融合局部与全局信息的图像椒盐噪声滤波方法技术

本发明专利技术涉及一种融合局部与全局信息的图像椒盐噪声滤波方法。该方法：首先，读入噪声图像，并进行噪声密度估计；其次，进行第一次噪声检测；再而，对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；最后，进行第二次噪声检测，并进行第二次噪声恢复，得到去噪恢复的图像。本发明专利技术改善了图像去噪的效果,对自身含有灰度为0、255的非噪声极值点的图像改进幅度更明显。

【技术实现步骤摘要】
融合局部与全局信息的图像椒盐噪声滤波方法
本专利技术属于图像处理
,主要应用于对被椒盐噪声污染的图像进行去噪恢复，特别是一种融合局部与全局信息的图像椒盐噪声滤波方法。
技术介绍
椒盐噪声是一种常见的噪声，它的产生因素多种多样，比如，传感器硬件故障、通信信道受干扰。椒盐噪声表现为图像中与近邻像素点格格不入的黑色(灰度为0)或者白色(灰度为255)像素点。噪声点与近邻像素点间存在灰度突变，导致了较大的梯度值，使其与边缘点容易发生混淆，给图像分析尤其是边缘检测带来了很大的困难。中值滤波是经典的椒盐去噪方法，其效果依赖于滤波窗口大小的选择。窗口小，去噪效果差，图像细节保留能力强；窗口大，去噪效果更佳，细节容易损失，图像模糊加重，如何平衡两者是个难题。为此，研究者提出了一系列改进型的中值滤波算法。比如，自适应中值滤波[1]根据局部窗口的内容自动选择滤波窗口的大小，改善了去噪效果，但其细节保护能力较弱。开关滤波是图像椒盐噪声去除领域新近的研究热点。所谓开关是指先检测图像中的椒盐噪声点，然后仅对噪声点进行滤波恢复，有助于保护图像细节。SAWM[2]和MDWF[3]是去噪效果较好的两种开关滤波算法。SAWM和MDWF采用不同形式的方向灰度差异来检测图像中的椒盐噪声点,它们各自的噪声检测策略分别记为SAWM_D以及MDWF_D。SAWM_D进行噪声检测的具体过程如下：(1)任意给定一个像素点pi,j，取以其为中心的Ld×Ld邻域灰度窗口Ω；(2)将窗口Ω内的像素点灰度按升序排列构成一个向量F，分别确定其第r个元素Fr和第z-r+1个元素Fz-r+1，其中，z=Ld×Ld，1≤r≤(z-1)/2；(3)剔除掉窗口Ω内灰度小于等于Fr或者大于等于Fz-r+1的像素点，构成新集合Ω1，其原理在于被剔除的像素点灰度位于窗口Ω内所有像素点所在灰度范围的两端，成为噪声点的概率比较大；(4)求窗口Ω1在方向k上的像素点灰度构成的集合，这里只考虑水平、垂直、主副对角线4个方向；(5)根据下式计算中心像素点pi,j在4个方向上与近邻像素点之间的加权绝对灰度差异之和：(1)(2)式中，Φ代表空集合，ds,t代表了像素点pi,j与其近邻像素点ps,t之间的绝对灰度差异；(6)计算4个方向上加权绝对灰度差异之和的最小值；.(3)(7)识别椒盐噪声点(4)其中P表示检测到的椒盐噪声点集合，T1是一个参数；MDWF_D进行噪声检测的具体过程如下：(1)任意给定一个像素点pi,j，取以其为中心的m×m局部窗口Ω，fi,j为pi,j的灰度，求pi,j与方向k上近邻像素点间绝对灰度差异之和：(5)(6)(7)其中1≤k≤4表示方向索引，Ω(k)为Ω在方向k上的内容，ws,t表示近邻像素点ps,t的权重；（2）求方向绝对灰度差异之和的最小值：(8)（3）识别椒盐噪声点(9)其中P表示检测到的椒盐噪声点集合，T是一个参数。SAWM_D和MDWF_D均利用了方向灰度差异来检测图像中的噪声点，其基本原理在于：噪声点没有方向性，而边缘像素点有一定的方向性，这种方向性的有无会造成方向加权灰度差异之和最小值的巨大差异，由此可以用来区分噪声点和边缘点。当然，这种方向加权灰度差异之和的最小值也可以用来区分噪声点和一般的非噪声点。因为噪声点与其周围邻域像素点往往存在较大的灰度差异，导致方向加权灰度差异之和的最小值也较大。而非噪声点与其周围邻域像素点间不存在灰度突变，灰度差异较小，方向加权灰度差异之和的最小值自然也较小。因此，方向加权灰度差异之和的最小值可以用来区分噪声点和非噪声点。上述噪声检测的思路虽然基本正确，但在具体检测过程中仍然存在如下问题：(1)在SAWM_D的噪声检测过程中，通常设置参数r为1。此时，Fr和Fz-r+1分别代表局部邻域窗口Ω的灰度极小值和极大值。这里的灰度极小值可能不为0，灰度极大值可能不为255。SAWM_D在剔除掉窗口Ω内灰度小于等于Fr或者大于等于Fz-r+1的像素点过程中，可能将灰度不为0或255的非噪声点剔除掉，给方向加权灰度差异的计算带来不良影响。此外，即便窗口Ω内的灰度极小值和极大值刚好为0和255，直接剔除灰度小于等于0或者灰度大于等于255的像素点的做法也略显粗糙，容易将灰度刚好也为0或255的非噪声点一并删除掉，这也将给方向加权灰度差异的计算带来不良影响。方向加权灰度差异计算的不准确将直接影响噪声检测的准确性。实验结果表明SAWM_D往往存在较大的虚警率FA(FalseAlarm)，FA是指将非噪声点错误地识别为噪声点；(2)MDWF_D在计算方向加权灰度差异的过程中未排除邻域内的任何像素点，如果邻域内存在噪声点，这些噪声点将对方向加权灰度差异的计算带来不良影响。方向加权灰度差异计算的不准确将直接影响噪声检测的准确性。实验结果表明MDWF_D往往存在较大的漏检率MD(MissDetection)，MD是指将噪声点错误地识别为非噪声点；(3)现有的开关滤波算法包括SAWM和MDWF均只是利用像素点的局部邻域灰度信息来辨识噪声点，未考虑全局图像信息，对自身包含灰度为0或255的非噪声极值点块的图像，检测准确性急剧下降。而这类图像也经常出现，以著名的伯克利图像数据库BSDS300为例，300幅彩色图转换为灰度图后，有138幅图自身包含灰度为0或255的非噪声极值点块。参考文献：[1]ChanRH,HoCW,NikolovaM.Salt-and-peppernoiseremovalbymedian-typenoisedetectorsanddetail-preservingregularization[J].IEEETransactionsonImageProcessing,2005,14(10):1479~1485.[2]ZhangX.XiongY.Impulsenoiseremovalusingdirectionaldifferencebasednoisedetectorandadaptiveweightedmeanfilter.IEEESignalProcessingLetters,2009.16(4),295~298.[3]LiZ,LiuG,XuY,ChengY.Modifieddirectionalweightedfilterforremovalofsalt&peppernoise,PatternRecognitionLetters,2014,40(1):113~120.。
技术实现思路
本专利技术的目的在于提供一种能改善图像去噪的效果，特别是对自身含有灰度为0、255的非噪声极值点的图像改善幅度更明显的融合局部与全局信息的图像椒盐噪声滤波方法。为实现上述目的，本专利技术的技术方案是：一种融合局部与全局信息的图像椒盐噪声滤波方法，包括如下步骤，步骤S1：读入噪声图像，进行噪声密度估计；步骤S2：进行第一次噪声检测；步骤S3：对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；步骤S4：进行第二次噪声检测；步骤S5：进行第二次噪声恢复，得到去噪图像。在本专利技术实施例中，所述步骤S1中，所述噪声密度估计的具体过程如下：步骤S11：将去噪图像的行、列分别分成w等份，计算每个等份对应的行、列数，若最后一个等份的行、本文档来自技高网...

【技术保护点】
一种融合局部与全局信息的图像椒盐噪声滤波方法，其特征在于：包括如下步骤，步骤S1：读入噪声图像，进行噪声密度估计；步骤S2：进行第一次噪声检测；步骤S3：对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；步骤S4：进行第二次噪声检测；步骤S5：进行第二次噪声恢复，得到去噪图像。

【技术特征摘要】
1.一种融合局部与全局信息的图像椒盐噪声滤波方法，其特征在于：包括如下步骤，步骤S1：读入噪声图像，进行噪声密度估计；步骤S2：进行第一次噪声检测；步骤S3：对所述步骤S2的噪声检测结果进行校正，并进行第一次噪声恢复；步骤S4：进行第二次噪声检测；步骤S5：进行第二次噪声恢复，得到去噪图像；所述步骤S1中，所述噪声密度估计的具体过程如下：步骤S11：将噪声图像的行、列分别分成w等份，计算每个等份对应的行、列数，若最后一个等份的行、列数不够，采用镜面反射的方式进行补足，最终将图像分成w×w个子块；步骤S12：统计每个子块中灰度为0和255的像素点出现的概率，构造向量步骤S13：对向量中的元素按升序排序，排序后的向量记为步骤S14：估计整幅图像的噪声密度为：相应地，整幅图像噪声点个数的估计值为：ne＝De×N；其中，mod代表取余，N表示图像中像素点的总数；所述步骤S2中，所述第一次噪声检测的具体过程如下：步骤S21：采用算法SAWM噪声检测策略的改进版本SAWM_MD对噪声图像进行第一次噪声检测，即先计算出每个像素点pi,j对应的方向加权绝对灰度差异之和的最小值di,j，用所有像素点的di,j构建矩阵Md；步骤S22：对矩阵Md中的元素按降序排列，构成新的向量向量中的一个元素对应图像中的一个像素点；步骤S23：取向量中前ne个元素对应的像素点为噪声点，构成噪声点集合P，产生噪声检测结果标示矩阵Bm：其中，标示矩阵Bm是一个二值化矩阵，1和0分别表示检测到的噪声点和非噪声点；所述步骤S3中，对噪声检测结果进行校正的具体过程如下：步骤S31：根据椒盐噪声点灰度只可能为0或者255的事实，剔除掉噪声检测结果中灰度不为0或者255的噪声点，其形式化描述为：步骤S32：若噪声密度估计结果De最接近于9种噪声级别的前5种，则执行步骤S33～S36；否则，校正过程结束；所述9种噪声级别分别为10％、20％、30％、40％、50％、60％、70％、80％、90％；步骤S33：分别获取灰度为0和255对应的阈值分割结果：其中，1和0分别代表阈...

【专利技术属性】
技术研发人员：李佐勇，刘伟霞，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建;35