的原始图像im1，计算出原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差，并计算该原始图像的巴特沃斯滤波器最佳参数；步骤2：获取原始图像im1；步骤3：对步骤2得到的图像im1进行傅里叶变换，并且将低频分量转换至频谱图的中心位置；步骤4：利用步骤1中计算出的最佳参数，设计巴特沃斯低通滤波器，分别获得原始图像im1的低频分量im_L和高频分量im_H；步骤5：对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2，获取图像im2的高频分量的梯度及其梯度模值，具体公式如下：

【技术特征摘要】
1.一种基于巴特沃斯滤波器的红外图像去噪方法，其特征在于，依次包括以下步骤：步骤1：读取添加高斯白噪声的原始图像im1，计算出原始图像的灰度均值、灰度方差、中位灰度值和四分灰度差，并计算该原始图像的巴特沃斯滤波器最佳参数；步骤2：获取原始图像im1；步骤3：对步骤2得到的图像im1进行傅里叶变换，并且将低频分量转换至频谱图的中心位置；步骤4：利用步骤1中计算出的最佳参数，设计巴特沃斯低通滤波器，分别获得原始图像im1的低频分量im_L和高频分量im_H；步骤5：对步骤4得到的高频分量im_H做傅里叶反变换得到图像im2，获取图像im2的高频分量的梯度及其梯度模值，具体公式如下：其中，表示图像im2的高频分量的梯度，表示图像im2的高频分量的梯度模值，im2x和im2y表示图像im2的梯度的水平方向分量和垂直方向分量；步骤6：根据步骤5中得到的高频分量的梯度及其模值构建偏微分方程对im2进行去噪：其中，是图像im2对时间的偏导数，为平坦区域的主扩散系数，ρ为边缘区域主扩散系数，当时，默认图像按照进行扩散，反之，图像按照进行扩散，div(·)代表求散度，g(·)为扩散方程；对上述偏微分方程进行迭代，得到高频滤波图像im3；步骤7：根据下式计算步骤6中的偏微分方程的平坦区域主扩散系数和边缘区域注扩散系数ρ：其中，h为经验取值，一般取h∈[0.5,0.8]；步骤8：对步骤4中得到的图像的低频分量im_L做傅里叶反变换得到图像im4；步骤9：利用步骤5的方法，求图像im4的梯度按照下式重建梯度场函数，以增强图像微弱边缘：其中，N为细节阈值，小于N的梯度值被认为是噪声，被舍弃掉，x表示图像im4中某一点的梯度模值，函数输出的结果表示该点的梯度增强系数；然后将该梯度增强系数同该位置的像素点灰度值相乘，得到增强图像im_z；步骤10：对步骤9得到的增强图像im_z进行自适应canny边缘处理，并二值化，得到图像im5；步骤11：设定边缘像素个数阈值为M，对图像im5进行边缘统计，从某灰度点为1的图像开始计数，计算该点四周8邻域是否存在灰度为1的点，如果存在，则继续对下一个8邻域进行计数，如果不存在则退出计数，若最终的数值大于M则认为是边缘，使其灰度值为1，否则认为是伪边缘，使其灰度值为0，利用此方法得到低频分量边缘图像im6；步骤12：对步骤8得到的图像im4进...

【专利技术属性】
技术研发人员：于坤，焦青亮，刘子龙，刘玉芳，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南,41